AI designer nå proteiner fra bunnen av – og det endrer legemiddeljakten

AI designer nå proteiner fra bunnen av – og det endrer legemiddeljakten

Strukturbiologien er på vei inn i en ny fase. Etter at AlphaFold løste gåten med å forutsi hvordan proteiner folder seg, har feltet beveget seg videre til noe mer ambisiøst: å designe helt nye proteiner fra bunnen av. AI-verktøy som RFdiffusion og BindCraft lar forskere lage proteinbindere – molekyler som fester seg presist til et bestemt mål – med suksessrater som gjør at det noen ganger holder å teste så få som ti kandidater i laboratoriet. Det er et skritt mot raskere og billigere legemiddelutvikling.

Fra å forutsi til å designe

For å forstå hva som er nytt, hjelper det å skille to oppgaver. Den første er å forutsi: gitt et eksisterende protein, hvordan folder det seg? Det var AlphaFolds gjennombrudd. Den andre er å designe: gitt et mål, lag et helt nytt protein som binder seg til det. Det er en vanskeligere oppgave, fordi den krever å finne en struktur som ikke finnes i naturen fra før.

En binder er nettopp et slikt designet protein, laget for å feste seg til en bestemt struktur – for eksempel et sykdomsfremkallende molekyl eller en reseptor på en celle. Hvis du kan designe en binder som treffer akkurat det målet du vil, har du grunnlaget for alt fra diagnostiske sensorer til medisiner. Utfordringen har historisk vært at det krevde å teste tusenvis av kandidater for å finne én som virket.

Det er her AI har endret regnestykket. Den modne arbeidsflyten kombinerer flere verktøy: RFdiffusion genererer selve protein-ryggraden, ProteinMPNN optimaliserer aminosyresekvensen, og AlphaFold2 brukes til å sjekke om strukturen er fysisk realistisk. Resultatet er at antallet kandidater som må testes eksperimentelt, har falt dramatisk.

Hvorfor suksessraten betyr alt

Det viktigste tallet i denne utviklingen er ikke hvor avanserte modellene er, men hvor få forsøk som trengs. Når forskere rapporterer at så få som ti design må testes for å finne en binder med høy affinitet, er det en praktisk revolusjon. Hvert eksperiment koster tid og penger, og en arbeidsflyt som krever ti tester i stedet for tusen, gjør binderdesign rask og økonomisk gjennomførbar.

Nyere verktøy presser dette videre. BindCraft, for eksempel, designer funksjonelle bindere i ett steg og tar hensyn til at målproteinet er fleksibelt, ved å folde binder og mål sammen i hver runde. Andre tilnærminger jobber på atomnivå for å bli enda mer presise. Retningen er tydelig: binderdesign er i ferd med å bli en skalerbar ingeniørdisiplin snarere enn et prøv-og-feil-håndverk.

Samtidig er det grunn til nøkternhet. Uavhengige studier har vist at de samme verktøyene fortsatt kan ha lav suksessrate for visse krevende oppgaver, som å designe bindere for bestemte biokjemiske deteksjonsformål. Et verktøy som glimrer på ett problem, er ikke nødvendigvis like sterkt på et annet.

Hvor langt unna ekte medisiner står det

Det er fristende å lese «AI designer proteiner» som «AI lager nye medisiner», men avstanden mellom de to er fortsatt stor. En designet binder som virker i et reagensrør, må gjennom omfattende videre arbeid: den må vise seg trygg, stabil og effektiv i celler, deretter i dyr, og til slutt i kliniske studier på mennesker. Det er en lang og kostbar vei der de fleste kandidater faller fra.

Den realistiske konklusjonen er at AI-drevet proteindesign forkorter og forbilliger den aller første og mest usikre fasen – det å finne lovende kandidater. Det er en reell og viktig forbedring, men ikke en snarvei forbi sikkerhetstesting og regulatorisk godkjenning. For norske forskningsmiljøer og bioteknologiselskaper er det likevel et verktøysett verdt å følge tett, fordi det senker terskelen for å delta i et felt som tidligere krevde enorme ressurser.

«I den modne arbeidsflyten genererer forskere protein-ryggrader med RFdiffusion, optimaliserer sekvensen med ProteinMPNN og screener strukturen med AlphaFold2. Rapporterte suksessrater viser at så få som ti design kan trenge eksperimentell testing for å identifisere bindere med høy affinitet, noe som gjør binderdesign raskt og økonomisk.» — Oppsummert fra fagfellevurdert litteratur om de novo proteindesign, 2025–2026 (cell.com)

Ofte stilte spørsmål

Hva er de novo proteindesign? Det er å designe helt nye proteiner fra bunnen av, i stedet for å studere proteiner som finnes i naturen. AI-verktøy lager en struktur som treffer et bestemt mål – for eksempel en binder som fester seg presist til et sykdomsmolekyl. Det er et steg videre fra AlphaFold, som forutså hvordan eksisterende proteiner folder seg.

Hvorfor er lav suksessrate-terskel et gjennombrudd? Fordi hvert laboratorieforsøk koster tid og penger. Når så få som ti designkandidater må testes for å finne én som virker, blir binderdesign rask og økonomisk gjennomførbar. Tidligere kunne det kreve tusenvis av forsøk. Det er denne effektiviseringen, ikke modellenes kompleksitet, som er det praktiske gjennombruddet.

Betyr dette at AI lager nye medisiner nå? Nei, ikke direkte. AI forkorter den første fasen med å finne lovende kandidater. Men en binder som virker i et reagensrør, må fortsatt vise seg trygg og effektiv i celler, dyr og kliniske studier på mennesker før den kan bli en medisin. Det er en lang vei der de fleste kandidater faller fra.