Bis zum Jahr 2050 könnten antibiotikaresistente Infektionen weltweit jährlich mehr als acht Millionen Todesfälle verursachen. Da Bakterien wie E. coli zunehmend gegen konventionelle Wirkstoffe unempfindlich werden, ist die rasche Entwicklung neuer Antibiotika eine dringende Priorität. Derzeitige Forschungs- und Zulassungsprozesse dauern durchschnittlich über zehn Jahre und kosten mehr als eine Milliarde Dollar. Zudem sind viele seit 2017 zugelassenen neuen Antibiotika bereits bei bestimmten Erregern unwirksam geworden. Um diese Engpässe zu überwinden, setzen Forschende nun auf eine innovative Methodenkombination aus generativer künstlicher Intelligenz und physikbasierten Simulationen. Der Ansatz konzentriert sich auf Peptide, also kurze Proteinsequenzen, die in der Natur bereits als natürliche Abwehrmechanismen fungieren. Anstelle herkömmlicher Wirkstoffsuche nutzt ein KI-Modell zwei Komponenten: einen Generator, der Millionen neuartiger molekularer Entwürfe erzeugt, und einen Empfehlungsalgorithmus, der diejenigen Designs auswählt, die für physikalische Tests vielversprechend erscheinen. Studien zeigen, dass das Training des Generators nicht von der Datenmenge, sondern von der gezielten Auswahl hochrelevanter Merkmale profitiert. Da oft nur ein kleiner Teil bekannter Peptide experimentell auf antimikrobielle Eigenschaften untersucht wurde, ermöglicht die Fokussierung auf präzise Informationen eine effizientere Mustererkennung. Die eigentliche Validierung übernehmen physikbasierte Simulationen, die als in-silico-Mikroskop fungieren. Da die Funktion von Peptiden stark von ihrer räumlichen Struktur abhängt, modellieren die Computer das Verhalten einzelner Atome in wässrigen Umgebungen und an vereinfachten Zellmembranen. Dabei wird beobachtet, wie die Moleküle mit bakteriellen und menschlichen Zellhüllen interagieren. Ziel ist es, Peptide zu identifizieren, die selektiv die Membran von Krankheitserregern zerstören, ohne gleichzeitig menschliche Zellen zu schädigen. Dieser computergestützte Screening-Prozess erlaubt eine frühe Vorhersage von Wirksamkeit und Toxizität, bevor aufwändige Laborversuche beginnen. Die Integration dieser Technologien verspricht einen signifikanten Paradigmenwechsel in der Wirkstoffentwicklung. Durch die digitale Vorselektion können Forschende den zeitaufwändigen Forschungsprozess erheblich verkürzen und sich auf die klinische Validierung vielversprechender Kandidaten konzentrieren. Dies senkt nicht nur die Entwicklungskosten dramatisch, sondern beschleunigt auch die Bereitstellung kostengünstiger Antibiotika genau in dem Zeitraum, in dem die globale Gesundheitslage am akutesten ist. Die Kombination aus datengesteuerten KI-Modellen und realitätsnahen physikalischen Engines etabliert sich zunehmend als Schlüsseltechnologie im Kampf gegen multiresistente Keime.