55 Jahre Protein Data Bank: Aus offenen Daten lernte die Nobelpreis-KI

Am 20. Oktober 1971 erschien in der Fachzeitschrift Nature New Biology eine kurze Ankündigung: Es gibt jetzt eine gemeinsame Sammelstelle für die dreidimensionalen Baupläne von Proteinen. Genau 55 Jahre später, am 20. Oktober 2026, lud der internationale Betreiberverbund zum Jubiläum zu gestreamten Vorträgen ein. Im Mittelpunkt steht eine Idee, die bis heute trägt: Daten, die Labore in jahrelanger Arbeit gewonnen haben, gehören allen.

Was aus dieser Idee geworden ist, lässt sich in Zahlen fassen. Laut dem Betreiberverbund wwPDB umfasst das Archiv inzwischen mehr als 260.000 Einträge: Proteine, Nukleinsäuren und große molekulare Komplexe. Allein 2025 reichten Forschende über 20.000 neue Strukturen ein, und die Daten wurden im selben Jahr mehr als 4,7 Milliarden Mal abgerufen. Und aus diesem Fundus hat eine KI gelernt, deren Entwickler 2024 mit dem Chemie-Nobelpreis ausgezeichnet wurden.

Ein Dutzend Proteine und ein Stapel Lochkarten Die Geschichte beginnt 1971 am Cold Spring Harbor Laboratory in den USA. Dort trafen sich Fachleute zu einem Symposium über die räumliche Struktur von Proteinen. Bekannt war damals der Aufbau von gerade einmal rund einem Dutzend Proteinen. Darunter waren Myoglobin und Hämoglobin, deren Entschlüsselung John Kendrew und Max Perutz 1962 den Chemie-Nobelpreis eingebracht hatte. Perutz rief am Rand der Tagung Kolleginnen und Kollegen zu einem informellen Treffen zusammen, unter ihnen die Nobelpreisträgerin Dorothy Hodgkin. Die Frage: Wie sammelt und verteilt man diese kostbaren Daten?

Die Antwort war eine Datenbank am Brookhaven National Laboratory, nur ein paar Autobahnausfahrten entfernt, aufgebaut vom Chemiker Walter Hamilton. Eine zweite sollte in Großbritannien entstehen. Was heute ein Klick ist, war damals Handarbeit: Jedes Atom stand auf einer eigenen Lochkarte. Allein die Daten eines einzigen Proteins wie Hämoglobin hätten mehr als 1.000 Karten bedeutet.

Von 77.000 auf über 260.000 Das Archiv wuchs langsam, dann immer schneller. Zum 40. Geburtstag 2011 waren mehr als 77.000 Strukturen abrufbar. 2023 knackte die Sammlung die Marke von 200.000 Einträgen. Am 1. Januar 2026 zählte sie 246.905 Strukturen, Anfang März 2026 meldete der Verbund einen Rekordstand von 250.441 Einträgen, und zum Jubiläum im Oktober 2026 sind es mehr als 260.000.

Getragen wird das Archiv seit 2003 von einem internationalen Verbund, der Worldwide Protein Data Bank. Gegründet haben ihn die US-amerikanische RCSB PDB, die japanische PDBj und die europäische PDBe, die am Europäischen Bioinformatik-Institut EMBL-EBI im britischen Hinxton sitzt. 2006 kam die Datenbank für Kernspinresonanz-Daten BMRB dazu, 2021 die Elektronenmikroskopie-Datenbank EMDB. Das Prinzip gilt bis heute: Die Daten sind frei und öffentlich zugänglich, für Forschende genauso wie für Lehrkräfte und Neugierige.

Wie aus geteilten Daten eine Nobelpreis-KI wurde Warum ist das eine so gute Nachricht? Weil sich die Geduld vieler Labore über Jahrzehnte auf eine Weise ausgezahlt hat, die 1971 niemand ahnen konnte. Die Struktur eines Proteins experimentell zu bestimmen, kostet nach Angaben des AlphaFold-Teams Monate bis Jahre mühsamer Arbeit. Die Frage, wie man die Form eines Proteins allein aus seiner Bauanleitung vorhersagt, galt mehr als 50 Jahre lang als offenes Problem.

2021 beschrieb ein Team von DeepMind um John Jumper in der Fachzeitschrift Nature das KI-System AlphaFold. Trainiert wurde es auf einer Kopie der Protein Data Bank mit Strukturen, die bis Ende April 2018 veröffentlicht worden waren. Ergänzt wurde das durch weitere Sequenzdatenbanken und durch Strukturen, die das Netz selbst vorhergesagt hatte. Das Fundament aber bildeten die experimentell bestimmten Strukturen aus dem offenen Archiv. Im Vorhersagewettbewerb CASP14 lag AlphaFold bei der Genauigkeit des Protein-Rückgrats im Median bei 0,96 Ångström Abweichung, das nächstbeste Verfahren bei 2,8 Ångström.

2024 erhielten Demis Hassabis und John Jumper dafür die eine Hälfte des Chemie-Nobelpreises, die andere ging an David Baker für das computergestützte Design neuer Proteine. Und der offene Gedanke lebt weiter: Das EMBL-EBI und Google DeepMind stellen die Vorhersagen frei zur Verfügung. Die AlphaFold-Datenbank startete 2021 mit gut 360.000 Vorhersagen; Ende 2024 umfasste sie laut EMBL rund 200 Millionen Proteinstrukturen aus über einer Million Organismen. Mehr als eine Million Nutzerinnen und Nutzer aus fast allen Ländern haben sie seit dem Start verwendet.

Ein Stück davon kommt aus Deutschland Zu den Experimenten, aus denen die Trainingsdaten stammen, hat auch das Europäische Laboratorium für Molekularbiologie beigetragen, unter anderem mit seinen Messplätzen für Röntgenstrahlung in Hamburg und seinen Kryo-Elektronenmikroskopen in Heidelberg. So liefern Forschungsstandorte in Deutschland ganz direkt Bausteine für ein weltweit offenes Archiv.

Was die KI nicht ersetzt So beeindruckend die Vorhersagen sind: Sie sind kein Ersatz für Experimente. Die AlphaFold-Entwickler selbst beschreiben die Genauigkeit als in der Mehrheit der Fälle vergleichbar mit experimentellen Strukturen, also nicht in allen. Geprüft wurde die KI wiederum an neuen Strukturen, die Labore ins Archiv eingespeist hatten. Deshalb wächst die Protein Data Bank weiter, und auch das System dahinter wird modernisiert: Weil die vierstelligen Kennungen voraussichtlich bis 2028 aufgebraucht sein werden, soll ab dem 21. Juli 2027 ein neues Archiv mit längeren Kennungen das bisherige ablösen.

Die schönste Pointe dieser Geschichte ist vielleicht ihre Bescheidenheit. Ein paar Forschende entschieden 1971, ein Dutzend mühsam gewonnener Baupläne miteinander zu teilen, statt sie für sich zu behalten. 55 Jahre und Hunderttausende Strukturen später zeigt sich, wie weit so eine Entscheidung tragen kann.