KI beschleunigt die Identifizierung therapierbarer Ziele durch 3D-Strukturen von Proteinen und Verbindungen

Warum schnellere Krebswirkstoffforschung wichtig ist

Krebsmedikamente sind berüchtigt dafür, langsam und kostspielig entwickelt zu werden: Oft vergehen mehr als ein Jahrzehnt und Milliarden von Dollar, bevor ein einziges Präparat bei Patientinnen und Patienten ankommt. Viele vielversprechende Ansätze scheitern unterwegs, weil Forschende Schwierigkeiten haben, die richtigen biologischen Ziele auszuwählen und aus der enormen Zahl chemischer Möglichkeiten jene Verbindungen herauszufiltern, die wirklich sinnvoll sind. Dieser Artikel erklärt, wie neue Formen der künstlichen Intelligenz diesen Prozess umgestalten. Indem Computer das dreidimensionale Erscheinungsbild von Proteinen und Wirkstoffmolekülen erlernen und aus riesigen Sammlungen genetischer und klinischer Daten lernen, hoffen Wissenschaftlerinnen und Wissenschaftler, bessere Krebsmedikamente schneller und kostengünstiger zu finden.

Vom Trial-and-Error zu intelligenterem Design

Die traditionelle Wirkstoffforschung gleicht einem aufwändigen Trial-and-Error-Verfahren. Forschende wählen zunächst eine Handvoll biologischer Ziele aus – etwa Proteine, die das Wachstum von Tumorzellen steuern – und testen dann tausende Chemikalien im Labor, um zu sehen, welche an diesen Zielen haften. Die vielversprechendsten „Hits“ werden langsam verfeinert, um Sicherheit, Verweildauer im Körper und Tumorakkumulation zu verbessern. Selbst mit früheren Generationen computergestützter Modellierung ist diese Pipeline lang, ausfallanfällig und besonders schwierig beim Krebs, weil Tumoren genetisch heterogen sind und schnell Therapieresistenzen entwickeln. Die Übersicht zeigt, wie KI auf älteren computergestützten Design-Tools aufbaut, aber besser geeignet ist für die unordentlichen, komplexen Daten der modernen Biologie.

Wie KI neue Krebsziele findet

Eine wichtige Anwendung von KI ist die Entscheidung, worauf man überhaupt abzielt. Die moderne Krebsforschung erzeugt sogenannte Multi-Omics-Daten – detaillierte Messungen von DNA-Mutationen, Genaktivität, Proteinen, chemischen Markierungen auf der DNA und mehr. Menschen und einfache Algorithmen tun sich schwer, in dieser Informationsflut klare Muster zu erkennen. Maschinelle Lernsysteme können diese gemischten Datenquellen durchforsten, sie mit Patientenergebnissen verknüpfen und herausstellen, welche Gene oder Signalwege für einen bestimmten Krebs besonders relevant sind. Der Artikel beschreibt Plattformen, die genetische Daten mit aus Fachartikeln und klinischen Studien extrahierten Mustern kombinieren, um potenzielle Ziele zu priorisieren und abzuschätzen, wie leicht sie durch ein Medikament beeinflussbar wären. KI-Modelle können sogar vorhersagen, wie einzelne Basenveränderungen in einem Protein oder gepaarte genetische Schwächen Tumorzellen besonders verwundbar machen, was Möglichkeiten für hochselektive Therapien aufzeigt.

Chemischen Raum per virtuellem Screening durchsuchen

Sobald ein Ziel vielversprechend erscheint, steht Forschenden weiterhin ein enormer Raum möglicher Wirkstoffmoleküle gegenüber. Beim virtuellen Screening simulieren Computer, wie kleine Moleküle mit der dreidimensionalen Oberfläche eines Ziels interagieren könnten. KI verbessert diesen Schritt auf mehrere Arten. Deep-Learning-Modelle sagen Proteinstrukturen direkt aus Aminosäuresequenzen voraus und liefern detaillierte Formen, auch wenn keine Kristallstruktur vorliegt. Andere neuronale Netze lernen aus bekannten Protein–Wirkstoff-Komplexen, um schnell abzuschätzen, wie gut neue Moleküle binden könnten, sodass Wissenschaftler Millionen oder sogar Milliarden Kandidaten in silico sichten können, bevor eine kleine, priorisierte Auswahl im Labor getestet wird. KI stärkt auch Methoden, die ohne vollständige Strukturkenntnis arbeiten, indem sie subtile Zusammenhänge zwischen molekularen Merkmalen und biologischen Effekten erlernt und so schwache oder toxische Verbindungen früh aussortiert.

