Experiment auf ein Zehntel reduziert? KI, die mit kleinen Datenmengen die Medikamentenentwicklung beschleunigt, revolutioniert die chemische Forschung

Wenn KI in die Medikamentenentwicklung eintritt, denken viele Menschen vielleicht an die Vorhersage von Proteinstrukturen oder das Screening von neuen Medikamentenkandidaten. Doch in der Realität verschwinden Zeit und Geld in der Medikamentenentwicklung hauptsächlich nach der Entdeckung eines „vielversprechenden Moleküls“. Wie kann man das gezielte Molekül effizient und in der gewünschten dreidimensionalen Struktur herstellen? Für diesen mühsamen und aufwendigen Prozess ist nun eine KI aufgetaucht, die ernsthaft helfen könnte. Ein Forschungsteam der University of Utah und UCLA hat eine neue Methode vorgestellt, die ohne umfangreiche Lerndaten auskommt und selbst aus wenigen experimentellen Daten die nächsten zu testenden Reaktionsbedingungen intelligent eingrenzen kann. Der am 9. März von Phys.org berichtete Schwerpunkt dieser Forschung liegt nicht darin, die Arbeit von Chemikern zu ersetzen. Vielmehr filtert die KI im Voraus die Experimente heraus, die Chemiker tatsächlich durchführen sollten.

Das Forschungsthema dieser Studie ist der Bereich der asymmetrischen Synthese. Moleküle in Arzneimitteln können, selbst wenn die gleichen Atome in der gleichen Reihenfolge verbunden sind, eine Beziehung wie „rechte Hand“ und „linke Hand“ haben, bei der nur die dreidimensionale Anordnung ein Spiegelbild ist. Diese mögen zwar ähnlich aussehen, können aber im Körper völlig unterschiedliche Verhaltensweisen zeigen. Während eine Seite als Medikament wirken kann, zeigt die andere möglicherweise nicht die erwartete Wirkung oder kann sogar Nebenwirkungen verursachen. Daher ist es in der Pharmaindustrie von entscheidender Bedeutung, die gewünschte „Hand“ des Moleküls in hohem Maße auszuwählen und herzustellen. Der Artikel von Phys.org hebt genau diese Schwierigkeit der Kontrolle der „Händigkeit“ von Molekülen als einen Faktor hervor, der die Kosten und die Zeit der Medikamentenentwicklung in die Höhe treibt.

Das Forschungsteam beschäftigte sich mit der Vorhersage asymmetrischer Kreuzkupplungsreaktionen unter Verwendung eines Nickel-Katalysators. Grob gesagt handelt es sich dabei um eine Technik, bei der mehrere Kohlenstoffgerüste miteinander verbunden werden, um komplexere und wertvollere Moleküle zu bilden. Dabei spielen jedoch nicht nur der Metallkatalysator, sondern auch die „Liganden“, die an den Katalysator binden und die Reaktionsrichtung und Stereoselektivität beeinflussen, sowie die Struktur des Substrats eine Rolle. Das bedeutet, dass sich das Ergebnis schon bei geringfügigen Änderungen der Bedingungen ändern kann. Bisher musste man die optimalen Bedingungen durch Ausprobieren der unzähligen Kombinationen finden. Das Ziel der aktuellen Studie ist es, diesen Versuch-und-Irrtum-Prozess durch die Verwendung von statistischen Modellen und einer auf Mechanismen basierenden Merkmalsgestaltung erheblich zu verkürzen. Die Zusammenfassung des in Nature veröffentlichten Artikels beschreibt eine Strategie zur Generierung von Deskriptoren, die berücksichtigt, dass sich die Phase, die die Enantioselektivität bestimmt, ändern kann, wenn der Katalysator oder das Substrat geändert wird, und zeigt das Potenzial auf, Vorhersagen auf unbekannte Liganden und Reaktionspartner zu übertragen.

