AlphaFold und CRISPR Gen-Schere

Seit Mai 2024 kann ein Rechner in Amsterdam oder London die dreidimensionale Gestalt eines CRISPR-Cas9-Komplexes vorhersagen, ohne dass eine einzige Proteinkristallisationsschale angesetzt wurde. AlphaFold 3, entwickelt von Google DeepMind und Isomorphic Labs, erweitert das bekannte Strukturvorhersage-Modell auf Protein-Nukleinsäure-Interaktionen — also genau jene Bindungen, die entscheiden, ob eine Gen-Schere dort schneidet, wo sie soll, oder drei Basenpaare daneben.

Was das konkret bedeutet: Ein Labor an der Universität Zürich oder der ETH, das einen neuen guide-RNA-Kandidaten entwirft, kann dessen Bindungsgeometrie im Komplex mit Cas9 innerhalb von Stunden modellieren. Die Alternative — Röntgenkristallografie — erfordert das Züchten stabiler Proteinkristalle, Synchrotron-Messzeit und anschließende Phasenbestimmung. Wochen, manchmal Monate. Die Frage ist nicht mehr, ob KI-Strukturvorhersage schneller ist. Die Frage ist, was diese Geschwindigkeit mit dem Rest des Systems macht.

Was AlphaFold 3 kann — und was nicht

CRISPR-Cas-Systeme tolerieren nach aktuellem Forschungsstand bis zu drei Basen-Fehlpaarungen zwischen guide-RNA und DNA-Zielsequenz, bevor die Schneidaktivität signifikant abnimmt. Off-Target-Effekte entstehen genau dort: an Stellen im Genom, die der Zielsequenz ähneln, aber nicht mit ihr identisch sind. Klassische in-silico-Vorhersagen arbeiten sequenzbasiert — sie suchen ähnliche Sequenzmuster im Referenzgenom und berechnen Bindungswahrscheinlichkeiten aus thermodynamischen Parametern.

AlphaFold 3 geht einen Schritt weiter: Es sagt nicht nur Sequenzaffinität, sondern die tatsächliche Kontaktgeometrie des Komplexes voraus — welche Aminosäuren von Cas9 welche Nukleinbasen der guide-RNA oder des DNA-Substrats berühren, welche Konformationen der Komplex in verschiedenen Bindungszuständen annimmt. Das ist strukturell eine andere Informationsebene als reine Sequenzähnlichkeit.

Versprochen werden damit präzisere Off-Target-Vorhersagen. Belegt ist das bisher nicht. Es existieren keine publizierten Daten, die direkt die Fehlerraten von Off-Target-Effekten quantifizieren, die ausschließlich durch AlphaFold-3-basierte Kontaktmodellierung im Vergleich zu experimentellen Methoden nachgewiesen wurden. Die Lücke zwischen dem Potenzial des Modells und seiner empirisch belegten Wirkung auf Off-Target-Raten ist real — und sie ist derzeit nicht geschlossen.

Hinzu kommt ein konzeptuelles Problem: AlphaFold 3 sagt Gleichgewichtsstrukturen voraus. Ob ein Cas9-Komplex an einer Off-Target-Stelle schneidet, hängt aber nicht nur von der Bindungsgeometrie ab, sondern von kinetischen Größen — wie lange der Komplex bindet, wie schnell er dissoziiert, wie oft er in aktive Konformation gelangt. Diese Dynamik steckt nicht in einer statischen Strukturvorhersage.

Die Schere zwischen Simulation und Validierung

Daran schließt die eigentliche strukturelle Spannung des Feldes an: Simulationsleistung und Validierungspflicht wachsen nicht im Gleichtakt. Neue KI-Werkzeuge für CRISPR entstehen schneller, als die Prüfrahmen mitwachsen.

Das Zürcher Labor der Gruppe, die im August 2025 die KI-gestützte Genomeditierungsmethode "Pythia" veröffentlichte, zeigt, wie das in der Praxis aussieht. Pythia sagt die DNA-Reparaturmuster nach einem CRISPR-Schnitt vorher — die Zelle entscheidet nicht zufällig, wie sie die Bruchstelle wieder zusammenfügt, und Pythia modelliert diese Entscheidung. Das verbessert die Präzision der Editierung. Es schafft aber auch ein neues Validierungsproblem: Wer ein KI-generiertes CRISPR-Protein einsetzt, das durch ein KI-Reparaturmodell optimiert wurde, sitzt in einer Kette von Vorhersagen, die jeweils ihre eigene Validierungsgeschichte mitbringen.

Das Startup Profluent hat 2024 vollständig KI-generierte CRISPR-Proteine als Open Source veröffentlicht — Sequenzen, die kein natürliches Vorbild haben und von einem Sprachmodell für Proteine entworfen wurden. Sie funktionieren im Labor. Ob ihre Off-Target-Profile systematisch charakterisiert sind, ist eine andere Frage.

Der Industriestandard hat auf diese Entwicklungen bereits reagiert — aber nicht durch eine Öffnung, sondern durch eine Erhöhung der experimentellen Hürden. In-silico-Vorhersagen allein reichen für regulatorische Zulassungen nicht mehr aus. Der Standard sind experimentelle Assays: GUIDE-seq, CIRCLE-seq, DISCOVER-seq. Diese Methoden erfassen Off-Target-Schnitte direkt im lebenden Zellsystem, unabhängig davon, was ein Strukturmodell vorhergesagt hat. Das ist der Kontrast, der das Feld definiert: Modelle werden besser und schneller, der Beweistandard bleibt experimentell.

Regulierung: zehn Prinzipien, ein offener Punkt

Im Januar 2026 veröffentlichten EMA und FDA gemeinsam zehn Prinzipien für gute KI-Praxis in der Arzneimittelentwicklung. Sie decken Bereiche wie risikobasiertes Vorgehen, Data Governance, menschliche Kontrolle und Transparenz ab. Die Grundrichtung ist richtig: KI-Modelle, die in Zulassungsverfahren eingehen, müssen dokumentiert, validiert und auditierbar sein.

Was die Prinzipien nicht beantworten, ist die spezifische Frage, welche Evidenz ein AlphaFold-3-basiertes Off-Target-Profil liefern muss, damit es in einem ATMP-Zulassungsverfahren nach der ATMP-Verordnung (EG) Nr. 1394/2007 zählt. Die EMA behandelt KI als Werkzeug im Entwicklungsprozess, nicht als eigenständigen Evidenztyp. Das ist sachlich vertretbar. Es bedeutet aber auch: Wer KI-Strukturvorhersagen nutzt, muss deren Ergebnisse weiterhin durch experimentelle Methoden stützen — das Modell beschleunigt die Hypothesenbildung, ersetzt aber nicht den Versuch.

CASGEVY, die erste CRISPR-basierte Gentherapie, die im Februar 2024 bedingte Marktzulassung durch EMA und Europäische Kommission erhielt, wurde nach den bestehenden ATMP-Leitlinien zugelassen — nicht unter einem neuen KI-spezifischen Rahmen. Die bedingte Zulassung bedeutet: Weitere Daten zur Langzeitsicherheit werden im Rahmen der Nachzulassungsstudien erhoben. Off-Target-Monitoring bleibt Auflage.

Aus Sicht der Effizienz-Achse entsteht hier ein messbarer Konflikt. KI verkürzt die frühen Entwicklungsschritte erheblich — strukturbasiertes Design in Stunden statt Monaten. Der regulatorische Beweistandard bleibt aber experimentell verankert. Das Ergebnis ist kein Gewinn an Gesamtzeit, sondern eine Verschiebung: Die experimentelle Phase beginnt mit besser informierten Kandidaten, dauert aber ähnlich lang.

Was als Nächstes sichtbar wird

Ob AlphaFold-3-basierte Off-Target-Modellierungen regulatorischen Evidenzwert erhalten, wird sich in den nächsten zwei bis drei Jahren an einem konkreten Punkt zeigen: wenn ein Unternehmen erstmals versucht, strukturbasierte KI-Vorhersagen als primären Off-Target-Nachweis in ein ATMP-Dossier bei der EMA einzureichen — und wenn die CAT-Gutachter entscheiden, ob das ausreicht. Bis dahin gilt die Grundspannung des Feldes: Die Simulation läuft schneller. Der Nachweis muss trotzdem wachsen.