Das Berliner Startup provolut bietet eine KI-Plattform zur Optimierung von Proteinen. Biotech- und Pharmaunternehmen laden Messdaten hoch, die Software schlägt Proteinvarianten vor, die im Labor getestet werden. Nach Angaben des Unternehmens sind so gleiche Ergebnisse mit bis zu 100-mal weniger Experimenten möglich als bei klassischen Screening-Verfahren. Unabhängig geprüft ist dieser Wert nicht.
So funktioniert die Plattform
provolut ist als Webanwendung angelegt. Nutzer laden einen experimentellen Datensatz hoch, mindestens rund 20 Datenpunkte, und legen Designparameter fest, etwa zufällige Mutationen oder systematische Mutationsscans. Die Software liefert Vorhersagen für Proteinvarianten, die das Labor validiert; neue Ergebnisse fließen wieder in das Modell ein, der Zyklus wiederholt sich. Das Prinzip: Statt tausende Varianten zu testen, wählt ein Modell die aussichtsreichsten aus.
Als Anwendungsfelder nennt provolut Pharma, industrielle Biotechnologie und grüne Biotechnologie, konkret die Optimierung von Antikörpern, Enzymen und pflanzlichem Stoffwechsel. Zu den Kunden zählen laut Webseite Ginkgo Bioworks, Huvepharma, das Max-Planck-Institut und die Ruhr-Universität Bochum. In einem Fallbeispiel testete das Max-Planck-Institut 161 vom Algorithmus vorgeschlagene Varianten statt, wie zuvor, mehr als 10.000 Versuche von Hand, und fand Kandidaten mit 2,8-fach höherer Kohlenstofffixierungseffizienz und 60 Prozent geringerem Energieverbrauch.
Das Team besteht aus Ingmar Schuster (CEO, mehr als zehn Jahre Erfahrung in maschinellem Lernen und Statistik), Philipp Markert (COO) und der Biochemikerin Jelena Ivanovska, die als Chief Science Officer die wissenschaftliche Seite verantwortet. Als Unterstützer nennt das Unternehmen AIX Ventures und Atlantic Labs; es nimmt am Förderprogramm Pro FIT teil. Die Rechenzentren stehen in Deutschland und sind nach DIN ISO 27001 zertifiziert und SOC2-konform. Eine Finanzierungssumme nennt das Unternehmen nicht.
Einordnung
KI-gestütztes Protein-Design gilt als einer der konkretesten Anwendungsfälle maschinellen Lernens in der Wirkstoffforschung, weil es teure Laborzyklen verkürzt. Für den Gesundheitsmarkt entscheidend ist, ob die Vorhersagen bei Antikörpern und Therapeutika reproduzierbar tragen. Belastbar sind bisher vor allem die Anwendungen bei Enzymen; zu Antikörperprojekten fehlen öffentliche Daten.
Christian Kloewer
Tech & Startups
Christian Kloewer schreibt bei MIDO Health über Health-Tech, Startups und Finanzierungen. Er kommt aus der Kommunikation und dem Digitalgeschäft und liest Gründungen im Gesundheitswesen mit dem Blick des Machers: Was löst das Produkt, wer bezahlt dafür, und trägt das Modell?