Interessant ist hier, dass es sich ein wenig von der üblichen Vorstellung entfernt, dass „KI durch den Konsum großer Datenmengen stärker wird“. Wie das Forschungsteam selbst betont, ist es in der Chemie sehr kostspielig, qualitativ hochwertige experimentelle Daten in großen Mengen zu sammeln. Daher haben sie aus wenigen vorhandenen Daten Merkmale extrahiert, die dem Reaktionsmechanismus entsprechen, und die Vorhersagen nicht als Blackbox gestaltet. Die Nature-Seite beschreibt diese Forschung als einen Weg, um „quantitativ Wissen aus bekannten Reaktionsgruppen in neue chemische Räume zu übertragen“, selbst in Situationen, in denen es nur wenige Reaktionsbeispiele gibt. In der Einführung von C-CAS der University of Notre Dame wird ebenfalls darauf hingewiesen, dass diese Methode auf Reaktionen, bei denen mechanistische Informationen bekannt sind, anwendbar ist und teure und zeitaufwändige Experimente zur Katalysatorsuche und Reaktionsoptimierung reduzieren kann.

Was diese Forschung praktisch relevant macht, sind die konkreten Zahlen. Laut Phys.org erklärte Mitautor Erin Bucci, dass in Situationen, in denen normalerweise 50 bis 60 Reaktionen durchgeführt werden, mit diesem Tool auf etwa 5 bis 10 reduziert werden könnte. Jedes einzelne Experiment umfasst die Kosten für den Kauf von Reagenzien, die Herstellungskosten, die Nutzungszeit der Geräte, den Analyseaufwand und die Entsorgung von Fehlproben. Wenn dies auf etwa ein Zehntel reduziert werden kann, ist der Einfluss selbst auf Laborebene groß, und für Pharmaunternehmen umso mehr. Besonders bei der Synthese von Wirkstoffen für präklinische und klinische Studien stößt man oft auf die Hürde, dass „es zwar Literaturreaktionen gibt, diese aber nicht unbedingt für das eigene Zielmolekül anwendbar sind“. Die von dem Forschungsteam vorgesehene Anwendung zielt genau auf diese „letzte Feinabstimmung“ ab, was vielversprechend ist.

Wichtig ist auch, dass diese Methode nicht nur ein einfaches Zeitsparwerkzeug ist. Im Artikel von Phys.org erklärt Mitautorin Abigail Doyle, dass dieser Workflow keine Blackbox ist und selbst wenn die Vorhersagen falsch sind, man daraus Chemie lernen kann. Das bedeutet, dass man die Antworten der KI nicht einfach blindlings akzeptiert, sondern durch den Abgleich mit dem chemischen Wissen der Menschen, warum bestimmte Bedingungen vorgeschlagen wurden oder warum sie falsch waren, das Verständnis der Mechanismen vertieft. Als Rollenverteilung zwischen KI und Chemikern betrachtet, ist dies ziemlich gesund. In Phasen, in denen die Begeisterung für generative KI groß ist, wird oft die Vorstellung vorangetrieben, dass „alles automatisiert werden kann“. Doch in der realen synthetischen Chemie gibt es viele praktische Fragen, wie welche Nebenreaktionen auftreten, ob die Reinigung erfolgreich ist oder ob die Reaktion im größeren Maßstab reproduzierbar ist. Daher wird diese Forschung geschätzt, weil sie KI nicht allmächtig macht, sondern als Werkzeug zur Unterstützung der Entscheidungen vor Ort gestaltet ist.

