Ein Protein in Alltagssprache bestellen – ob es funktioniert, entscheidet das Labor

Die schnellste Beschreibung dessen, was Pinal tut, leiht sich ein Wort aus der Softwarewelt: Vibe Coding, nur für Proteine.

Eine große, von Forschenden in China geführte Kollaboration hat in Nature ein System veröffentlicht, das eine Beschreibung in Alltagssprache entgegennimmt – was ein Protein tun soll – und eine Sequenz zurückgibt, die es tun könnte. Zielgruppe sind nicht Strukturbiologen, die längst wissen, welche Aminosäure wo sitzt, sondern die viel größere Gruppe praktisch arbeitender Biologen, die wissen, was sie wollen, aber die Werkzeuge nicht konfigurieren können.

Die Pipeline hat zwei Stufen. Ein Modul namens T2struct übersetzt den Prompt in eine lineare Folge von Tokens, die für jede Aminosäure deren räumliche Beziehung zu den Nachbarn kodieren, jeweils mit Wahrscheinlichkeit. Danach nimmt SAProt-T sowohl den ursprünglichen Text als auch diesen Bauplan und bewertet global neu, um die Sequenz zu erzeugen. Die Autoren argumentieren, der globale Durchgang verhindere, dass ein etwas unwahrscheinlicheres Grundgerüst verworfen wird, das eine weit bessere funktionale Sequenz tragen könnte.

Das Training war der grobe Teil. Das Team übersetzte Funktions-Tags von Proteinen mit einem LLM in Alltagssprache und trainierte auf beidem, mit Sequenzen aus drei Datenbanken, gepaart mit von AlphaFold vorhergesagten Strukturen; allein eine der Datenbanken steuerte 800 Millionen Schlüsselwort-Protein-Paare bei.

Bei den Tests trifft der Hype auf die Laborbank. Für ein fluoreszierendes Protein erzeugte Pinal 50.000 Entwürfe. Diese wurden gefiltert: alles, was bekannten fluoreszierenden Proteinen ähnelte, flog raus, verlangt wurden eine GFP-ähnliche Fassstruktur und die entscheidende modifizierbare Aminosäure. Übrig blieben 29 Kandidaten. Alle 29 wurden in E. coli exprimiert. Genau einer fluoreszierte.

Nüchtern gelesen ist das eine Trefferquote von 3,4 Prozent auf der Shortlist und ein Rundungsfehler gegenüber den 50.000. Im Kontext ist es weniger vernichtend, als es aussieht: Der Filter warf absichtlich die Entwürfe weg, die am wahrscheinlichsten funktionieren würden, weil sie bekannten Proteinen glichen, und getestet wurden überhaupt nur Kandidaten mit Fassstruktur. Dasselbe Muster zeigte sich bei zwei Enzymen und einem Protein, das an einem großen Komplex beteiligt ist.

Unabhängig davon veröffentlichten Hugging Face mit der Zhongguancun Academy und der Universität Neapel Federico II Carbon X, ein offenes Modell mit Gewichten, das denselben Trick eine Ebene tiefer beherrscht – in DNA. Es baut auf einem Sprachmodell mit 14 Milliarden Parametern auf, das auf DNA nachtrainiert und dann mit Reinforcement Learning und überwachtem Feintuning angepasst wurde. Das Team beschreibt das Mitteltraining als Balanceakt: Eine niedrige Lernrate erhält Englisch, lässt DNA aber auf Zufallsniveau; eine hohe lernt DNA und vergisst Englisch. Das Ergebnis liest und schreibt beides, sodass man eine Sequenz einfügen und fragen kann, was der Austausch einer Base bewirken würde.

Hugging Faces Argument ist nicht Benchmark-Überlegenheit – das Team berichtet von Leistung auf Augenhöhe mit großen kommerziellen Modellen wie GPT-6.1 Sol, ohne Publikation dahinter –, sondern Lokalität. Die Demo lief auf einem MacBook, was wiederholte Anfragen billig macht und proprietäre Sequenzen von fremden Servern fernhält. Die Einschränkungen sind real: Das Modell ist schwach darin, Positionen in langen Sequenzen genau zu benennen, und halluziniert bei vagen Prompts.

Keines der Systeme ersetzt die Biologin. Eine Sequenz zu bekommen ist leicht; sie zu screenen und zu testen braucht Geräte, Reagenzien und geschulte Hände. Was sich ändert, ist, wer anfangen kann.