KI-Protease-"Schere": Baker-Labor entwickelt Enzyme mit 10-Milliarden-facher Reaktionsbeschleunigung

Wissenschaftler im Labor von David Baker an der University of Washington haben die Entwicklung künstlicher Proteasen bekannt gegeben — Enzyme, die in der Lage sind, Proteine an exakt definierten Stellen mit beispielloser Geschwindigkeit zu spalten. Bei einer der entwickelten Designvarianten erreichte die katalytische Aktivität ein Niveau, bei dem die Peptidbindungsspaltung im Vergleich zum Hintergrundreaktionsniveau um das 10-Milliardenfache (10¹⁰) beschleunigt wird. Das Team demonstrierte zudem, dass solche Enzyme auf Proteine einwirken können, die mit neurodegenerativen Erkrankungen, einschließlich Alzheimer und frontotemporaler Demenz, assoziiert sind. Die im Oktober 2026 veröffentlichte Arbeit ist eines der anschaulichsten Beispiele für den Einsatz generativer künstlicher Intelligenz im Protein-Engineering.

Die Peptidbindung und eine Herausforderung, auf die die Natur keine Antwort hatte

Proteine sind Ketten von Aminosäuren, die durch Peptidbindungen verbunden sind. In wässriger Umgebung können diese Bindungen ohne Beteiligung von Enzymen Hunderte von Jahren überdauern, was sie äußerst stabil macht. Proteasen — natürliche Katalysatoren, die die Spaltung solcher Bindungen beschleunigen — erkennen spezifische Abschnitte der Proteinsequenz. Die von Bakers Team formulierte Aufgabe bestand darin, mithilfe von KI Katalysatoren mit einer vorgegebenen dreidimensionalen Struktur und der Fähigkeit zur Erkennung einer bestimmten Aminosäuresequenz zu entwerfen, anstatt sich auf die Modifikation bereits existierender natürlicher Enzyme zu beschränken.

Drei Neuronale Netzwerke im Verbund

Für die Entwicklung der Enzyme setzten die Forscher eine Kette aus drei KI-Werkzeugen ein. RFdiffusion2 bildete das Grundgerüst der Proteinstruktur unter Berücksichtigung der Anordnung von Aminosäuren, die für die chemische Reaktion erforderlich sind, sowie des vorgegebenen Spaltungsbereichs. Anschließend wählte ProteinMPNN spezifische Aminosäuren aus, die eine korrekte Proteinfaltung, die Funktion des aktiven Zentrums und die Interaktion mit dem Zielmolekül gewährleisten. Die erhaltenen Strukturen wurden mithilfe von AlphaFold3 bewertet. Als Vorlagen dienten zwei Typen natürlicher Proteasen: eine Zinkprotease aus dem Verdauungssystem von Krebszellen und eine Cysteinprotease aus Hefe. Auf dieser Basis entwickelte das Team Dutzende von Konstruktionsvarianten.

Nicht eine Struktur löst alles: Der Weg zu 10¹⁰

Erste Ergebnisse zeigten, dass eine einzige korrekte dreidimensionale Struktur nicht ausreicht, damit ein Enzym effektiv arbeitet. Unter 69 Varianten der Cysteinprotease erwiesen sich nur 13 als funktionsfähig — etwa 19%. In der Serie der Zinkproteasen zeigten die anfänglichen Konstruktionen oft eine schwache katalytische Aktivität. Das Problem konnte teilweise gelöst werden, indem die Position des an der Reaktion beteiligten Wassermoleküls vorgegeben wurde: 35 von 38 auf diese Weise entwickelten Varianten zeigten Aktivität. Weitere Optimierungen — die Veränderung von Aminosäuren in der Nähe des aktiven Zentrums, die nicht direkt an der Katalyse beteiligt sind — führten zu Rekordwerten. Die beste Variante der Cysteinprotease beschleunigte die Peptidbindungssspaltung um das 10⁹-fache bei hoher Selektivität. Die verbesserte Zinkprotease war 30-mal aktiver als die ursprüngliche Konstruktion und beschleunigte die Reaktion um das 10¹⁰-fache. Gleichzeitig garantierte hohe Geschwindigkeit allein keine Genauigkeit: Eine der aktivsten Zinkproteasen spaltete Proteine nicht selektiv genug, was die Komplexität der gleichzeitigen Optimierung von katalytischer Effizienz und Spezifität unterstreicht.

Zielstrukturen: Alzheimer und frontotemporale Demenz

Als separater Test entwickelte das Team Zinkproteasen, die auf Proteine abzielten, die mit der Alzheimer-Krankheit und frontotemporaler Demenz in Verbindung stehen. Das Ergebnis war ein Enzym, das in der Lage ist, das Zielprotein direkt in Zellen zu spalten. Dies zeigt, dass der Ansatz auf reale therapeutische Ziele anwendbar ist, auch wenn ein beträchtlicher Weg bis zur klinischen Anwendung verbleibt.

Hürden auf dem Weg zur Medizin

Bis zur praktischen medizinischen Anwendung gibt es noch einige erhebliche Hindernisse. Proteine lassen sich schwer in die richtigen Gewebe und Zellen transportieren, und die künstlichen Enzyme selbst können eine Immunantwort auslösen. Wenn sich das Ziel im Zellinneren befindet, kann die Lieferung genetischer Anweisungen erforderlich sein, damit die Zelle die benötigte Protease selbst produziert. Darüber hinaus sind aktuelle KI-Werkzeuge zwar gut darin, Strukturen zu entwerfen, erlauben jedoch keine direkte Vorgabe der gewünschten katalytischen Aktivität — diese bleibt das Ergebnis iterativer Optimierung. Dennoch beweist die Arbeit die grundsätzliche Machbarkeit der Erstellung künstlicher Enzyme für spezifische molekulare Ziele, wobei deren Wirksamkeit und Eignung für die Behandlung nach Einschätzung der Autoren noch weiter verbessert und in künftigen Experimenten überprüft werden müssen.