Auch in den Reaktionen auf sozialen Netzwerken und in der Online-Umgebung liegt der Fokus darauf. Auf X haben chemische Nachrichtenkonten diesen Artikel vorgestellt, und im öffentlich zugänglichen Bereich scheint es eher als eine geteilte Information innerhalb der Fachgemeinschaft als ein auffälliger allgemeiner Hype zu zirkulieren. Auf der Nature-Seite wird ein Altmetric-Wert von 28 angezeigt, was darauf hindeutet, dass der Artikel nach seiner Veröffentlichung in der akademischen und industriellen Umgebung kontinuierlich referenziert wurde. Es scheint jedoch weniger eine allgemeine Begeisterung zu geben, sondern eher eine Wahrnehmung, dass „dies eine realistische Unterstützungslinie zur Reduzierung von Experimenten ist“. Auch in LinkedIn-Posts, die in der öffentlichen Suche gefunden wurden, wurde die Fähigkeit, Enantioselektivität aus begrenzten Daten vorherzusagen, und die Möglichkeit, Kosten und Abfall zu reduzieren, im Kontext der Arzneimittelentwicklung und Chemie hervorgehoben.

Allerdings ist die Menge der Reaktionen in sozialen Netzwerken derzeit nicht explosiv. Dies sollte nüchtern betrachtet werden. Im öffentlich zugänglichen Bereich ist noch keine großflächige Verbreitung wie bei AI-Nachrichten für Verbraucher zu beobachten. Stattdessen schreitet die Einführung von Artikeln und der Austausch innerhalb der Forschungsgemeinschaft voran. Dies könnte umgekehrt darauf hindeuten, dass dieses Ergebnis keine „nur für Schlagzeilen geeignete KI“ ist, sondern eine Art von Technologie, die Forscher und Praktiker in der Medikamentenentwicklung, die tatsächlich arbeiten, als wertvoll empfinden. Das Thema KI in der Medikamentenentwicklung wird oft von Erwartungen begleitet, dass „neue Medikamente schnell gefunden werden“, aber für die Praxis ist es entscheidend, wie man gute Kandidaten reproduzierbar, schnell und kostengünstig herstellen kann. Forschung, die darauf antwortet, wird eher leise von Experten bewertet, bevor sie weit verbreitet wird.

Natürlich gibt es auch Grenzen. Diese Forschung wurde hauptsächlich an einer bestimmten Reaktionsgruppe, insbesondere asymmetrischen C(sp3)-Kupplungen unter Verwendung von Nickel-Katalysatoren, getestet und behauptet nicht, dass sie sofort auf alle Synthesereaktionen verallgemeinert werden kann. Die Zusammenfassung des Nature-Artikels geht davon aus, dass mechanistisch sinnvolle Merkmale extrahiert werden können. Umgekehrt bedeutet dies, dass bei Reaktionen mit geringerem Mechanismusverständnis oder Systemen mit großen Schwankungen der experimentellen Bedingungen die gleiche Genauigkeit nicht unbedingt gewährleistet ist. Dennoch ist es von großer Bedeutung, dass sie im chemischen Kontext einen alternativen Weg aufgezeigt hat, entgegen der fast zur Gewohnheit gewordenen Vorstellung, dass „KI ohne große Datenmengen nutzlos ist“. Das heißt, der Mangel an Daten wird durch mechanistisches Wissen und Merkmalsdesign kompensiert. Dies ist ein Ansatz, der sich nicht nur auf die Medikamentenentwicklung, sondern auf die gesamte experimentelle Wissenschaft ausdehnen könnte.

Tatsächlich ist die Reichweite dieser Forschung nicht auf die Labore von Pharmaunternehmen beschränkt. Auch für synthetische Forschungslabore an Universitäten ist es eine Überlebensfrage, welche Reaktionen bei begrenztem Budget priorisiert werden sollten. Angesichts steigender Reagenzienpreise, Zeitbeschränkungen für Studenten und Forscher sowie verschärfter Sicherheitsvorschriften wird das blinde Durchführen von Experimenten immer schwieriger. Eine Technologie, die aus wenigen Experimenten die nächste Maßnahme mit hoher Wahrscheinlichkeit vorhersagen kann, trägt auch zur Demokratisierung von Forschung und Entwicklung bei. Nicht nur große Unternehmen mit reichlich Kapital, sondern auch kleine und mittlere Labore haben mehr Spielraum. In der Einführung von C-CAS wird darauf hingewiesen, dass dieser Workflow öffentlich zugänglich ist und auf Reaktionen mit mechanistischen Informationen angewendet werden kann. Sollte dies weiter ausgebaut werden, könnte der Teil, der sich auf die „Intuition erfahrener Meister“ stützte, in ein teilbares, halbquantitatives Wissen umgewandelt werden.

