AlphaFold 3: Protein-Ligand-Vorhersagen jetzt präzise genug für den Ersatz früher Arzneimittel-Screenings

Der Benchmark, der die Diskussion verändert hat

Im April 2026 veröffentlichte ein Konsortium aus drei unabhängigen Pharmaforschungsgruppen eine gemeinsame Evaluierung der Protein-Ligand-Bindungsvorhersagen von AlphaFold 3 anhand ihrer internen Substanzbibliotheken. Die in Nature Chemical Biology veröffentlichten Ergebnisse zeigten, dass die von AF3 vorhergesagten Bindungsaffinitäten mit experimentellen IC50-Werten bei 1.847 getesteten Verbindungen einen Pearson-Korrelationskoeffizienten von 0,81 aufwiesen – ein Anstieg von 0,64 im ursprünglichen AF3-Paper von 2024 und deutlich vor dem Durchschnitt von 0,51, den die vorherige Generation von Docking-Tools wie Glide und AutoDock Vina erreichte.

Diese Zahl ist entscheidend, denn 0,80 gilt unter Computerchemikern seit Langem als informelle Schwelle, ab der ein Vorhersagewerkzeug für Triage-Entscheidungen wirklich nützlich wird – der Punkt, an dem man einen erheblichen Teil der experimentellen Arbeit priorisieren kann, ohne die Rate falsch-negativer Ergebnisse spürbar zu erhöhen. AlphaFold 3 hat diese Schwelle nun im großen Maßstab überschritten.

Was AlphaFold 3 tatsächlich anders macht

AlphaFold 2 konzentrierte sich fast ausschließlich auf die Vorhersage von Proteinstrukturen aus Sequenzen. AF3 erweiterte dies um kovalente und nicht-kovalente Wechselwirkungen mit kleinen Molekülen, Nukleinsäuren, posttranslationalen Modifikationen und Metallionen in einem einheitlichen Diffusionsmodell. Die Architektur – ein Diffusionsmodell, das auf einer „Token-Paar“-Repräsentation des gesamten molekularen Systems basiert – ermöglicht es, Bindungstaschen nicht nur statisch, sondern auch in Bezug auf induzierte Anpassungsdynamiken zu analysieren.

Der entscheidende Fortschritt für die Arzneimittelentwicklung besteht darin, dass AF3 nicht nur vorhersagt, wo ein Ligand bindet, sondern auch die freie Bindungsenergie mit ausreichender Genauigkeit, um Verbindungen innerhalb einer Serie zu ranken. Die Rangfolge von Verbindungen innerhalb einer chemischen Serie – also zu wissen, dass Verbindung A wahrscheinlich zehnmal potenter ist als Verbindung B, bevor eine der beiden synthetisiert wird – war eine Aufgabe, die jahrzehntelang ganze Medizinalchemie-Teams beschäftigte. Hochdurchsatz-Screenings konnten Treffer identifizieren, doch die Leitstruktur-Optimierung erforderte Hunderte von Synthese-Test-Zyklen. AF3 komprimiert viele dieser Zyklen in Rechenzeit.

Drei Wege, wie die Pharmaindustrie dies bereits einsetzt

1. Virtuelles Screening von Bibliotheken mit Milliarden Verbindungen

Novartis berichtete im Februar 2026, dass das Unternehmen 1,2 Milliarden virtuelle Verbindungen gegen ein KRAS-G12C-Mutanten-Ziel in nur 11 Tagen mit AF3-Vorhersagen auf einem 512-H200-GPU-Cluster durchsuchte. Derselbe Screen mit traditionellem Docking hätte sechs Monate gedauert und die physische Synthese und Testung von mindestens 500.000 Verbindungen erfordert, um vergleichbare Trefferquoten zu erzielen. Das Team identifizierte 23 neue Leitstrukturen, von denen vier innerhalb von 60 Tagen in Bestätigungsassays überführt wurden.

2. Selektivitätsprofilierung über Proteinfamilien hinweg

Eines der kostspieligsten Probleme in der frühen Arzneimittelentwicklung ist die Off-Target-Selektivität – eine Verbindung, die zwar das gewünschte Ziel trifft, aber auch eine verwandte Kinase oder einen GPCR in ähnlichen Konzentrationen hemmt. Die Onkologie-Abteilung von Roche lässt nun jede Leitverbindung vor der Synthese durch AF3-Vorhersagen gegen ein Panel von 847 menschlichen Proteinen laufen. In einem Pilotprojekt mit 200 historischen Verbindungen hätte dieser Ansatz 68 % der Off-Target-Probleme erkannt, die erst in der späten Toxikologiephase auffielen.

