Künstliche Intelligenz erzielt in der Wirkstoffforschung immer beeindruckendere Ergebnisse. Doch mit der Leistungsfähigkeit der Modelle wächst auch eine grundlegende wissenschaftliche Frage: Wann liefern sie belastbare Erkenntnisse und wann lediglich plausible Vorhersagen? Dieser Frage widmet sich Prof. Dr. Jürgen Bajorath, Area-Chair des Forschungsbereichs Life Sciences & Health am Lamarr-Institut und Professor an der Universität Bonn, in seinem aktuellen Essay im Laborjournal. Darin plädiert er dafür, erklärbare KI stärker in den Mittelpunkt der computergestützten Arzneimittelforschung zu rücken.
Gute Vorhersagen ersetzen kein wissenschaftliches Verständnis
Moderne KI-Modelle können heute Millionen chemischer Verbindungen analysieren, vielversprechende Wirkstoffkandidaten identifizieren und komplexe Zusammenhänge in biologischen Daten erkennen. Für die Forschung eröffnet dies enorme Möglichkeiten. Wissenschaftlicher Fortschritt entsteht jedoch nicht allein dadurch, dass ein Modell die richtige Antwort liefert. Entscheidend ist, ob Forschende nachvollziehen können, auf welchen Zusammenhängen diese Vorhersagen beruhen und welche biologischen Mechanismen dahinterstehen.
An genau diesem Punkt setzt Bajoraths Essay an. Er argumentiert, dass erklärbare KI nicht als nachträgliche Ergänzung verstanden werden sollte, sondern als Voraussetzung dafür, computergestützte und experimentelle Forschung sinnvoll miteinander zu verbinden. KI könne Experimente gezielt unterstützen, neue Hypothesen generieren und Forschungsprozesse beschleunigen. Wissenschaftliche Erkenntnisse entstünden jedoch erst, wenn ihre Ergebnisse experimentell überprüft und in ihren biologischen Kontext eingeordnet werden.
Konsequente Weiterentwicklung aktueller KI-Forschung
Der Essay knüpft an Bajoraths jüngste Forschung zu Transformer-Modellen in der Chemie an. In einer im Herbst 2025 veröffentlichten Studie untersuchte sein Team, welche Informationen diese leistungsfähigen KI-Modelle tatsächlich aus chemischen Daten lernen. Die Arbeit zeigte, dass hohe Vorhersagegenauigkeit nicht automatisch bedeutet, dass ein Modell chemische Zusammenhänge im wissenschaftlichen Sinne versteht. Der aktuelle Essay entwickelt diese Erkenntnis weiter und richtet den Blick auf die daraus entstehende Herausforderung: Wie müssen KI-Systeme gestaltet werden, damit sie nicht nur zuverlässige Vorhersagen liefern, sondern auch zum wissenschaftlichen Erkenntnisgewinn beitragen?
Die Frage, wie sich computergestützte und experimentelle Forschung sinnvoll miteinander verbinden lassen, gehört zu den zentralen Herausforderungen moderner KI in den Lebenswissenschaften. Genau an dieser Schnittstelle arbeiten am Lamarr-Institut Forschende aus Informatik, Chemie und Biologie gemeinsam an Methoden, die leistungsfähige Modelle mit wissenschaftlicher Nachvollziehbarkeit verbinden.
Publikation der Studie zu Transformer-Modellen:
Jannik P. Roth, Jürgen Bajorath: Unraveling learning characteristics of transformer models for molecular design, Patterns, https://doi.org/10.1016/j.patter.2025.101392, URL: https://www.cell.com/patterns/fulltext/S2666-3899(25)00240-5