Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind30. November 2020 · Q002378

AlphaFold: a solution to a 50-year-old grand challenge in biology

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht zufolge erzielte AlphaFold bei CASP14 hohe Genauigkeit bei der Vorhersage von Proteinstrukturen aus Aminosäuresequenzen und könnte biologische Forschung beschleunigen. DeepMind nennt jedoch offene Grenzen, darunter unvollkommene Vorhersagen und ungelöste Fragen zu Proteinkomplexen und molekularen Wechselwirkungen.

Mittel

Der Bericht stellt AlphaFold als bedeutenden Fortschritt bei der Berechnung von Proteinstrukturen aus Aminosäuresequenzen dar. Diese Aufgabe galt als jahrzehntelange Herausforderung, weil Proteine sehr viele mögliche Faltungen haben; experimentelle Verfahren können laut Beitrag zeitaufwändig und kostspielig sein.

Bei der blinden CASP14-Bewertung erreichte AlphaFold laut DeepMind einen Median von 92,4 GDT über alle Ziele und 87,0 bei den schwierigsten „Free-Modelling“-Aufgaben. Der Beitrag beschreibt etwa 90 GDT als informell konkurrenzfähig mit experimentellen Methoden. Das System nutzt evolutionär verwandte Sequenzen und ein aufmerksamkeitsbasiertes neuronales Netz, das Strukturvorhersagen schrittweise verfeinert und deren Zuverlässigkeit einschätzt.

DeepMind sieht mögliche Anwendungen in der Grundlagenforschung, bei schwer untersuchbaren Proteinen und bei der Suche nach Ansätzen für Medikamente. Als Beispiele nennt der Text eine über Jahre ungelöste Struktur sowie Coronavirus-Proteinvorhersagen, die später experimentell bestätigt worden seien. Zugleich betont er, dass nicht alle Vorhersagen perfekt sind und unter anderem Proteinkomplexe sowie Wechselwirkungen mit DNA, RNA und kleinen Molekülen weitere offene Fragen darstellen. Ein nachträglicher Hinweis erwähnt die Veröffentlichung von Vorhersagen für nahezu alle katalogisierten Proteine im Juli 2022.

Ausführlich lesen

Der Bericht beschreibt DeepMinds AlphaFold als wichtigen Fortschritt bei der Vorhersage dreidimensionaler Proteinstrukturen. Proteine bestehen aus Aminosäureketten; ihre räumliche Form hängt eng mit ihrer Funktion zusammen. Seit Jahrzehnten versuchen Forschende, diese Form aus der Aminosäuresequenz zu berechnen. Das wäre eine Ergänzung zu experimentellen Verfahren wie Röntgenkristallografie, Kernspinresonanz und Kryo-Elektronenmikroskopie, die laut Bericht aufwändig sein und pro Struktur lange dauern können. Die Schwierigkeit des Rechenproblems liegt unter anderem in der riesigen Zahl möglicher Faltungen.

Als Beleg für den Fortschritt führt der Beitrag die blinde CASP14-Bewertung an: Dabei werden Vorhersagen zu neu bestimmten, zuvor nicht veröffentlichten Proteinstrukturen später mit experimentellen Ergebnissen verglichen. DeepMind berichtet für AlphaFold über einen Medianwert von 92,4 beim Global Distance Test (GDT) über alle Ziele und 87,0 bei den besonders schwierigen Zielen des „Free-Modelling“-Bereichs. Der Beitrag erläutert, dass etwa 90 GDT informell als mit experimentellen Ergebnissen konkurrenzfähig gilt. Für die Gesamtresultate nennt er einen durchschnittlichen Fehler von ungefähr 1,6 Å. Diese Zahlen beziehen sich auf die CASP14-Auswertung und sind keine Aussage, dass jede Vorhersage exakt ist.

Das System verarbeitet evolutionär verwandte Sequenzen, Mehrfachsequenz-Ausrichtungen und Informationen über Aminosäurepaare. Ein aufmerksamkeitsbasiertes neuronales Netz verfeinert iterativ eine Darstellung der räumlichen Beziehungen im Protein und schätzt zugleich ein, welchen Teilen seiner Vorhersage zu trauen ist. Trainiert wurde es laut DeepMind mit rund 170.000 bekannten Proteinstrukturen sowie Sequenzdaten. Das Training nutzte etwa 16 TPUv3 über mehrere Wochen; Vorhersagen dauerten dem Beitrag zufolge Tage. Die Methodik baute auf einer früheren AlphaFold-Version auf, die bei CASP13 2018 die höchste Genauigkeit unter den Teilnehmenden erzielt hatte.

