KI-Tool kartiert verborgene kleine Moleküle

Forscher der Boyce Thompson Institute und der Cornell University haben mit AIMe (AI Molecule Explorer) ein neuartiges KI-gestütztes Werkzeug vorgestellt, das die Identifizierung kleiner organischer Moleküle grundlegend beschleunigen soll. Bisher stößt die Analytik im Bereich der Metabolomik und Toxikologie regelmäßig an Grenzen, da experimentelle Referenzbibliotheken in der Massenspektrometrie weniger als ein Prozent der bekannten Verbindungen abdecken. Die manuelle Auswertung von Fragmentierungsmustern ist zudem zeitintensiv und lässt tausende unerkannte Verbindungen unannotiert. AIMe umgeht dieses Problem durch den Einsatz neuro-symbolischer KI. Im Kern des Systems steht das Modell DeepMS2Reasoner, das den Zerfall von Molekülen in Massenspektrometern nachstellt. Durch die Kombination symbolischer chemischer Regeln zur Ermittlung physikalisch plausibler Fragmentierungspfade und neuronaler Netze zur Wahrscheinlichkeitszuweisung generiert das Tool über 800 Millionen vorhergesagte Tandem-Massenspektren. Diese bilden die Datenbank MS2KOSMOS, die nahezu alle bekannten kleinen organischen Moleküle der öffentlichen Chemie-Datenbank PubChem abdeckt und den durchsuchbaren chemischen Raum um den Faktor tausend im Vergleich zu bestehenden experimentellen Sammlungen erweitert. In praktischen Tests analysierten die Forscher ein vergleichendes Metabolomik-Dataset von Keimlingen und Mäusen mit intakter Darmflora. Während herkömmliche Methoden nur wenige der tausend unterschiedlichen chemischen Merkmale zuordnen konnten, nutzten sie AIMe, um die Spektren der 111 häufigsten unbekannten mikrobiota-abhängigen Verbindungen abzugleichen. Für etwa ein Drittel der Proben lieferte das System direkte spektrale Übereinstimmungen und verwandte Strukturkandidaten. Bei den übrigen Proben ordnete AIMe die Daten strukturellen Nachbarschaften zu, was die Hypothesenbildung maßgeblich förderte. Zwei konkrete Fälle verdeutlichen das Potenzial: Während eine Verbindung als lineares Putrescin-Derivat identifiziert und bestätigt werden konnte, führte die KI-Analyse zur Aufdeckung eines bisher unbekannten makrocyclischen Polyamins in Ringform. Diese Struktur wurde später auch in menschlichen Stuhlproben nachgewiesen, was darauf hindeutet, dass der Katalog mikrobiota-abhängiger Polyamine weitaus lückenhafter ist als angenommen. Auf Repository-Ebene testeten die Entwickler AIMe an mehr als sieben Millionen Spektralclustern der Global Natural Products Social Molecular Networking Datenbank. Verglichen mit bisherigen annotierten Ansätzen lieferte das Tool für rund 2,69 Millionen Cluster neue plausible Annotationen. Die Forscher um Frank Schroeder und Carla Gomes stellen die Software und den Quellcode nach Veröffentlichung der Studie öffentlich zur Verfügung. Durch die übersetzbaren, chemisch interpretierbaren Vorhersagen statt reiner Black-Box-Ergebnisse etabliert AIMe einen skalierbaren Ansatz, der die Strukturaufklärung in der Biomedizin, Lebensmittelanalytik und Wirkstoffforschung nachhaltig transformieren wird.