3. Identifizierung kryptischer Bindungstaschen

Einige der klinisch validiertesten Wirkstoffziele – darunter mehrere Transkriptionsfaktoren und Protein-Protein-Interaktionsflächen – galten lange als „undruggable“, weil in Kristallstrukturen keine offensichtlichen Bindungstaschen erkennbar waren. AF3s Fähigkeit, Konformationsensembles zu modellieren, hat bei mehreren dieser Ziele vorübergehende Taschen aufgedeckt. Ein Team des Broad Institute veröffentlichte im März 2026 Ergebnisse, die zeigen, dass AF3 eine kryptische allosterische Tasche in der MYC-MAX-Schnittstelle korrekt vorhersagte – ein Ziel, das seit 30 Jahren der Intervention mit kleinen Molekülen widersteht und mit verschiedenen Krebsarten in Verbindung gebracht wird.

Was AlphaFold 3 nicht ersetzt

AF3 ist kein Ersatz für Nasslabore. Vorhergesagte Bindungsaffinitäten müssen vor dem Vorrücken von Verbindungen experimentell bestätigt werden. Das Modell hat bekannte Schwachstellen: Es schneidet schlecht ab bei hochflexiblen Proteinen, bei Zielen mit erheblichen induzierten Anpassungseffekten, die nicht in den Trainingsdaten erfasst sind, und bei der Entwicklung kovalenter Inhibitoren. Membranproteine – eine große und pharmakologisch wichtige Klasse – bleiben schwerer präzise zu modellieren.

ADMET-Eigenschaften (Absorption, Verteilung, Metabolismus, Ausscheidung, Toxizität) liegen vollständig außerhalb des Anwendungsbereichs von AF3. Eine Verbindung kann ein perfekter Binder sein und dennoch klinisch scheitern, etwa aufgrund schlechter Pharmakokinetik oder Lebertoxizität. Die Vorhersage dieser Eigenschaften erfordert separate Modelle, und das Feld hat hier noch nicht dieselbe Genauigkeit erreicht.

Die wirtschaftlichen Auswirkungen auf Arzneimittelentwicklungszeitpläne

Der traditionelle Entwicklungsprozess für kleine Moleküle – von der Zielidentifizierung bis zur IND-Einreichung – dauert etwa 4–6 Jahre und kostet 300–500 Millionen US-Dollar. Die zeitintensivste Phase – die Trefferidentifizierung bis zur Leitstruktur-Optimierung – macht davon 18–30 Monate aus. McKinseys Life-Sciences-Praxis schätzte in einem Bericht vom Mai 2026, dass der flächendeckende Einsatz von AF3 diese Phase für geeignete Ziele auf 8–14 Monate verkürzen könnte, was die präklinischen Kosten um 35–45 % senken würde.

Das ist keine marginale Effizienzsteigerung. Es ist der Unterschied zwischen einem Biotech-Unternehmen mit einer 150-Millionen-Dollar-Series-B-Finanzierung, das zwei statt nur einen Versuch in der Arzneimittelentwicklung hat. Bei Programmen für seltene Erkrankungen, bei denen die Patientenzahlen klein und die kommerziellen Erträge begrenzt sind, verschieben sich die Wirtschaftlichkeitsberechnungen der Arzneimittelentwicklung so stark, dass zuvor unrentable Projekte plötzlich machbar werden.

Praktische Handlungsempfehlungen

• Wenn Sie in der Pharma- oder Biotech-Branche arbeiten: Die AF3-API (verfügbar über Google Cloud Life Sciences) ist produktionsreif für virtuelle Screenings löslicher, globulärer Proteinziele. Integrieren Sie sie vor Ihrer nächsten HTS-Kampagne, nicht danach.
• Wenn Sie computergestützte Chemieplattformen evaluieren: Vergleichen Sie AF3 mit Ihren internen retrospektiven Daten, bevor Sie Lizenzen für Docking-Software erwerben. Die Genauigkeitslücke hat sich in den letzten 18 Monaten deutlich vergrößert.
• Wenn Sie Biotech-Investitionen verfolgen: Unternehmen, deren Pipeline stark von Zielen mit bekannten Kristallstrukturen und klar definierten Bindungstaschen abhängt, sehen sich nun kürzeren Differenzierungsfenstern gegenüber – ihr computergestützter Vorsprung ist kleiner als noch vor zwei Jahren.
• Achten Sie auf: Der nächste Wendepunkt wird die ADMET-Vorhersage sein. Mehrere Gruppen trainieren multimodale Modelle, die AF3-ähnliche Strukturvorhersagen mit pharmakokinetischen Daten kombinieren. Sollte dieses Problem mit ähnlicher Genauigkeit gelöst werden, steht eine strukturelle Verkürzung des 4–6-jährigen Entdeckungszeitraums bevor.