Der Bericht nennt mögliche Anwendungen in der biologischen Forschung, etwa bei schwer experimentell untersuchbaren Membranproteinen, der Erforschung von Krankheiten und der Suche nach Ansatzpunkten für Medikamente. Als konkretes Beispiel zitiert er einen CASP-Bewerter, dessen Team mit AlphaFolds Modellen eine Proteinstruktur lösen konnte, an der es fast zehn Jahre gearbeitet hatte. Außerdem berichtet DeepMind über Vorhersagen für Coronavirusproteine, darunter ORF3a und ORF8, deren Strukturen später experimentell bestätigt worden seien. Der Beitrag stellt solche Einsatzmöglichkeiten als Potenzial dar; er belegt damit keine bereits nachgewiesenen Therapieerfolge.

Die Grenzen werden ausdrücklich benannt: Nicht jede Strukturvorhersage werde perfekt sein. Offen seien unter anderem die Modellierung von Proteinkomplexen, Wechselwirkungen mit DNA, RNA und kleinen Molekülen sowie die genaue Position aller Seitenketten. Zum Zeitpunkt des Beitrags bereitete DeepMind eine Fachpublikation vor und prüfte, wie andere Gruppen Zugang zum System erhalten könnten. Ein nachträglicher Hinweis im Text sagt, dass DeepMind im Juli 2022 Vorhersagen für nahezu alle katalogisierten Proteine veröffentlicht habe.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna geben den Bericht im Kern treu wieder, lassen aber zentrale Hintergründe wie CASP-Blindverfahren, RMSD und Trainingsdaten aus. Die Einordnung bezieht sich auf einen Bericht über AlphaFold; die Sammel- und Teilfragen zu Governance, Monopolen und gerechtem Zugang werden darin nur schwach oder gar nicht beantwortet.

Im Bericht, aber nicht in der Zusammenfassung

  • Anfinsen-Hypothese und Levinthal-Paradoxon als Hintergrund des Faltungsproblems
  • Blindes CASP-Bewertungsverfahren, bei dem Vorhersagen erst später mit experimentellen Daten verglichen werden
  • Mittlerer Fehler (RMSD) von etwa 1,6 Ångström
  • Trainingsdaten (ca. 170.000 PDB-Strukturen) und Rechenaufwand (ca. 16 TPUv3 über einige Wochen)

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-F3 Welche Regeln gelten für gefährliche Fähigkeiten jenseits von Cyber, etwa in Biologie, Chemie, bei radioaktiven Stoffen oder in der Nukleartechnik?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-F3-T02 Welche Verantwortung sollten KI-Firmen gegenüber der Öffentlichkeit tragen, wenn ihre Modelle grundlegende wissenschaftliche Entdeckungen ermöglichen, die gefährliche Anwendungen finden könnten? Luna: Stufe 3 · 43 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 46 %einzelne zitierbare Belege
    • JEV 33 %umfangreiche Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung umfangreiche Belege

  2. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 34 %einzelne zitierbare Belege
    • amos 27 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 38 %einzelne zitierbare Belege
    • JEV 32 %gleiches Oberthema, hilft nicht
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 42 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 54 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 26 %einzelne zitierbare Belege
    • JEV 28 %nur am Rande erwähnt
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 52 %umfangreiche Belege
    • JEV 37 %beantwortet teilweise oder widerspricht
    • amos 34 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung umfangreiche Belege
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 45 %einzelne zitierbare Belege
    • JEV 48 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

    • SF-E4-T01 Was hieße die Formel von KI als „gemeinsamem Gut der ganzen Menschheit“ praktisch (Zugang, Teilen des Nutzens, gestaffelte Preise, Technologietransfer), so dass jeder Staat sie tatsächlich unterschreiben und prüfen könnte? Luna: Stufe 3 · 30 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →