Forscher der Universität Alberta haben einen bahnbrechenden Ansatz entwickelt, um das sogenannte molekulare „dunkle Materie" im Stoffwechsel von Säugetieren zu kartieren. Die Studie, veröffentlicht im Januar im Fachjournal Nature, beschreibt ein neues künstliches Intelligent-Modell, das Milliarden potenziell fehlender Metabolite vorhersagt. Diese unsichtbaren Moleküle wurden bislang durch herkömmliche Analysemethoden wie die Massenspektrometrie nicht erfasst und stellen den Großteil der bekannten Metaboliten dar. Das Forschungsteam um den Informatik-Ph.D.-Schüler Fei Wang unter der Leitung der Wissenschaftler Russ Greiner und David Wishart entwickelte ein „chemisches Sprachmodell". Genau wie KI-Systeme wie ChatGPT Sprachmuster lernen, um das nächste Wort in einem Satz vorherzusagen, erlernte das hier eingesetzte Modell, genannt DeepMet, die „Logik" des Stoffwechsels aus den chemischen Strukturen von über 2.000 bekannten humanen Metaboliten. Durch diesen Trainingsprozess ist das System in der Lage, logische Schlüsse zu ziehen und Strukturen zu generieren, die biologisch wahrscheinlich existieren, aber noch nicht entdeckt wurden. Zur Validierung der Methode generierten die Forscher eine Milliarde möglicher molekularer Strukturen. Dabei stellten sie fest, dass die Moleküle, welche das KI-Modell am häufigsten erzeugte, mit hoher Wahrscheinlichkeit echten Metaboliten entsprechen. Mit diesem Ansatz konnten die Wissenschaftler bereits mehrere Dutzend bisher unrecognized Säugetermetabolite in menschlichen und Mausproben identifizieren. Dies markiert einen bedeutenden Fortschritt, da Metaboliten essenziell für die Körperfunktionen sind. Sie liefern Energie, bilden Strukturen und dienen als Signalmoleküle für verschiedene Körperteile. Die Bedeutung dieser Entdeckung geht weit über die reine Wissenslücke hinaus. David Wishart und seine Kollegen betonen, dass das Verständnis dieser chemischen Prozesse den Weg für verbesserte Diagnostik und neue Medikamente ebnet. Ziel ist es, Therapien zu entwickeln, die spezifischere Stoffwechselwege ansprechen. Russ Greiner verdeutlicht die Wichtigkeit der Metaboliten im Vergleich zu genetischen Daten: Während Gene als Bauplan für das, womit man geboren wird, fungieren, stellen Metaboliten den aktuellen Zustand des Körpers dar. Sie spiegeln wider, was im Organismus gerade passiert, und sind daher für die Beurteilung des Gesundheitszustands und die Erkennung von Krankheiten von unmittelbarer Relevanz. Die Studie demonstriert, wie maschinelles Lernen nicht nur bei der Datenverarbeitung, sondern auch in der Grundlagenforschung genutzt werden kann, um komplexe biologische Rätsel zu lösen. Indem die KI die „dunkle Materie" des Metaboloms erhellt, bietet sie ein neues Werkzeug für die medizinische Forschung, das helfen könnte, Krankheiten früher zu erkennen und gezielter zu behandeln. Die Methode könnte in Zukunft auf andere biologische Systeme erweitert werden, um das Verständnis des Stoffwechsels insgesamt zu vertiefen.