MAMMAL - Molekular ausgerichtete Multi‑Modal‑Architektur und Sprache für biomedizinische Entdeckungen

Warum intelligentere Wirkstoffforschung wichtig ist

Neue Medikamente zu finden ist langsam, riskant und extrem teuer. Die meisten Wirkstoffkandidaten scheitern noch immer in klinischen Studien, oft nach jahrelanger Arbeit. Gleichzeitig erzeugen biologische Labore heute riesige Datenmengen über Gene, Proteine, Zellen und Chemikalien. Dieser Beitrag stellt MAMMAL vor, ein neues KI‑System, das aus all diesen Datentypen gleichzeitig lernt. Indem es Muster zwischen Molekülen, Zellen und Wirkstoffen verknüpft, soll es Forschenden helfen, bessere Ziele auszuwählen, bessere Medikamente zu entwerfen und teure Sackgassen früher im Prozess zu vermeiden.

Ein Gehirn für viele Arten biologischer Daten

Die heutigen KI‑Werkzeuge in der Biomedizin sind oft Spezialisten: Ein Modell verarbeitet Proteinsequenzen, ein anderes kleine Moleküle, und wieder ein anderes betrachtet nur Genaktivität. MAMMAL geht einen anderen Weg. Es behandelt Proteine, Antikörper, kleinmolekulare Wirkstoffe und Genexpressionsprofile als verschiedene Arten von „Sätzen“, die alle vom selben Modell gelesen werden können. Dazu entwickelten die Forschenden eine flexible Methode, jeden Datentyp in ein gemeinsames Sequenzformat zu überführen, und trainierten ein großes transformerbasiertes Netzwerk – ähnlich in der Denkweise moderner Sprachmodelle – an etwa zwei Milliarden Beispielen aus öffentlichen Protein-, Antikörper-, Chemikalien‑ und zellbezogenen Datensätzen.

Die Sprache von Wirkstoffen und Zellen lernen

MAMMAL ist so konzipiert, dass es biologische Informationen sowohl versteht als auch erzeugt. Es kann klassifizieren, bewerten oder Zahlen vorhersagen, etwa Bindungsstärken oder Wirkstoffpotenzen, und es kann auch neue Sequenzen erfinden, zum Beispiel Vorschläge für neue Antikörperfragmente. Ein zentrales Merkmal ist, dass es nicht nur Symbole sieht; es kann auch numerische Werte direkt aufnehmen und ausgeben, etwa Messwerte aus Laborassays. Das hilft ihm zu beurteilen, wie stark ein Wirkstoff an ein Protein bindet oder wie eine Krebszelle auf eine Behandlung reagiert. All diese Aufgaben sind als Varianten einer Kernaktivität formuliert: eine Sequenz in eine andere zu überführen, ähnlich wie beim Übersetzen zwischen Sprachen.

Das Modell entlang der Wirkstoffpipeline testen

Um zu prüfen, ob dieser vereinheitlichte Ansatz tatsächlich hilft, testeten die Autorinnen und Autoren feinabgestimmte Versionen von MAMMAL auf elf verschiedenen Benchmarks, die reale Schritte in der Wirkstoffforschung nachbilden. Dazu gehörten das Erkennen von Zelltypen aus Einzelzell‑Genexpressionsdaten, die Vorhersage, ob kleine Moleküle die Blut‑Hirn‑Schranke überwinden oder toxische Nebenwirkungen verursachen, die Abschätzung, wie Krebszellen auf verschiedene Wirkstoffe reagieren, und die Prognose, wie stark Proteine aneinander oder an kleinmolekulare Wirkstoffe binden. MAMMAL erreichte oder übertraf die besten berichteten Leistungen in neun von elf Tests und schlug dabei oft hochspezialisierte Modelle, die nur für einen Datentyp optimiert waren.

Antikörper entwerfen und Strukturmodelle herausfordern

Einige der beeindruckendsten Ergebnisse stammten aus proteinbasierten Aufgaben. In einer Antikörper‑„Infilling“‑Herausforderung – bei der es darum ging, die variabelsten Segmente zu ergänzen, die tatsächlich Kontakt zu einem Ziel haben – stellte MAMMAL die korrekten Aminosäuren deutlich häufiger wieder her als frühere Methoden, insbesondere in der berüchtigt schwierigen zentralen Region der Bindungsstelle. Das Team prüfte auch, ob MAMMAL bindende und nicht bindende Antikörper unterscheiden kann, und verglich es mit AlphaFold 3, einem Strukturvorhersagewerkzeug, dessen Konfidenzwerte als indirekter Hinweis auf Bindung dienen können. Bei fünf von sieben Testzielen, darunter große und flexible Proteine von Relevanz für Krebs, waren MAMMALs Bindungsvorhersagen deutlich genauer, obwohl es nur Sequenzen und keine 3D‑Strukturen sah.

Anzeichen für reale Auswirkungen

Über Benchmarks hinaus prüften die Forschenden, ob die Vorhersagen des Modells mit Laborergebnissen übereinstimmen. Sie untersuchten vier Krebsmedikamente, darunter Carfilzomib, das hauptsächlich für Blutkrebserkrankungen zugelassen ist. MAMMAL sagte die relative Wirksamkeit dieser Wirkstoffe über Hunderte von Zelllinien hinweg korrekt voraus, und diese Rangfolge wurde in gezielten Experimenten bestätigt. Diese Beobachtung deutet darauf hin, dass der Wirkstoff möglicherweise eine breitere Wirksamkeit in soliden Tumoren hat als bisher angenommen – ein Befund, der weitere Tests rechtfertigt. Das Modell zeigte sich auch vielversprechend in Kooperationen zur Vorhersage von Antikörperaktivität gegen Grippeviren und andere Ziele.

Was das für zukünftige Medikamente bedeutet

Einfach gesagt fungiert MAMMAL wie ein mehrsprachiger Leser und Schreiber für die Biologie, der innerhalb eines einzigen Rahmens Verknüpfungen zwischen Genen, Proteinen und Chemikalien herstellen kann. Seine starke Leistung in zahlreichen Aufgaben legt nahe, dass solche vereinheitlichten Modelle zentrale Bausteine von KI‑unterstützten „virtuellen Zellen“ werden können, die Forschenden helfen, Therapien in silico zu erkunden, bevor sie ins Labor gehen. Zwar ersetzt es Experimente nicht – und es benötigt weiterhin sorgfältige Validierung –, aber es kann den Suchraum eingrenzen, überraschende Möglichkeiten aufzeigen und den langen Weg von der Idee zum zugelassenen Medikament etwas schneller und effizienter machen.

Zitation: Shoshan, Y., Raboh, M., Ozery-Flato, M. et al. MAMMAL - Molecular Aligned Multi-Modal Architecture and Language for biomedical discovery. npj Drug Discov. 3, 14 (2026). https://doi.org/10.1038/s44386-026-00047-4

Schlüsselwörter: KI‑gestützte Wirkstoffforschung, multimodale biomedizinische Modelle, Antikörperdesign, Protein–Wirkstoff‑Interaktionen, Genexpressionsprofile