HyperAIHyperAI

Command Palette

Search for a command to run...

KI sagt Wasserstoffpositionen in Wirkstoffmolekülen voraus

Forschende der New York University haben ein KI-Modell entwickelt, das die Position von Wasserstoffatomen in drug-ähnlichen Molekülen präzise vorhersagt. Die im Fachjournal Chemical Science veröffentlichte Studie adressiert ein langjähriges Problem im molekularen Design und in der Wirkstoffentwicklung: die schnelle und zuverlässige Bestimmung der stabilen Tautomer-Form von Molekülen mit gleicher Summenformel. Tautomere entstehen durch die Verlagerung eines Wasserstoffatoms und eine damit einhergehende Änderung des Bindungsmusters, was die Interaktion mit Proteintargets erheblich beeinflussen kann. Bisher war die korrekte Zuordnung erschwert durch fehlende experimentelle Daten in hochauflösenden Kristallstrukturrepositorien wie der Protein Data Bank, da Röntgenstrukturanalysen Wasserstoffpositionen selten eindeutig abbilden. Quantenmechanische Berechnungen sind hingegen für große Screening-Bibliotheken zu rechenintensiv. Das Team um den Chemieprofessor Yingkai Zhang und Postdoc-Autor Xiaolin Pan erschloss daher eine bisher ungenutzte Datenquelle: die Cambridge Structural Database. Durch systematisches Mining wurden über 1,1 Millionen experimentell verifizierte Tautomer-Zustände extrahiert. Auf dieser Grundlage wurde ein Graph-Neural-Netzwerk trainiert, das stabile Tautomer-Formen direkt aus zwei-dimensionalen Molekülstrukturen ableitet, ohne auf aufwändige 3D-Modelle oder quantenchemische Simulationen angewiesen zu sein. Bei der Anwendung auf 5.075 Liganden aus dem PDBbind-Datensatz identifizierte das Modell in etwa 2,5 Prozent der Fälle wahrscheinlich falsche Tautomer-Zuordnungen. Durch die KI-gestützte Neuzuordnung verbesserten sich die Wasserstoffbrückenbindungen mit den umgebenden Proteinen signifikant, was auf chemisch plausiblere Wechselwirkungen hindeutet. Die entwickelte Open-Source-Software mit dem Namen Tautomer-Predictor ermöglicht eine extreme Beschleunigung des Screening-Prozesses. In einem Belastungstest analysierte das Modell auf einer einzelnen GPU-Knoten ca. 4,6 Millionen Verbindungen innerhalb von 3,2 Stunden. Eine präzisere Tautomer-Zuordnung wirkt sich direkt auf die Qualität nachgelagerter molekularer Dynamiksimulationen aus, da fehlerhafte Bindungsmuster die Vorhersage von Wirkstoff-Protein-Interaktionen verfälschen könnten. Das Tool steht der wissenschaftlichen Community frei zur Verfügung und etabliert einen neuen Standard für die computergestützte Wirkstoffforschung, indem es experimentelle Kristallographiedaten effizient mit modernen Deep-Learning-Methoden verbindet.

Verwandte Links