 |  | Jens Meiler |
| | Clara Schoeder |
 |
08.02.2024 10:30 Uhr |
Computergestützte Methoden sind aus der Wirkstoffentwicklung nicht mehr wegzudenken. / Foto: Getty Images/Westend61
Künstliche Intelligenz (KI) ist zurzeit in aller Munde, ob im privaten Umfeld oder der Arbeitswelt. Doch wird selten definiert, was genau darunter eigentlich zu verstehen ist. Tatsächlich existieren verschiedene Definitionen, die bestimmte Methoden des statistischen Lernens ein- oder ausschließen. Oftmals werden alle computergestützten Methoden, die Selbstoptimierung ermöglichen, unter KI zusammengefasst. Dazu zählen zum Beispiel -einfache Verfahren des maschinellen Lernens wie die lineare Regression, aber auch komplexere Methoden wie künstliche neuronale Netze. Die Grundlagen und Konzepte für viele dieser Methoden wurden schon in den 1950er- und 60er-Jahren gelegt, waren aber durch technische Limitationen der Computer und die Unzugänglichkeit zu Daten in ihrer Anwendung begrenzt.
Die ersten Versuche, rationale Wirkstoffentwicklung in Zahlen und Modelle zu überführen, die maschinell verarbeitet und zur Prognose verwendet werden können, stammen aus den 1960er-Jahren. Sie fußen auf den Struktur-Wirkungs-Beziehungen von Arzneistoffen. Medizinisch-chemisch betrachtet, bedeuten diese nichts anderes, als dass die Veränderung einer Molekülstruktur mit einem zu beobachtenden biologischen Effekt in Zusammenhang gebracht wird, zum Beispiel der Bindung an einen Rezeptor oder der Aktivierung eines Signalwegs.
Beim sogenannten ligandenbasierten Wirkstoffdesign werden diese Zusammenhänge in mathematische Modelle überführt. Dies wird durch zwei Faktoren besonders erschwert:
Aus diesen Gründen waren die ersten Modelle zur Optimierung von Wirkstoffen starken Einschränkungen unterworfen und in der Wirkstoffentwicklung nur bedingt anwendbar. Wegweisend waren etwa die Arbeiten des US-amerikanischen Chemikers Corwin Hansch, der quantitative Struktur-Wirkungs-Beziehungen für viele Substanzklassen beschrieben hat (1, 2).
Foto: Getty Images/Hiroshi Watanabe
Künstliche Intelligenz umfasst per Definition der Bundesregierung Methoden zur Lösung von Anwendungsproblemen in der Mathematik und Informatik, die zur Selbstoptimierung fähig sind. Dazu zählen unter anderem Methoden des maschinellen Lernens, aber auch wissensbasierte Systeme.
Maschinelles Lernen bezeichnet die Verwendung von computergestützten Methoden und statistischen Modellen, die Gesetzmäßigkeiten, Abhängigkeiten und Muster aus zugrunde liegenden Daten ableiten. Beispiele für maschinelles Lernen sind künstliche neuronale Netzwerke, Support-Vektor-Maschinen sowie die Anwendung von linearer Regression.
Künstliche oder artifizielle neuronale Netzwerke (KNN oder ANN) wurden nach dem Beispiel des Neurons im Nervensystem entwickelt. Anhand von Testdaten werden Gewichtungen von verschiedenen Parametern bestimmt, wobei das Ergebnis der Zuordnungsvorhersage dazu dient, die Gewichte so lange anzupassen, bis die Zuordnung optimal ist. Ähnlich zu der Verschaltung von Neuronen im menschlichen Gehirn können diese Netzwerke verschiedene nacheinander geschaltete Neuronen – und damit mehrere Schichten – haben.
Deep Learning oder mehrschichtiges Lernen ist eine Unterordnung der maschinellen Lernverfahren. Sie basieren auf KNN, die viele Schichten haben. Dadurch können deutlich mehr Parameter verarbeitet und berechnet werden, es werden aber auch große Datensätze benötigt. Ein Nachteil ist, dass die Optimierung in den Schichten bisher schwer oder gar nicht nachzuvollziehen ist.
