KI beschleunigt Molekularsimulationen um das 10.000-Fache

Die Entwicklung eines neuen Medikaments dauert oft mehr als zehn Jahre von der ersten Idee bis zum fertigen Medikament, bevor es die Patienten erreicht. Ein großer Teil sowohl der Kosten als auch des Zeitaufwands konzentriert sich auf die frühen Phasen, da eine Vielzahl von Tests durchgeführt werden muss, um die vielversprechendsten Kandidaten zu identifizieren. Häufig sind mehrere Studien erforderlich, in denen Tausende von Molekülen untersucht werden – doch nur ein Bruchteil davon gelangt in die nächste Phase. 

Traditionell wurden die Bewegungen von Molekülen mithilfe der sogenannten Molekulardynamik simuliert, bei der Forscher die Kräfte zwischen allen Atomen Schritt für Schritt berechnen und diese jeweils um einen winzigen Betrag verschieben. Damit die Berechnungen stabil sind, muss jeder Schritt extrem kurz sein, etwa eine Femtosekunde (10⁻¹⁵ Sekunden). Da die für die Arzneimittelentwicklung relevanten Prozesse über viel längere Zeiträume ablaufen, sind Milliarden von Schritten erforderlich, was die Simulationen rechnerisch sehr anspruchsvoll macht.  

Wichtige Veränderungen durch KI 

Der Einsatz von KI ermöglicht es Forschern nun, molekulare Veränderungen zu erkennen, ohne numerische Berechnungen durchführen zu müssen. Maschinelles Lernen kann jeden Schritt der Berechnung beschleunigen, und generative Modelle können genutzt werden, um plausible Molekülstrukturen direkt zu generieren, ohne deren Bewegung zu simulieren.  

Eine Forschergruppe der Chalmers University of Technology und der Universität Göteborg in Schweden hat nun einen weiteren Schritt nach vorne gemacht und ein neues KI-Modell entwickelt, das langfristig die Tests in der Arzneimittelentwicklung noch effizienter machen könnte. Das neue Modell ist mehr als 10.000 Mal schneller als herkömmliche Simulationen.  

„Was unser KI-Modell auszeichnet, ist, dass es die zugrunde liegende Dynamik über längere Zeitspannen hinweg lernt. Es liefert nicht nur Einblicke in die Formen, die Moleküle annehmen, sondern auch darin, wie schnell und über welche Wege diese molekularen Übergänge stattfinden. Soweit wir wissen, ist dies das erste Mal, dass dies auf eine Weise geschieht, die für viele verschiedene Moleküle funktioniert“, sagt Simon Olsson, Forschungsleiter und außerordentlicher Professor am Institut für Informatik und Ingenieurwesen der Chalmers University of Technology und der Universität Göteborg. 

Tausende von Molekülen wurden getestet 

Die Studie untersuchte über 12.500 organische Moleküle, beispielsweise solche, die Kohlenstoff-, Stickstoff-, Wasserstoff- und Sauerstoffatome enthalten. Außerdem wurden über tausend kurze Peptide untersucht: Moleküle, die aus kurzen Ketten von Aminosäuren bestehen, aus denen Proteine aufgebaut sind. Das KI-Modell lernte, wie sich die Moleküle typischerweise verhalten, und konnte daher die Simulationen im Schnelldurchlauf ablaufen lassen. Die Ergebnisse stehen weiterhin im Einklang mit den Gesetzen der Physik.  

„Wir trainieren das Modell anhand simulierter Beispiele dafür, wie sich die Atome in einem Molekül im Laufe der Zeit bewegen. Auf der Grundlage dieser Sequenzen lernt das Modell die zugrunde liegenden Regeln, die die Bewegung der Moleküle bestimmen, und kann dann vorhersagen, wie sich neue Moleküle verhalten werden“, sagt Simon Olsson. 

Die Forscher verglichen die Ergebnisse und Schlussfolgerungen des Modells mit früheren Studien zur molekularen Evolution. 

„Wir haben die Ergebnisse durch umfangreiche Nachbearbeitungssimulationen validiert, um sie mit Hilfe von Standard-Numerikalgorithmen zu bestätigen. Und sie stimmen miteinander überein“, sagt Simon Olsson.  

