Wie KI chemische Prinzipien entschlüsselt – und neue Medikamente entdeckt

Künstliche Intelligenz verändert die Art und Weise, wie wir neue Medikamente entwickeln. Statt Millionen möglicher chemischer Verbindungen im Labor zu testen, setzen Forscher wie Connor Coley vom Massachusetts Institute of Technology (MIT) auf maschinelles Lernen, um vielversprechende Wirkstoffkandidaten zu identifizieren. Sein Ansatz könnte die Suche nach neuen Therapien beschleunigen – und gleichzeitig die Grenzen der Chemie erweitern.

KI trifft auf Chemie: Ein Pionier der computergestützten Arzneimittelforschung

Connor Coley, Associate Professor am MIT mit Doppelprofessuren in Chemieingenieurwesen und Elektrotechnik sowie Informatik, verbindet zwei Welten: die klassische Chemie und die moderne Datenwissenschaft. Sein Ziel ist es, künstliche Intelligenz so zu trainieren, dass sie chemische Prinzipien versteht – und damit nicht nur bestehende Moleküle analysiert, sondern auch völlig neue Strukturen entwirft.

"Unser Ansatz ist prinzipiell universell einsetzbar, aber der Fokus liegt auf der Entdeckung kleiner Moleküle als potenzielle Wirkstoffe", erklärt Coley. Seine Arbeit zeigt, wie maschinelles Lernen chemische Reaktionen vorhersagen und optimieren kann – ein entscheidender Schritt, um die Entwicklung neuer Medikamente effizienter zu gestalten.

Coley wuchs in einer Familie auf, in der Wissenschaft keine Ausnahme, sondern die Regel war. Sein Vater arbeitete als Radiologe, seine Mutter studierte Molekularbiophysik und Betriebswirtschaftslehre, und seine Großmutter lehrte Mathematik. Schon als Schüler in Dublin, Ohio, zeigte er eine frühe Leidenschaft für Naturwissenschaften und nahm an Wettbewerben wie der Science Olympiad teil. Mit nur 16 Jahren schloss er die High School ab und wechselte an das California Institute of Technology (Caltech), wo er Chemieingenieurwesen studierte – ein Fach, das seine Interessen an Mathematik und Naturwissenschaften vereinte.

Während seines Studiums entdeckte Coley seine Faszination für die Informatik. In einem strukturellen Biologielabor programmmierte er in Fortran, um die Kristallstruktur von Proteinen zu entschlüsseln. Nach seinem Abschluss blieb er der Chemieingenieurwesen treu und begann 2014 sein Promotionsstudium am MIT unter der Betreuung von Professoren Klavs Jensen und William Green.

Von der Automatisierung zur künstlichen Intelligenz: Coleys Weg zur Spitzenforschung

Seine Doktorarbeit konzentrierte sich auf die Optimierung automatisierter chemischer Reaktionen. Dabei kombinierte er maschinelles Lernen mit Cheminformatik – ein Teilgebiet der Chemie, das sich mit der computergestützten Analyse chemischer Daten beschäftigt. Ziel war es, Reaktionswege zu planen, die neue Wirkstoffmoleküle hervorbringen könnten. Gleichzeitig entwickelte er Hardware, die diese Reaktionen automatisiert durchführen konnte.

Ein zentrales Projekt in dieser Phase war das von der DARPA finanzierte Programm Make-It. Das Ziel: maschinelles Lernen und Datenwissenschaft nutzen, um die Synthese von Medikamenten und anderen nützlichen Verbindungen aus einfachen Bausteinen zu verbessern.

"Das war mein Einstieg in die Cheminformatik und das maschinelle Lernen", erinnert sich Coley. "Ich begann zu verstehen, wie Modelle helfen können, chemische Reaktionen vorherzusagen und neue Verbindungen zu entwerfen – eine Fähigkeit, die traditionell nur erfahrene Chemiker besitzen."

Nach seiner Promotion bewarb sich Coley auf eine Professur – und erhielt mit nur 25 Jahren ein Angebot vom MIT. Die Entscheidung, an derselben Institution zu bleiben, war nicht selbstverständlich. Einige Kollegen rieten ihm davon ab, doch Coley sah die einzigartigen Chancen, die MIT bot.

"Das MIT ist ein besonderer Ort, wenn es um die Zusammenarbeit zwischen KI und Naturwissenschaften geht", sagt er. "Die Ressourcen, die interdisziplinäre Zusammenarbeit und die exzellenten Studierenden machen es zu einem idealen Umfeld. Die Energie hier ist einfach ansteckend."

Neue Moleküle durch KI: Wie Algorithmen chemisches Verständnis entwickeln

Nach einem einjährigen Postdoc am Broad Institute kehrte Coley 2020 ans MIT zurück und gründete seine eigene Forschungsgruppe. Sein Ziel: KI nicht nur zur Analyse, sondern auch zur Generierung neuer chemischer Verbindungen einzusetzen. Über die Jahre entwickelte seine Gruppe mehrere innovative Modelle.

Eines der bekanntesten ist ShEPhERD, ein System, das potenzielle neue Medikamente anhand ihrer dreidimensionalen Struktur und ihrer Wechselwirkung mit Zielproteinen bewertet. Pharmaunternehmen nutzen das Modell bereits, um die Suche nach Wirkstoffen zu beschleunigen.

"Wir versuchen, dem generativen Modell eine Art "medizinische Chemie-Intuition" beizubringen", erklärt Coley. "Es soll nicht nur Moleküle generieren, sondern auch verstehen, welche Eigenschaften für einen Wirkstoff entscheidend sind – ähnlich wie ein erfahrener Chemiker."

Ein weiteres Projekt ist das KI-Modell FlowER, das chemische Reaktionen vorhersagen kann. Anders als viele andere Systeme berücksichtigt FlowER nicht nur die Endprodukte, sondern auch die physikalischen Prinzipien dazwischen – etwa den Massenerhaltungssatz – sowie die Machbarkeit der Zwischenschritte.

"Chemiker denken in Mechanismen: Wie verläuft eine Reaktion Schritt für Schritt? Das ist etwas, das viele KI-Modelle von Natur aus nicht tun", betont Coley. "Doch genau diese Logik macht den Unterschied zwischen einer zufälligen und einer gezielten chemischen Synthese aus."

Die Zukunft der Wirkstoffforschung: KI als unverzichtbarer Partner

Die Kombination aus KI und Chemie könnte die Medikamentenentwicklung revolutionieren. Statt Jahre mit Trial-and-Error zu verbringen, könnten Forscher in kürzester Zeit Milliarden von Verbindungen scannen und vielversprechende Kandidaten identifizieren. Coleys Arbeit zeigt, wie wichtig es ist, KI nicht nur als Werkzeug, sondern als Partner zu verstehen – der chemisches Wissen lernt und anwendet.

Doch die Herausforderungen bleiben groß. KI-Modelle benötigen riesige Datenmengen, und ihre Vorhersagen müssen stets mit experimentellen Ergebnissen validiert werden. Dennoch ist Coley überzeugt, dass der Fortschritt in diesem Bereich unaufhaltsam ist.

"Die nächsten Jahre werden zeigen, wie weit wir mit KI in der Chemie kommen können", sagt er. "Eines ist sicher: Wer die Schnittstelle zwischen Datenwissenschaft und Chemie beherrscht, wird die Zukunft der Wirkstoffforschung prägen."