Forschende der Texas A&M University haben künstliche Intelligenz gezielt in die Entwicklung neuer Arzneimittel gegen Tuberkulose integriert, um den bisher langsamen und ressourcenintensiven Prozess der Wirkstoffsuche zu beschleunigen. Unter der Leitung von Professor James Sacchettini entwickeln die Teams um Saswati Panda und Siddhant Rath KI-gestützte Werkzeuge, die bereits im Rahmen des von der Gates Foundation geförderten Konsortiums Tuberculosis Drug Accelerator eingesetzt werden. Tuberkulose bleibt weltweit eine der tödlichsten Infektionskrankheiten. Die langsamen Wachstumsraten des Bakteriums und seine schützende Wachsbeschichtung erschweren die Behandlung erheblich. Traditionelle Wirkstoffscreenings generieren oft Tausende von Verbindungskandidaten, von denen ein Großteil in späteren Phasen als Sackgassen entlarvt wird. Um diese Ineffizienz zu bekämpfen, hat das Team der Texas A&M University zwei zentrale KI-Modelle entwickelt, die nahtlos in die Forschungsinfrastruktur eingebettet sind. Das Kernstück bildet die Open-Source-Plattform DAIKON, die 2023 veröffentlicht wurde. Sie bündelt jahrzehntelange, zuvor verstreute experimentelle Daten aus der Genetik bis hin zur organischen Chemie in einer durchsuchbaren Datenbank. Auf dieser Grundlage kam das KI-Modell CAGE-Fusion zum Einsatz, das im Journal of Cheminformatics vorgestellt wurde. Es identifiziert zuverlässig sogenannte Störmoleküle, die in frühen Tests falsche Positive vortäuschen, sei es durch Aggregation, chemische Interferenzen oder unspezifische Bindung. Das System stuft problematische Verbindungen in rund 94 Prozent der Fälle korrekt als verdächtig ein und visualisiert dem Fachpersonal die kritischen Molekülregionen. Durch die automatische Integration in DAIKON werden Fehlinvestitionen noch vor den kostspieligen Entwicklungsstadien unterbunden. Ein weiteres KI-Tool adressiert die Informationsflut des Konsortiums. Es ermöglicht die visuelle Nachverfolgung von Molekülen über mehrere Forschungsprojekte hinweg und beantwortet gezielte Suchanfragen über eine Chat-Schnittstelle. Damit werden historische Präsentationen, Meeting-Protokolle und chemische Strukturdaten innerhalb von Sekunden abrufbar, was bisherige manuelle Suchprozesse erheblich beschleunigt. Mit den Verarbeitungskapazitäten moderner KI-Architekturen dienen die Tools primär als strategisches Filterwerkzeug. Ziel ist nicht die autonome Generierung exakter Wirkstoffstrukturen, sondern die präzise Elimination unwirtschaftlicher Forschungsrichtungen. Die integrierten Systeme reduzieren die Zeit von der ersten Idee bis zum klinischen Kandidat signifikant und entlasten das Laborpersonal von repetitiven Datenprüfungen. Mit diesen digitalen Lösungen setzt das Team der Texas A&M University auf eine effizientere, datengetriebene Bekämpfung einer Krankheit, die in ärmeren Regionen besonders schwer zu kontrollieren ist und in den USA trotz jahrzehntelanger Kontrollmaßnahmen weiterhin Ausbrüche verursacht. Die Arbeit markiert einen konkreten Schritt hin zu beschleunigtem Drug Discovery im medizinischen KI-Einsatz.