KI Für Molekulares Design

Algorithmen für maschinelles Lernen beschleunigen die Suche nach neuartigen Medikamenten und Materialien.

Möchten Sie ein neues Material für Sonnenenergie, ein Medikament zur Krebsbekämpfung oder eine Verbindung entwickeln, die verhindert, dass ein Virus eine Ernte angreift? Zunächst müssen Sie zwei Herausforderungen angehen: die richtige chemische Struktur für die Substanz finden und bestimmen, welche chemischen Reaktionen die richtigen Atome zu den gewünschten Molekülen oder Molekülkombinationen verbinden.

Traditionell stammen die Antworten aus ausgefeilten Vermutungen, die durch Zufall unterstützt werden. Der Vorgang ist äußerst zeitaufwändig und beinhaltet viele fehlgeschlagene Versuche. Ein Syntheseplan kann beispielsweise Hunderte von Einzelschritten enthalten, von denen viele unerwünschte Nebenreaktionen oder Nebenprodukte hervorrufen oder einfach überhaupt nicht funktionieren. Jetzt jedoch beginnt künstliche Intelligenz, die Effizienz von Design und Synthese zu steigern, wodurch das Unternehmen schneller, einfacher und billiger wird und gleichzeitig chemischer Abfall reduziert wird.

In der KI analysieren Algorithmen für maschinelles Lernen alle bekannten früheren Experimente, bei denen versucht wurde, die interessierenden Substanzen zu entdecken und zu synthetisieren - diejenigen, die funktionierten und vor allem diejenigen, die versagten. Basierend auf den von ihnen erkannten Mustern sagen die Algorithmen die Strukturen potenziell nützlicher neuer Moleküle und mögliche Herstellungsmethoden voraus. Kein einziges Werkzeug für maschinelles Lernen kann dies alles auf Knopfdruck tun, aber KI-Technologien entwickeln sich schnell zum realen Design von Wirkstoffmolekülen und -materialien.

Ein von Forschern der Universität Münster in Deutschland entwickeltes KI-Tool simuliert beispielsweise wiederholt die 12,4 Millionen bekannten chemischen Einzelschrittreaktionen, um eine mehrstufige synthetische Routenplanung zu entwickeln, die 30-mal schneller ist als die des Menschen.

Im pharmazeutischen Bereich ist auch eine KI-basierte Technologie namens generatives maschinelles Lernen aufregend. Die meisten Pharmaunternehmen lagern Millionen von Verbindungen und untersuchen sie auf das Potenzial, als neue Medikamente zu dienen. Aber selbst mit Robotik- und Laborautomatisierungswerkzeugen ist dieser Screening-Prozess langsam und liefert relativ wenige Treffer. Darüber hinaus umfassen die „Bibliotheken“zusammen nur einen winzigen Bruchteil der mehr als 10³⁰ theoretisch mögliche Moleküle. Mithilfe eines Datensatzes, der die chemischen Strukturen bekannter Arzneimittel (und Arzneimittelkandidaten) sowie deren Eigenschaften beschreibt, können maschinelle Lernwerkzeuge virtuelle Bibliotheken neuer Verbindungen mit ähnlichen und möglicherweise nützlicheren Eigenschaften erstellen. Diese Fähigkeit beginnt die Identifizierung von Medikamentenleitungen dramatisch zu beschleunigen.

Nahezu 100 Start-ups erforschen bereits KI für die Wirkstoffentdeckung. Unter ihnen sind Insilico Medicine, Kebotix und BenevolentAI; Die letzten kürzlich angesprochenen Anies, darunter BASF und Panasonic, um die Innovation zu beschleunigen. Die US-Regierung unterstützt auch die Erforschung des AI-fähigen Designs. Seit 2011 hat das Unternehmen mehr als nur Ansätze investiert, um die Entwicklung fortschrittlicher Materialien zu beschleunigen.

Die Erfahrung der Vergangenheit zeigt, dass neue Materialien und Chemikalien unvorhergesehene Risiken für Gesundheit und Sicherheit darstellen können. Glücklicherweise sollten KI-Ansätze in der Lage sein, diese unerwünschten Ergebnisse zu antizipieren und zu reduzieren. Die Technologien scheinen bereit zu sein, die Geschwindigkeit und Wirksamkeit, mit der neuartige Moleküle und Materialien entdeckt und auf den Markt gebracht werden, deutlich zu steigern. Dort können sie Vorteile wie eine verbesserte Gesundheitsversorgung und Landwirtschaft, eine bessere Ressourcenschonung sowie eine verbesserte Produktion und Lagerung erneuerbarer Energien bieten Energie.