Forschende der University of Michigan haben ein umfangreiches Open-Access-Datenbankprojekt abgeschlossen, das die künstliche Intelligenz in der Wirkstoffentwicklung vorantreiben soll. Unter der Leitung von Tim Cernak vom College of Pharmacy wurde über mehr als ein Jahrzehnt hinweg systematisch ein Datensatz mit über 50.600 chemischen Reaktionen zusammengestellt. Der Fokus lag auf Kohlenstoff-Stickstoff-Bindungen, die zu den fundamentalen Bausteinen moderner Arzneimittel gehören. Die Ergebnisse wurden kürzlich im Journal of the American Chemical Society veröffentlicht. Derzeit hemmt vor allem der Mangel an hochwertigen, standardisierten chemischen Daten die Leistungsfähigkeit von KI-Modellen in der Wirkstoffforschung. KI-Systeme benötigen große Trainingsdatensätze, um komplexe Reaktionsverläufe vorherzusagen und Synthesewege zu optimieren. Die neue Datenbank schließt diese Lücke und stellt den bisher größten zusammenhängenden Datensatz für chemische Reaktionsbedingungen bereit. Sie ist frei über die Open Reaction Database zugänglich und soll Wissenschaftlern weltweit als Grundlage für datengetriebene Entdeckungen dienen. Ein zentrales Ergebnis der Auswertung betrifft die Optimierung der Katalysatoren, die für die Arzneimittelherstellung unverzichtbar sind. Bisher dominiert Palladium als Katalysator, dessen Lieferketten jedoch anfällig für geopolitische Engpässe sind. Die Analyse der Daten zeigt, dass Nickel und in manchen Fällen sogar Kupfer die gleiche oder eine vergleichbare katalytische Effizienz aufweisen. Beide Metalle sind deutlich häufiger verfügbar und preisstabiler. Durch den systematischen Vergleich enthüllt der Datensatz zudem chemische Muster, die in traditionellen Studien oft übersehen werden. So ließen sich beispielsweise hochreaktive Arynzwischenstufen bei deutlich niedrigeren Temperaturen nachweisen, was neue Syntheserouten ohne Edelmetallkatalysatoren eröffnet. Mit diesem Projekt legt das Team den Grundstein für prädiktive Modelle, die den Entwicklungsprozess neuer Medikamente beschleunigen und kosteneffizienter gestalten sollen. Die Verfügbarkeit großer, strukturierter Reaktionsdatensätze wird zukünftig entscheidend sein, um die Abhängigkeit von kritischen Rohstoffen zu reduzieren und die chemische Synthese nachhaltiger zu machen. Die Datenbank dient dabei nicht als Abschluss, sondern als dynamische Plattform, die kontinuierlich erweitert werden soll, um dem wachsenden Bedarf der Pharmaforschung nach präzisen KI-gestützten Vorhersagen gerecht zu werden.