Proteine sind wichtige Bausteine des Lebens. Unser Körper besteht zu 20 bis 30 Prozent aus diesen Makromolekülen; sie kommen an den unterschiedlichsten Stellen zum Einsatz und erfüllen vielfältigste Funktionen. Insbesondere gehören viele Hormone und Enzyme, die an lebenswichtigen Prozessen beteiligt sind, zu den Proteinen.
Proteine wiederum bestehen aus Aminosäuren. Wenn eine Körperzelle ein Protein herstellt, liest sie dessen in einem Gen enthaltenen Bauplan ab und reiht eine Kette von Aminosäuren aneinander. Diese lange Sequenz faltet sich blitzschnell und von ganz allein in ein festes Knäuel, eine komplexe dreidimensionale Struktur, die Gestalt und Funktion des Proteins bestimmt. Der Bauplan für diese Struktur ist aber nicht in den Genen gespeichert, sondern ist in irgendeiner – noch unbekannten – Form in der Abfolge der Aminosäuren kodiert.
Die Bestimmung von Gestalt und Funktion von Proteinen ist enorm wichtig für die Biomedizin – ein Beispiel dafür ist das Spike-Protein des neuartigen Coronavirus, das dem Erreger dazu dient, an menschliche Körperzellen anzudocken und in sie einzudringen. Kennt man die exakte Form dieses Proteins, ist es möglich, spezifische Medikamente zu entwickeln, die es daran hindern, mit körpereigenen Proteinen zu interagieren. Das Problem, mit dem die Wissenschaftler dabei konfrontiert sind, liegt darin, dass sie von vielen Proteinen zwar die Sequenz der Aminosäuren kennen, die sich relativ leicht entschlüsseln lässt, aber nicht die 3D-Struktur des Proteins.
An diesem Problem der sogenannten Proteinfaltung – also der Frage, wie sich aus der Abfolge der Aminosäure-Kette die Struktur des daraus bestehenden Proteins vorhersagen lässt – haben sich die Biologen seit Jahren die Zähne ausgebissen. Jede Sequenz kann nämlich eine Vielzahl von verschiedenen 3D-Formen annehmen, wobei aber bei jedem Protein nur wenige davon biologisch aktiv sind. Die Proteinfaltung gilt daher als letztes grosses Geheimnis des genetischen Codes oder als «Heiliger Gral der Biologie», wie manche Forscher es nennen.
Nun vermeldet die Google-Tochter DeepMind jedoch einen Durchbruch: Der von der Londoner Firma entwickelten künstlichen Intelligenz (KI) AlphaFold gelang es beim diesjährigen Wettbewerb zur Vorhersage von Proteinstrukturen (CASP, Critical Assessment of Protein Structure Prediction), die dreidimensionale Struktur von 70 von 100 Sequenzen sehr präzise vorherzusagen. So präzise, wie es bisher nur in aufwendigen Laborexperimenten mittels Röntgenkristallographie oder Kryo-Elektronenmikroskopie möglich war, die dafür Jahre benötigten.
AlphaFold löste die Aufgabe dagegen in wenigen Tagen. Und die DeepMind-KI war anderen KI-Verfahren, die am Wettbewerb teilnahmen, haushoch überlegen. Während andere Anwendungen auf einer Skala von 0 bis 100 Punkten meist nicht mehr als 75 Punkte erzielten, schaffte AlphaFold in den erwähnten 70 Fällen um die 90 Punkte. Ein Wert höher als 90 gilt als vergleichbar präzise wie die experimentelle Strukturaufklärung. Die KI konnte in einigen Fällen sogar entscheidende Hinweise auf die Struktur von Proteinen geben, die selbst den Organisatoren des Wettbewerbs noch nicht aus Experimenten vollumfänglich bekannt war, wie das deutsche Wissenschaftsmagazin Spektrum.de schreibt.
Ein Beispiel dafür gibt Andrei Lupas, Direktor des Max-Planck-Instituts für Entwicklungsbiologie in Tübingen gegenüber dem deutschen «Science Media Center»: Sein Team habe für den Wettbewerb mehrere Proteine eingereicht, darunter eines, bei dem man zwar bereits über erste experimentelle Daten verfügt habe, aber dessen Struktur man «seit einem Jahrzehnt» nicht habe lösen können. «Mit der Vorhersage von AlphaFold als Suchmodell konnten wir die Struktur in einer halben Stunde lösen», stellte Lupas fest.
