KI-Simulation auf Ebene der Molekulardynamik Entwicklung von Medikamenten ohne Experimente

Wie lassen sich komplexe Biomoleküle mit hoher Genauigkeit simulieren – ohne immense Rechenleistung? Ein neues Machine-Learning-Modell berechnet molekulare Wechselwirkungen quantenmechanisch, indem es physikalisches Wissen mit KI kombiniert. Das könnte die Entwicklung neuer Medikamente revolutionieren – ganz ohne teure Laborexperimente.

Die Verbesserung von Simulationen hat eine lange Tradition, besonders in der computergestützten Physik und Chemie. Simulationen in der Molekulardynamik (MD) ermöglichen beispielsweise, das Verhalten von Molekülen zu verstehen und vorherzusagen, insbesondere bei Wechselwirkungen über längere Zeiträume hinweg. Dabei liefern die Ergebnisse Einblicke in ihre Struktur, Dynamik und Funktion.

Eine genaue Simulation der Interaktion von großen Biomolekülen könnte dazu führen, dass in Zukunft neue Medikamente ohne zeit-, material- und kostenintensive Experimente durchgeführt werden könnten. Doch seit vielen Jahren stehen Forschende dabei vor einem großen Problem: Die Methoden waren zwar schnell, aber noch zu ungenau und nicht auf verschiedene Moleküle übertragbar. Auf der anderen Seite gab es auch Methoden von Forschenden, die sehr präzise sein konnten, aber rechnerisch noch sehr aufwändig und teuer waren. Simulationen wie diese waren deshalb eher auf kleine Systeme mit wenigen hundert Atomen beschränkt.

Große und komplexe Biomoleküle sowie Proteine können allerdings zehntausend Atome enthalten. Ein Hindernis bisheriger Forschung war deshalb grundlegende dynamische Prozesse wie Proteinfaltung oder Zellorganisation exakt zu modellieren und zu verstehen. Ein Forscherteam des Berlin Institute for Foundations of Learning and Data (BIFOLD) an der TU Berlin, der Universität Luxemburg und von Google DeepMind ist es nun gelungen ein Machine-Learning-Modell zu entwickeln, das Moleküle aller Art mit quantenmechanischer Genauigkeit simulieren kann. Die Ergebnisse sind im Journal of the American Chemical Society (JACS) öffentlich einsehbar:

Das neue Modell „SO3LR“ verfolgt einen hybriden Ansatz: Um die Berechnung quantenmechanischer Wechselwirkungen zwischen Atomen zu vereinfachen, lernt das Machine-Learning-Modell quantenmechanische Vielteilchen-Wechselwirkungen auf eher kurzen und mittleren Distanzen und kann so schnell und hochgenau arbeiten. Gleichzeitig lassen sich die paarweisen Wechselwirkungen über große Entfernungen durch allgemeingültige, physikalisch fundierte Gleichungen beschreiben. Außerdem ist das Modell auf unterschiedliche Moleküle anwendbar: SO3LR basiert auf einem Datensatz aus über vier Millionen Molekülstrukturen. Das macht eine Simulation von verschieden großen Molekülen möglich.

„Statt für jedes neue Molekül einen langwierigen Prozess aus Datengenerierung und anschließendem Training durchlaufen zu müssen, stellen wir ein einziges, direkt einsetzbares Modell bereit“, sagte Prof. Klaus-Robert Müller, BIFOLD Co-Direktor, „dies erspart Forschenden die zeit- und rechenintensiven Vorbereitungsschritte und erlaubt das direkte Testen von Hypothesen mit quantenmechanischer Genauigkeit.“ Die künftige Forschung wird sich dadurch nicht nur auf das molekulare Verständnis von Gesundheit und Krankheit auswirken, sondern auch auf „die Entwicklung der nächsten Generation von Medikamenten“, so Prof. Alexandre Tkatchenko von der Universität Luxemburg.

Modellvorhaben Genomsequenzierung

BfArM: Datenübertragung in der Genommedizin gestartet

Compamed/Medica 2025

Von KI bis Robotik: Neuheiten für eine zukunftsweisende medizinische Versorgung

(ID:50535114)