Wenn KI in die wissenschaftliche Forschung eintritt, ist es wirklich wichtig, nicht die Hände der Forscher zu binden, sondern ihnen die Zeit zurückzugeben, die sie nutzen können. Diese Forschung verkörpert dieses Prinzip ziemlich ehrlich. Anstatt auf eine spektakuläre Allmachtslehre zu setzen, die auf großen Datenmengen basiert, kombiniert sie kleine Datenmengen mit Mechanismusverständnis, um die nächsten Experimente intelligent zu reduzieren. Anders ausgedrückt, es ist ein Werkzeug, das die Hypothesenbildung und das Experimentieren von Wissenschaftlern innerhalb realistischer Kosten auf die nächste Stufe hebt. Medikamentenentwicklung schreitet weder nur durch Einfälle noch nur durch Berechnungen voran. Am Ende muss man es im Reagenzglas überprüfen. Aber wenn man die „Art der Überprüfung“ ändern kann, ändern sich auch die Geschwindigkeit der Medikamentenherstellung und die Qualität der Fehlschläge erheblich. Diese KI ist kein Gerät, das neue Medikamente wie durch Magie hervorbringt. Aber als Technologie, die den Umweg bis zur Entstehung eines Medikaments sicher verkürzt, ist sie ziemlich nah an der Realität.

Quellen-URL

1. Phys.org, eine allgemeine Erklärung der Forschung, Forscherkommentare und die Möglichkeit, die Anzahl der Experimente von 50-60 auf 5-10 zu reduzieren.
   https://phys.org/news/2026-03-ai-tool-drug-synthesis-lab.html

2. Die Originalseite des in Nature veröffentlichten Artikels. Titel des Artikels, Autoren, Veröffentlichungsdatum, Zusammenfassung, technische Einordnung der Forschung und Altmetric-Wert wurden überprüft.
   https://www.nature.com/articles/s41586-026-10239-7

3. DOI-Seite. Ein Referenzlink, der die offizielle Kennung des Originalartikels anzeigt.
   https://doi.org/10.1038/s41586-026-10239-7

4. Einführung von der University of Notre Dame / NSF Center for Computer Assisted Synthesis. Hintergrund der Forschung, kleine Datenmengen, merkmalsbasierte Mechanismen, Übertragbarkeit auf unbekannte Reaktionen und öffentlich zugänglicher Workflow wurden überprüft.
   https://ccas.nd.edu/news-events/news/accelerated-article-preview-from-doyle-and-sigman-labs-published-by-nature/

5. Ein Beitrag von Chemistry News auf X, der den Artikel vorstellt. Ein Beispiel für den Austausch in sozialen Netzwerken, das im öffentlichen Bereich überprüft wurde.
   https://x.com/ChemistryNews/status/2021718428965646726

6. Ein Beitrag von Joel Walker auf LinkedIn. Ein Beispiel für den Austausch auf der Seite der Fachgemeinschaft, das überprüft wurde.
   https://www.linkedin.com/posts/joel-walker-23764715_transferable-enantioselectivity-models-from-activity-7428082839583313920-Gan6

7. Ein Beitrag von INFO FIELDS auf LinkedIn. Ein Beispiel für den Austausch, das die Vorhersage aus kleinen Datenmengen und die Erwartungen an die Effizienzsteigerung in der Medikamentenentwicklung und Synthese zeigt.
   https://www.linkedin.com/posts/info-fields_transferable-enantioselectivity-models-from-activity-7427386888996597760-S51-