<\/p>\n\n\n\n
Diffusionsmodelle werden zunehmend f\u00fcr die Entwicklung neuer Wirkstoffe eingesetzt. Doch welche Mechanismen dabei im Inneren der Modelle wirken, ist bislang nur teilweise verstanden. Eine aktuelle Studie von Dr. Andrea Mastropietro<\/strong> und Prof. Dr. J\u00fcrgen Bajorath<\/a><\/strong> von der Universit\u00e4t Bonn<\/strong> <\/a>und dem Lamarr-Institut f\u00fcr Maschinelles Lernen und K\u00fcnstliche Intelligenz<\/strong>, im Fachjournal Cell Reports Physical Science<\/a><\/strong> ver\u00f6ffentlicht, untersucht nun, wie diese KI-Modelle tats\u00e4chlich arbeiten und zeigt, dass sie chemische Zusammenh\u00e4nge anders nutzen als bislang oft angenommen.<\/p>\n\n\n\n Diffusionsmodelle sind eine Form generativer KI. Sie erzeugen neue Daten, indem sie schrittweise sogenanntes Rauschen aus bestehenden Beispielen entfernen. Rauschen bezeichnet dabei zuf\u00e4llige Ver\u00e4nderungen, die ein urspr\u00fcngliches Muster \u00fcberlagern. Was zun\u00e4chst bei Bildern und Videos eingesetzt wurde, wird inzwischen auch f\u00fcr chemische Fragestellungen eingesetzt. Die Studie untersucht das sogenannte Linker-Design. Dabei geht es um molekulare Verbindungsst\u00fccke, die einzelne Teile eines Molek\u00fcls zusammenf\u00fchren und ma\u00dfgeblich dessen Eigenschaften beeinflussen, etwa wie gut ein Wirkstoff an sein Ziel bindet.<\/p>\n\n\n\n Wie das Modell Molek\u00fcle zusammensetzt<\/strong><\/p>\n\n\n\n Zur Analyse des Generierungsprozesses entwickelten die Forschenden eine Methode namens DiffSHAPer. Sie basiert auf dem Konzept der Shapley-Werte aus der erkl\u00e4rbaren KI. Shapley-Werte stammen urspr\u00fcnglich aus der Spieltheorie und beschreiben, welchen Beitrag einzelne Elemente zu einem Gesamtergebnis leisten. \u00dcbertragen auf das Modell bedeutet das, dass sich quantifizieren l\u00e4sst, wie stark einzelne Atome eines Molek\u00fclfragments die Generierung eines Linkers beeinflussen. So wird sichtbar, welche Teile eines Molek\u00fcls die Entstehung eines Linkers besonders stark beeinflussen.<\/p>\n\n\n\n Die Ergebnisse zeigen, dass das untersuchte Modell bei der Erzeugung chemisch valider Linker vor allem r\u00e4umliche Abst\u00e4nde zwischen Atomen ber\u00fccksichtigt. Hinweise darauf, dass es dabei generalisierbare chemische Regeln oder funktionale Zusammenh\u00e4nge systematisch nutzt, fanden die Forschenden nicht. Stattdessen scheint die Generierung wesentlich durch wiederkehrende statistische Muster in den Trainingsdaten gepr\u00e4gt zu sein.<\/p>\n\n\n\n Was das f\u00fcr Forschung und Praxis bedeutet<\/strong><\/p>\n\n\n\n F\u00fcr die Wirkstoffentwicklung bedeutet das: Diffusionsmodelle liefern zwar formal korrekte Molek\u00fclstrukturen, deren funktionale Eigenschaften lassen sich daraus jedoch nicht unmittelbar ableiten. Ob diese auch die gew\u00fcnschten Eigenschaften besitzen, etwa stabil sind oder gezielt an ein biologisches Ziel binden, ist damit jedoch nicht automatisch gew\u00e4hrleistet. Ein Linker, der vor allem auf geometrischen Kriterien basiert, kann funktional ungeeignet sein. Die Ergebnisse ber\u00fchren damit eine zentrale Frage aktueller KI-Forschung: In welchem Ma\u00df erfassen generative Modelle fachliche Zusammenh\u00e4nge oder bilden sie prim\u00e4r statistische Korrelationen ab. Gerade in wissenschaftlichen Anwendungsfeldern wie der Arzneimittelentwicklung ist diese Unterscheidung entscheidend, da Fehlannahmen \u00fcber die Funktionsweis eines Modells direkte Auswirkungen auf Forschungsergebnisse haben k\u00f6nnen.Die Arbeit f\u00fcgt sich in die Forschung des Lamarr-Instituts zu vertrauensw\u00fcrdiger und erkl\u00e4rbarer KI ein. Im Mittelpunkt steht die Analyse komplexer Modelle, deren Ergebnisse \u00fcberpr\u00fcfbar und wissenschaftlich einordenbar sein m\u00fcssen. Die Studie zeigt exemplarisch, wie sich generative Verfahren im Detail untersuchen lassen und erm\u00f6glicht die gezielte Weiterentwicklung solcher Modelle.<\/p>\n\n\n\n