Die KI-Anwendung, deren Programmierer unter anderem auch das Computerprogramm AlphaGo entwickelt haben, das 2016 die besten Go-Spieler der Welt schlug, basiert auf maschinellem Lernen. Genauer handelt es sich dabei um sogenanntes Deep Learning, das künstliche neuronale Netze nutzt. Die DeepMind-Programmierer trainierten AlphaFold mit Hilfe einer Datenbank, in der die Strukturen von etwa 170'000 Proteinen gespeichert sind. Zudem nutzt das neuronale Netz Informationen über die physikalischen und geometrischen Bedingungen, die bestimmen, auf welche Weise sich ein Protein faltet. Wie genau die KI zu ihren Ergebnissen kommt, ist dabei allerdings noch unklar.
Die Fachwelt ist jedenfalls begeistert und betrachtet den Exploit der KI als Durchbruch mit weitreichenden Folgen für Biowissenschaften und Medizin. AlphaFold wird zwar Laborexperimente nicht ersetzen können, aber es wird nun nicht mehr Jahre dauern, bevor Rückschlüsse auf die grobe Struktur eines Proteins möglich sind, sondern Wochen. Sollte sich der Erfolg der DeepMind-KI bestätigen, dürfte dies viele Bereiche der Forschung erheblich beschleunigen.
Der Erfolg könnte aber auch Ängste vor den Gefahren der Künstlichen Intelligenz befeuern. Ganz abgesehen von Befürchtungen, eine hyperintelligente KI könnte die Menschheit einfach eliminieren, gibt es auf bedeutend bescheidenerer Ebene auch Bedenken, dass ein selbstlernendes neuronales Netzwerk am Ende die Wissenschaftler überflüssig machen könnte.
So gibt es schon jetzt im Bereich der medizinischen Diagnostik Software, die bei der Analyse von Mammographie-Bildern – um ein Beispiel zu nennen – besser abschnitt als menschliche Experten. Bei der Analyse von Bildern kommt die grosse Stärke der KI zum Tragen, Muster zu erkennen, Ereignisse vorherzusagen und Entscheidungen zu unterstützen. Eine bereits 2017 veröffentlichte Studie konnte etwa zeigen, dass KI weissen und schwarzen Hautkrebs genau so gut erkennen kann wie erfahrene Dermatologen.
Intelligente Systeme haben heute indes nach wie vor lediglich unterstützenden Charakter. Die sogenannte starke KI – also eine künstliche Intelligenz, die versucht, den Menschen und die Vorgänge in dessen Hirn zu imitieren und allenfalls zu übertreffen – steckt trotz der stetigen Zunahme der Rechenleistung von Computern noch in den Kinderschuhen und ist weit davon entfernt, dem Menschen das Wasser reichen zu können. Es ist noch nicht einmal ausgemacht, dass sie diese Stufe jemals erreichen wird.
Die schwache KI hingegen soll nicht versuchen, menschliche Denkprozesse zu imitieren, sondern gezielt Algorithmen entwickeln, die bei bestimmten Problemstellungen zur Anwendung kommen. Aber auch hier sieht es nicht danach aus, dass die KI in absehbarer Zeit aus der Rolle des Assistenten herauswachsen könnte. Sie kann genutzt werden, um dem menschlichen Experten zeitraubende, aufwändige Analysearbeiten abzunehmen und damit Kapazitäten für andere Aufgaben freizumachen.
Allerdings gibt es auch Hinweise darauf, dass die Digitalisierung und Automatisierung, insbesondere aufgrund der Entwicklung von KI, gerade hoch qualifizierte, akademische Berufe obsolet machen könnte, wie etwa eine Studie der US-Denkfabrik Brookings Institution vor Jahresfrist ergab. Wie die Situation sich in einer ferneren Zukunft darstellen wird, wenn die Computertechnik und Software-Entwicklung weitere Fortschritte gemacht hat, steht also auf einem anderen Blatt.
Die Möglichkeiten, die sich auftun, übertreffen m.E. meilenweit alle Bedenken wegen einer möglichen Konkurrenz für menschliche Jobs.
KI wird noch lange ausschliesslich Assistenz-Charakter haben.
Trotzdem braucht es politische Lösungen für die sich radikal verändernde Arbeitswelt (und die darauf fussende Finanzierung des Staates und der sozialen Sicherungssysteme).