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
cset1. Dezember 2021 · Q005862

Exploring protein-folding AI research with the Map of Science

cset.georgetown.edu · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag nutzt die CSET-Map of Science, um Forschung zu Proteinstrukturvorhersage, Proteinfaltung und Deep Mutational Scanning zu kartieren. Die USA führten bei den Publikationen insgesamt; einzelne Cluster, darunter RC 66000 mit 77 Prozent KI-bezogenen Arbeiten, wiesen starke KI-Anteile auf. Die Länderzählung kann Arbeiten mehrfach erfassen, und die Kartierung belegt keine konkreten Auswirkungen von AlphaFold.

Mittel

Der Beitrag ordnet AlphaFold in die Forschung zu Proteinstrukturvorhersage (PSP), dem Protein-Faltungsproblem (PFP) und Deep Mutational Scanning (DMS) ein. AlphaFold sage Proteinformen anhand ihrer Sequenz und DNA-Daten voraus. Die Autorin beschreibt die Methode als Ergebnis jahrzehntelanger biologischer und rechnergestützter Forschung und hält fest, dass DeepMind den Quellcode im Juli 2021 veröffentlichte. DMS untersucht Varianten und mögliche Mutationseffekte; die Folgen mehrerer gleichzeitiger Veränderungen seien schwer zu erfassen.

Mithilfe der CSET-Map of Science identifizierte der Beitrag Forschungscluster. Für DMS fand er einen Cluster mit weniger als zwei Prozent KI-bezogenen Arbeiten. Für PFP und PSP wurden 44 Cluster untersucht. Die USA veröffentlichten laut Auswertung in den meisten Clustern die meisten Arbeiten, China lag dahinter. Ein Cluster, RC 66000, überschritt mit 77 Prozent KI-bezogenen Arbeiten die Schwelle für „fortgeschrittene KI“; RC 6554 kam auf knapp 50 Prozent. RC 20538 hatte die höchsten durchschnittlichen Zitationen und 32 Prozent KI-Arbeiten. Die Angaben sind Cluster-Auswertungen, keine exklusiven Länderanteile: Eine Arbeit kann mehreren Ländern zugerechnet werden. Der Beitrag weist damit Forschungsaktivität aus, belegt aber keine konkreten medizinischen Folgen.

Ausführlich lesen

Der Beitrag untersucht, wie sich Forschung zu AlphaFold und verwandten Themen in der CSET-„Map of Science“ verteilt. AlphaFold wird als KI-Technologie beschrieben, die anhand der Aminosäuresequenz und DNA-Daten die dreidimensionale Form eines Proteins vorhersagt. Laut Beitrag dauerte die Bestimmung einer einzelnen Proteinstruktur zuvor mitunter Monate; die experimentellen Daten hätten nun eine umfangreiche, weltweit verfügbare Datenbank von Proteinstrukturen ermöglicht – mehrere Jahrzehnte früher als erwartet. Der Text stellt AlphaFold als Ergebnis jahrzehntelanger biologischer und rechnergestützter Forschung dar und sagt, die Veröffentlichung des DeepMind-Quellcodes im Juli 2021 könne Folgen für Bioinformatik, Medizin und andere genetische Daten nutzende Wissenschaftsbereiche haben.

Als wichtige Forschungsfelder nennt der Beitrag Deep Mutational Scanning (DMS), Protein Structure Prediction (PSP) und das Protein Folding Problem (PFP). DMS misst mithilfe von Sequenzierungstechnologien mögliche Proteinvarianten, teilweise mehr als 10.000, und vergleicht sie mit dem Wildtyp. Das Verfahren kann Hinweise auf Mutationseffekte sowie Proteinstruktur, -funktion und -interaktionen liefern. Die kombinierten Effekte mehrerer Aminosäureveränderungen seien jedoch schwierig zu untersuchen.

Für die Kartierung suchten die Autorinnen und Autoren in der Map of Science nach Forschungsclustern (RCs), unter anderem anhand von Stichwörtern und Fachgebietsbezeichnungen. Für DMS fanden sie einen Cluster, in dem die USA laut verfügbaren Daten die meisten Arbeiten veröffentlichen; weniger als zwei Prozent der Arbeiten seien KI-bezogen. Ein weiterer Cluster, RC 4956, verbindet Biologie mit Informatik und Chemie und behandelt unter anderem Genetik, Computerbiologie, maschinelles Lernen, Proteinstrukturen und Virologie. Knapp drei Viertel seiner Arbeiten nennen eine Förderinstitution. Unter diesen Förderungen entfallen laut Beitrag 73 Prozent auf staatliche und 25 Prozent auf gemeinnützige Organisationen; der Rest komme aus Wissenschaft oder Industrie. 58 Prozent der Arbeiten hätten mindestens eine US-Affiliation, fünf Prozent eine chinesische. Die Zahl der Arbeiten sei im letzten Jahr um 37 Prozent gestiegen.

Für PFP und PSP identifizierte der Beitrag insgesamt 44 Cluster: sechs über Suchbegriffe und 38 weitere über Einträge in der Fachgebietsklassifikation. Die USA führten bei der Publikationszahl in 26 Clustern, China in zehn. Zusammengenommen veröffentlichten Autorinnen und Autoren mit US-Affiliation die meisten Arbeiten, gefolgt von China. Nur RC 66000 erfüllte die Definition eines fortgeschrittenen KI-Clusters – mehr als 75 Prozent KI-bezogene Arbeiten – mit 77 Prozent. Der Cluster wurde von China angeführt und wuchs laut Beitrag binnen eines Jahres um 71 Prozent. RC 6554 hatte mit knapp 50 Prozent die zweithöchste KI-Konzentration und wuchs um 79 Prozent. RC 20538 verzeichnete mit mehr als 19 durchschnittlichen Zitationen pro Arbeit den höchsten Zitationswert der untersuchten PFP-/PSP-Cluster; 32 Prozent seiner Arbeiten waren KI-bezogen.

Die Ergebnisse sind eine deskriptive Auswertung der identifizierten Cluster. Der Beitrag weist darauf hin, dass eine Arbeit mehreren Ländern zugerechnet werden kann, wenn ihre Autorinnen und Autoren mehreren Ländern angehören. Die Länderwerte sind daher keine exklusiven Anteile. Die aufgeführten Kernarbeiten dienen als Beispiele für eng vernetzte Veröffentlichungen innerhalb der Cluster; die Auswertung belegt für sich genommen weder die Qualität einzelner Verfahren noch konkrete Auswirkungen von AlphaFold.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat alle drei Sammelfragen mit Stufe 3 bewertet, was zu hoch ist, weil der Bericht zu Governance-Fragen kaum Belege liefert. Die genannten Anteile in Prozent gehören nicht zur Skala und wurden deshalb nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht nennt als Kernaussage, dass AlphaFold die Bestimmung von Proteinstrukturen von Monaten auf wenige Schritte verkürzt und eine weltweit verfügbare Datenbank mit 3D-Proteinstrukturen entsteht.
  • Der Bericht erwartet Auswirkungen auf Bioinformatik, Medizin und Forschung mit genetischen Daten; die Zusammenfassung erwähnt nur die fehlende Belegbarkeit konkreter medizinischer Folgen.

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 33 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • 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 64 %Hintergrund, keine Belege
    • JEV 43 %gleiches Oberthema, hilft nicht
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Unabhängig prüfen
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 46 %Hintergrund, keine Belege
    • JEV 38 %Hintergrund, keine Belege
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV 47 %Hintergrund, keine Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
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 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 83 %Hintergrund, keine Belege
    • JEV 37 %einzelne zitierbare Belege
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

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 →