Teknik ·

När AI knäckte proteinernas vikningskod

AlphaFold löste ett femtio år gammalt problem på två år

I ett halvt sekel kämpade forskarna med att förutsäga hur proteiner veckar sig i tre dimensioner. Sedan kom DeepMinds AlphaFold – och med det ett Nobelpris, en databas med 200 miljoner strukturer och en ny era för läkemedelsutveckling.

16 oktober 2026 · 13 min läsning

0:000:00

Uppläst av tidningens berättarröst

Problemet som inte ville ge sig

Allt levande bygger på proteiner. De bär syret i blodet, bryter ner maten, försvarar kroppen mot virus och håller samman cellernas skelett. Men ett proteins funktion bestäms inte av dess byggstenar i sig – de tjugo aminosyror som länkas samman i långa kedjor – utan av hur kedjan veckar sig till en exakt tredimensionell form. Samma kedja, felaktigt vikt, kan orsaka allt från cystisk fibros till Alzheimers sjukdom.

Redan 1961 visade den amerikanske biokemisten Christian Anfinsen att ett proteins struktur i princip är in kodad i dess aminosyrasekvens – en upptäckt som gav honom Nobelpriset i kemi 1972. Men att gå från princip till praktisk förutsägelse visade sig vara en av biologins svåraste nötter. Antalet möjliga sätt en kedja kan vecka sig på är astronomiskt; att räkna igenom dem skulle ta längre tid än universums ålder.

I femtio år var den enda tillförlitliga vägen framåt experimentell: röntgenkristallografi, kryo-elektronmikroskopi och NMR-spektroskopi. Varje struktur kunde ta år av arbete och kosta hundratusentals kronor. När 2020-talet inleddes hade forskarvärlden efter decennier av möda kartlagt strukturen för cirka 170 000 proteiner – en droppe i havet mot de hundratals miljoner som finns i naturen.

En proteinstruktur visualiseras som ett banddiagram. AlphaFolds modeller jämförs direkt med experimentella strukturer.

Tävlingen där allt förändrades

Sedan 1994 har forskare mätt sina krafter i CASP – Critical Assessment of protein Structure Prediction – en tävling där deltagarna får förutsäga strukturer som experimentellt bestämts men ännu inte publicerats. År 2018 dök ett nytt lag upp: DeepMind, Googles Londonbaserade AI-bolag, med systemet AlphaFold. Det vann, men med blygsam marginal.

Två år senare, i CASP14, hände något som få i forskarvärlden hade trott var möjligt. AlphaFold 2 nådde en träffsäkerhet som tävlingens organisatörer bedömde som jämförbar med experimentella metoder. John Moult, den strukturbiolog vid University of Maryland som lett CASP sedan starten, förklarade att problemet i princip var löst.

Bakom systemet stod ett team lett av John Jumper, med DeepMinds grundare Demis Hassabis som drivande strateg. Där AlphaFold 1 byggt på standardteknik inom djupinlärning var version 2 en helt ny arkitektur, skräddarsydd kring evolutionär information: genom att jämföra tusentals besläktade proteinsekvenser kan systemet läsa ut vilka aminosyror som påverkar varandra – och därmed vilka delar av kedjan som sitter ihop i den färdiga strukturen.

Nobelpris och öppen databas

Sommaren 2021 tog DeepMind och Europeiska bioinformatikinstitutet EMBL-EBI ett beslut som förändrade forskningens vardag: de publicerade förutsagda strukturer för i stort sett hela det mänskliga proteomet – och sedan för över 200 miljoner proteiner från alla kända organismer. Databasen är fri att använda för vem som helst.

Effekten blev omedelbar. Forskare som tidigare lagt år på att knäcka en enda struktur kunde nu hämta en mycket god förutsägelse på sekunder. Inom två år hade AlphaFold citerats i tiotusentals studier: om malariaparasitens invasionsproteiner, om antibiotikaresistens, om enzym som kan bryta ner plast, om honungsbinas immunsvar.

Hösten 2024 tilldelades Demis Hassabis och John Jumper Nobelpriset i kemi, tillsammans med David Baker vid University of Washington i Seattle, som prisades för den kompletterande bedriften: att med beräkningsmetoder designa helt nya proteiner som aldrig funnits i naturen. Det var första gången ett Nobelpris i kemi belönade ett AI-system.

Robotiserade plattformar testar läkemedelskandidater mot proteinstrukturer. Förutsagda strukturer har dramatiskt kortat tiden från idé till experiment.

Vad det betyder för medicinen

Läkemedelsutveckling är beryktat långsam och dyr – i genomsnitt tar ett nytt läkemedel över tio år att ta fram. En stor del av arbetet går åt till att förstå det målprotein som läkemedlet ska binda till. Med tillgång till strukturer för nästan alla mänskliga proteiner kan forskarna nu börja med kartan i stället för att först behöva rita den.

DeepMinds systerbolag Isomorphic Labs, som leds av Hassabis, tillämpar tekniken direkt på läkemedelsdesign och har tecknat samarbeten med läkemedelsjättar. Samtidigt har öppen källkod-efterföljare som RoseTTAFold från Bakers laboratorium gjort tekniken tillgänglig långt utanför de stora bolagens murar.

Men forskarna poängterar att strukturerna är förutsägelser, inte sanningar. AlphaFold anger ett säkerhetsmått för varje del av modellen, och för många tillämpningar – särskilt där exakt geometri avgör om ett läkemedel binder – krävs fortfarande experimentell bekräftelse. Oordnade proteinregioner, som saknar fast struktur, klarar systemet fortfarande dåligt.

Experimentens revansch

Paradoxalt nog har AI-genombrottet inte gjort de tunga experimentella metoderna överflödiga – tvärtom. Kryo-elektronmikroskopi, som belönades med Nobelpriset i kemi 2017, har fått nytt bränsle: med AlphaFold-modeller som utgångspunkt kan forskarna tolka mikroskopbilder snabbare och säkrare. Kombinationen har visat sig särskilt stark för stora proteinkomplex, där många molekyler grips samman.

Kryo-elektronmikroskop av typen som används för att experimentellt bestämma proteiners strukturer – nu ofta i kombination med AI-modeller.

Nästa front: komplexen och läkemedlen

2024 presenterade DeepMind AlphaFold 3, som inte bara förutsäger enskilda proteiner utan hur proteiner binds samman med DNA, RNA och små molekyler – det vill säga just de interaktioner som läkemedel bygger på. Samtidigt arbetar Bakers grupp med generativa metoder som ritat helt nya proteiner: potentiella vacciner, enzym och nanomaterial.

Grundproblemet från Anfinsens dagar är inte längre en mur. Frågan har flyttats: från "hur veckar sig proteinet?" till "vad kan vi bygga med det?". För en hel forskargeneration har verktygslådan bytts ut – och det som tog femtio år att knacka på, öppnades på några få.