<p>Ein neues, formal verifiziertes Messwerkzeug namens Budget‑Sensitive Discovery Score (BSDS) wurde vorgestellt, das die Bewertung von KI‑gestützten Auswahlstrategien in der wissenschaftlichen Forschung revolutioniert. Durch die Kombination von Fehlentdeckungs‑ und Abweichungs­penalitäten liefert der BSDS ein umfassendes Bild der Effizienz von Auswahlmethoden, während die daraus abgeleitete Discovery Quality Score (DQS) eine einheitliche Kennzahl bietet, die Manipulationen durch gezielte Budgetwahl ausschl

Die Autoren nutzten den Lean‑4-Beweisassistenten, um 20 Theoreme zu prüfen, die die mathematische Richtigkeit des Scores garantieren. Im praktischen Test wurden 39 verschiedene Auswahlverfahren – darunter klassische Random‑Forest‑Modelle, neuronale Netze und mehrere Varianten von Large Language Models (LLMs) – auf dem MoleculeNet HIV‑Datensatz evaluiert. Trotz der hohen Erwartungen an LLMs zeigte sich, dass das einfache Greedy‑ML‑Modell mit Random Forest die höchste DQS‑Wertung erzielte und alle LLM‑Konfigurationen bei Zero‑Shot‑ und Few‑Shot‑Tests unterlag.

Diese Ergebnisse legen nahe, dass aktuelle LLM‑Ansätze in ihrer derzeitigen Form keinen Mehrwert gegenüber etablierten, trainierten Modellen für die Auswahl von Wirkstoffkandidaten bieten. Der BSDS‑Framework stellt damit ein wichtiges Werkzeug dar, um zukünftige KI‑gestützte Auswahlstrategien objektiv und budgetsensitiv zu vergleichen und die Entwicklung von effizienteren, kostengünstigeren Experimenten zu fördern.