Neue KI-Framework Trio steigert Wirkstoffdesign um 12 %
Die Entwicklung neuer Medikamente bleibt ein langwieriger und kostenintensiver Prozess, bei dem herkömmliche Hochdurchsatz- und Docking-Methoden oft mit niedrigen Erfolgsquoten und begrenzter Skalierbarkeit kämpfen. Durch den Einsatz generativer Modelle – sei es autoregressiv, Diffusions- oder Flow-basierte Ansätze – ist es inzwischen möglich, Liganden neu zu entwerfen, die über die Grenzen des klassischen Screenings hinausgehen. Diese Modelle stoßen jedoch häufig an Grenzen: Sie generalisieren nicht ausreichend, sind schwer interpretierbar und fokussieren zu stark auf Bindungsaffinität, während wichtige pharmakologische Eigenschaften vernachlässigt werden.
Das neue Framework Trio kombiniert fragmentbasiertes molekulares Sprachmodell, Verstärkungslernen und Monte‑Carlo-Baumsuche, um ein geschlossenes, interpretierbares Design von Zielmolekülen zu ermöglichen. Durch kontextbewusste Fragmentzusammenstellung, die Einhaltung physikochemischer und synthetischer Machbarkeit sowie eine ausgewogene Suche zwischen der Erkundung neuer Chemotypen und der Ausnutzung vielversprechender Zwischenprodukte in Protein‑Bindungsstellen liefert Trio signifikante Verbesserungen.
Experimentelle Ergebnisse zeigen, dass Trio chemisch gültige und pharmakologisch optimierte Liganden erzeugt und dabei die Bindungsaffinität um 7,85 %, die Arzneimittelähnlichkeit um 11,10 % und die synthetische Zugänglichkeit um 12,05 % gegenüber aktuellen Spitzenansätzen steigert. Gleichzeitig vervielfacht es die molekulare Vielfalt mehr als vierfach.