Neue Moleküle von Grund auf entwerfen

Jenseits der Durchsuchung bestehender chemischer Bibliotheken kann generative KI völlig neue, bisher unbekannte Moleküle erfinden. Diese Modelle lernen die „Sprache“ der Chemie und schlagen dann neue Atomkombinationen vor, die mehrere Ziele gleichzeitig erfüllen sollen – etwa starke Bindung an ein Krebsziel, günstiges ADME-Verhalten und niedrige Toxizität. Manche Systeme konditionieren ihre Entwürfe sogar auf Tumor-Genexpressionsmuster und passen Kandidaten so effektiv an spezifische Krebsuntertypen an. Die Übersicht betrachtet mehrere Familien generativer Modelle, die jeweils unterschiedliche Kompromisse zwischen Vielfalt, Realismus und Synthesefreundlichkeit bieten. Sie stellt auch fest, dass aktuelle Verfahren noch damit ringen, zu erklären, warum ein Entwurf funktioniert, und sicherzustellen, dass vorgeschlagene Moleküle tatsächlich synthetisierbar und testbar sind.

Hürden, Ethik und der Weg zur Klinik

Trotz beachtlicher Fortschritte betont der Artikel, dass KI kein magischer Schalter ist. Diese Modelle sind nur so gut wie die Daten, aus denen sie lernen, die unvollständig sein können, eine Verzerrung zugunsten häufiger Krebsarten aufweisen oder hinter Bezahlschranken liegen. Viele leistungsfähige neuronale Netze agieren als „Black Boxes“, was es Ärzten und Regulatoren erschwert, ihren Empfehlungen zu vertrauen. Forschende arbeiten daher an erklärbarer KI, die offenlegt, welche molekularen Merkmale oder genetischen Signale eine Vorhersage antreiben. Es gibt auch praktische Beschränkungen: Der Betrieb modernster Modelle erfordert erhebliche Rechenressourcen und Expertise, und die Nutzung sensibler Patientendaten wirft Datenschutz- und Aufsichtsfragen auf. Dennoch sind bereits mehrere durch KI gesteuerte Krebsmedikamente in klinischen Studien, was einen Ausblick auf das Potenzial bietet.

Was das für die künftige Krebsversorgung bedeutet

Kurz gesagt kommt der Artikel zu dem Schluss, dass KI die Wirkstoffforschung von einer langsamen, größtenteils manuellen Suche in einen informierteren, feedbackgesteuerten Prozess verwandelt. Indem sie detaillierte Ansichten von Tumoren mit präzisen Karten von Proteinformen und umfangreichen chemischen Bibliotheken verknüpft, können KI-Systeme bessere Ziele vorschlagen, schwache Ideen früh verwerfen und neue Moleküle entwerfen, die auf die Biologie spezifischer Krebsarten zugeschnitten sind. Herausforderungen hinsichtlich Datenqualität, Transparenz und Regulierung bleiben bestehen, doch frühe klinische Erfolge deuten darauf hin, dass KI-entworfene Medikamente vom Bildschirm in die reale Therapie vorstoßen. Setzen sich diese Trends fort, könnten künftige Krebspatientinnen und -patienten Therapien erhalten, die schneller verfügbar sind, seltener scheitern und besser auf die individuellen Merkmale ihrer Krankheit abgestimmt sind.

Zitation: Li, D., Shi, S., Yu, Z. et al. AI accelerate the identification of druggable targets by 3D structures of proteins and compounds. npj Precis. Onc. 10, 133 (2026). https://doi.org/10.1038/s41698-026-01310-7

Schlüsselwörter: Krebswirkstoffforschung, künstliche Intelligenz, Proteinstruktur, virtuelles Screening, generatives Wirkstoffdesign