Veränderungen lassen sich vorhersagen 

Obwohl das KI-Modell nicht auf realen Bildern basiert, beschreiben die Forscher die Ergebnisse als eine Möglichkeit, in „molekularen Filmen“ zwischen Szenen hin und her zu springen, anstatt jeden Einzelbild nacheinander anzusehen. 

Das KI-Modell bildet die Grundlage für die computergestützten Vorhersagen, die die Forscher anschließend im Labor überprüfen.  

„Dort messen wir ganz bestimmte Dinge: die Eigenschaften der Moleküle, wie ‚glücklich‘ sie in einer bestimmten Lösung sind oder ob sie beispielsweise durch eine Membran in eine Zelle gelangen wollen, aber das liegt noch in der Zukunft“, sagt Simon Olsson. 

Eine große Stärke ist, dass das Modell auf Moleküle angewendet werden kann, denen es während seines Trainings noch nie begegnet ist, da es allgemeine Regeln für die Molekülbewegung gelernt hat, anstatt sich einzelne Systeme einzuprägen.  

„Es gibt ein bestimmtes Muster, das das Modell uns hilft zu erkennen. Das KI-Modell basiert auf einer Reihe von Beispielen, bei denen es nur beobachtet, was über einen Zeitraum von einigen zehn Nanosekunden geschieht. Dennoch kann es die Eigenschaften und Veränderungen von Molekülen vorhersagen, die über einen tausendmal längeren Zeitraum auftreten. Mit Hilfe der künstlichen Intelligenz können wir also herausfinden, was in der ‚molekularen Zukunft‘ wahrscheinlich passieren wird. Es kann vorhersagen, wie sich Moleküle verändern, obwohl es den Prozess noch nie gesehen hat“, sagt Simon Olsson.  

Von Interesse für die Pharmaindustrie 

„Um die physikalischen Phänomene von Molekülen vorhersagen zu können, müssen wir die zugrunde liegende Physik des Systemverhaltens verstehen. Ich glaube, wir gehören zu den Ersten, die dies in allgemeiner Hinsicht demonstrieren und zeigen, dass es möglich ist“, sagt Juan Viguera Diez, Industriedoktorand bei AstraZeneca am Institut für Informatik und Ingenieurwesen der Chalmers University of Technology und der Universität Göteborg sowie Hauptautor des Artikels. 

Die Forscher verzeichnen großes Interesse seitens der Industrie an Simulationen, die die Realität genauer widerspiegeln und eine schnellere Entwicklung neuer Medikamente ermöglichen. Da das neue KI-Modell molekulare Simulationen beschleunigen kann, bei denen eine große Anzahl potenzieller Moleküle getestet werden muss, hofft das Forschungsteam, dass dies ein wichtiger Schritt in Richtung einer effizienteren Arzneimittelentwicklung sein wird.  

„Langfristig könnten KI-Modelle wie das unsere dazu beitragen, vielversprechende Wirkstoffkandidaten schneller zu identifizieren und die Genauigkeit in den frühen Phasen zu verbessern. Die Forschungsstudie zeigt, was derzeit möglich ist. Dies wird hoffentlich den Weg für die Entwicklung allgemeinerer Techniken ebnen, die letztlich die Entwicklung neuer Medikamente und neuer Behandlungsmethoden erleichtern und in einem weiteren Sinne auch unser Verständnis von Krankheiten verbessern könnten“, sagt Juan Viguera Diez. 

Mehr über das KI-Modell 

Das KI-Modell TITO (Transferable Implicit Transfer Operators) ist ein Framework für tiefgreifende generative Modellierung, das die statistischen Regeln, die die Molekülbewegung bestimmen, direkt aus Simulationsdaten lernt. Es ermöglicht die Vorhersage, wie sich atomare Konfigurationen (die Art und Weise, wie Atome innerhalb eines Moleküls angeordnet sind und räumlich zueinander stehen) über Zeitskalen hinweg entwickeln, und zwar viel schneller als herkömmliche numerische Simulationen. 

Die Methode wurde bislang an kleinen Molekülsystemen in vereinfachten Lösungsmittelmodellen und bei einer bestimmten Temperatur getestet. Sie wird nun für komplexere und realistischere Systeme weiterentwickelt.