{"id":13205,"date":"2024-07-31T08:08:20","date_gmt":"2024-07-31T08:08:20","guid":{"rendered":"https:\/\/lamarr-institute.org\/?p=13205"},"modified":"2025-04-03T14:52:04","modified_gmt":"2025-04-03T14:52:04","slug":"vorhersage-arzneiwirkung-durch-ml","status":"publish","type":"post","link":"https:\/\/lamarr-institute.org\/de\/news\/vorhersage-arzneiwirkung-durch-ml\/","title":{"rendered":"Neue Erkenntnisse zur Vorhersage der Arzneiwirkung durch Maschinelles Lernen"},"content":{"rendered":"\n

Prof. Dr. J\u00fcrgen Bajorath und sein Team zeigen im Journal „Cell Reports Physical Science“ die Funktionsweise von Machine Learning-Modellen in der Arzneimittelforschung auf.<\/strong><\/p>\n\n\n\n

Welche chemischen Verbindungen haben das Potenzial, wirksame Medikamente zu werden? Diese Frage wird zunehmend durch den Einsatz von Maschinellem Lernen und K\u00fcnstlicher Intelligenz beantwortet. Eine aktuelle Studie von Jannik P. Roth und Prof. Dr. J\u00fcrgen Bajorath, Professor an der Universit\u00e4t Bonn und am Bonn-Aachen-International Center for Information Technology (b-it)<\/a> sowie Lamarr Area Chair f\u00fcr Life Sciences<\/a>, bietet tiefere Einblicke in die Funktionsweise dieser technologischen Ans\u00e4tze.<\/p>\n\n\n\n

Wie treffen Machine Learning-Modelle ihre Vorhersagen?<\/h3>\n\n\n\n

In der Entwicklung neuer Medikamente sind Machine Learning-Modelle von zentraler Bedeutung. Sie prognostizieren, ob bestimmte chemische Verbindungen an pharmazeutische Zielproteine binden und dadurch eine gew\u00fcnschte Wirkung entfalten. Diese Modelle sind jedoch oft schwer zu durchschauen, da ihre Entscheidungen nicht direkt nachvollziehbar sind. In ihrer Studie entwickelten die Forscher ein Machine Learning-Modellsystem, das die Vorhersagen eines Algorithmus formal erkl\u00e4ren und vergleichen kann. Dies hilft, die Merkmale eines Wirkstoffmolek\u00fcls zu identifizieren, die ma\u00dfgeblich f\u00fcr die Vorhersage verantwortlich sind.<\/p>\n\n\n