Kann KI ein Wirkstoffmolekül entwerfen, das an ein spezifisches Protein bindet, ohne vorherige experimentelle Daten ?

Traditionell basiert die Arzneimittelentdeckung auf umfangreichen Laborexperimenten und iterativen Tests, um lebensfähige Verbindungen zu identifizieren. Aktuelle KI-Modelle, wie solche, die diffusionsbasierte generative Ansätze verwenden, können nun neuartige molekulare Strukturen vorschlagen, die auf spezifische biologische Ziele zugeschnitten sind. Diese Fähigkeit beschleunigt die frühen Phasen der pharmazeutischen Forschung und verringert die Abhängigkeit von reiner Screening-Methode.

KI kann neuartige, medikamentenähnliche Verbindungen vorschlagen, die an ein bestimmtes Proteinziel binden, selbst wenn keine vorherigen experimentellen Daten vorliegen. Dabei werden strukturbasierte Deep-Learning-Methoden wie RFdiffusion oder Diffusionsmodelle eingesetzt, die auf Protein-Ligand-Komplexe trainiert sind, um chemisch plausible Moleküle und Docking-Scores ohne Laborfeedback zu generieren. Diese generativen Modelle lernen die Regeln der molekularen Bindung aus großen Strukturdatensätzen und schlagen Kandidaten vor, die in die Bindungstasche des Ziels passen. Allerdings erfordern ihre Entwürfe nach wie vor eine biochemische Validierung im Labor, um Affinität, Selektivität und medikamentenähnliche Eigenschaften zu bestätigen. Die neuesten Systeme integrieren evolutionäre Suche oder bestärkendes Lernen, um Wirksamkeit und ADMET-Profile zu verfeinern und so den Anteil synthetisch zugänglicher, hochbewerteter Treffer zu erhöhen, die in experimentelle Tests überführt werden können. Da keine 3D-Struktur streng notwendig ist, können sequenzbasierte Modelle wie AlphaFold-unterstützte Taschenvorhersagen auch die Ligandengestaltung leiten, wenn keine experimentelle Struktur verfügbar ist.

— Angereichert am 12. Mai 2026 · Quelle: Nature — https://www.nature.com/articles/s41586-023-06419-4