Medikamententwicklung: KI-Modelle verstehen Protein-Interaktionen nicht

von | Okt. 29, 2025 | Forschung, Gesundheit

Moderne KI-Programme unterstützen die Medikamentenentwicklung durch Vorhersage von Protein-Wechselwirkungen mit kleinen Molekülen. Forschende der Universität Basel zeigen, dass diese Modelle lediglich Muster auswendig lernen, anstatt physikalische Zusammenhänge zu erfassen, und bei neuen Proteinen versagen, die für innovative Therapien relevant sind.

Proteine dienen als Wirkstoffe oder Ziele für Medikamente. Die Entschlüsselung ihrer dreidimensionalen Struktur ist entscheidend. KI-Modelle wie AlphaFold und RosettaFold berechnen Faltungen und Interaktionen mit Liganden, was für die Medikamentenentwicklung wertvoll ist. Die Entwickler erhielten 2024 den Nobelpreis für Chemie.

Symbolbild (Credits: pixabay)
Symbolbild (Credits: pixabay)

Die hohen Erfolgsquoten weckten Zweifel, da Trainingsdaten mit nur 100.000 Strukturen begrenzt sind. Tests zeigten, dass Modelle bei veränderten Aminosäuresequenzen, die Bindungsstellen blockieren oder Ladungen ändern, dieselben Strukturen vorhersagen. Ähnlich bei modifizierten Liganden.

In über der Hälfte der Fälle ignorierten Modelle Störungen. Besonders bei unbekannten Proteinen scheitern sie. Für die Medikamentenentwicklung sind Vorhersagen zu validieren durch Experimente oder physikalisch-chemische Analysen.

Zukünftige Modelle sollten physikalisch-chemische Gesetze integrieren, um realistischere Vorhersagen für neue Strukturen zu ermöglichen und Therapieansätze zu eröffnen.

Original Paper:

Investigating whether deep learning models for co-folding learn the physics of protein-ligand interactions | Nature Communications

Redaktion: X-Press Journalistenbüro GbR

Gender-Hinweis. Die in diesem Text verwendeten Personenbezeichnungen beziehen sich immer gleichermaßen auf weibliche, männliche und diverse Personen. Auf eine Doppel/Dreifachnennung und gegenderte Bezeichnungen wird zugunsten einer besseren Lesbarkeit verzichtet.

Meistgelesen

Informiert bleiben?