{"id":38050,"date":"2026-07-24T04:48:01","date_gmt":"2026-07-24T04:48:01","guid":{"rendered":"https:\/\/lamarr-institute.org\/?p=38050"},"modified":"2026-07-24T07:05:58","modified_gmt":"2026-07-24T07:05:58","slug":"laborjournal-essay-von-juergen-bajorath","status":"publish","type":"post","link":"https:\/\/lamarr-institute.org\/de\/news\/laborjournal-essay-von-juergen-bajorath\/","title":{"rendered":"Laborjournal-Essay von J\u00fcrgen Bajorath diskutiert die Rolle K\u00fcnstlicher Intelligenz in der Wirkstoffforschung"},"content":{"rendered":"\n

K\u00fcnstliche Intelligenz erzielt in der Wirkstoffforschung immer beeindruckendere Ergebnisse. Doch mit der Leistungsf\u00e4higkeit der Modelle w\u00e4chst auch eine grundlegende wissenschaftliche Frage: Wann liefern sie belastbare Erkenntnisse und wann lediglich plausible Vorhersagen? Dieser Frage widmet sich Prof. Dr. J\u00fcrgen Bajorath<\/a>, Area-Chair des Forschungsbereichs Life Sciences & Health am Lamarr-Institut und Professor an der Universit\u00e4t Bonn, in seinem aktuellen Essay im Laborjournal<\/a><\/em>. Darin pl\u00e4diert er daf\u00fcr, erkl\u00e4rbare KI st\u00e4rker in den Mittelpunkt der computergest\u00fctzten Arzneimittelforschung zu r\u00fccken.<\/p>\n\n\n\n

Gute Vorhersagen ersetzen kein wissenschaftliches Verst\u00e4ndnis<\/strong><\/p>\n\n\n\n

Moderne KI-Modelle k\u00f6nnen heute Millionen chemischer Verbindungen analysieren, vielversprechende Wirkstoffkandidaten identifizieren und komplexe Zusammenh\u00e4nge in biologischen Daten erkennen. F\u00fcr die Forschung er\u00f6ffnet dies enorme M\u00f6glichkeiten. Wissenschaftlicher Fortschritt entsteht jedoch nicht allein dadurch, dass ein Modell die richtige Antwort liefert. Entscheidend ist, ob Forschende nachvollziehen k\u00f6nnen, auf welchen Zusammenh\u00e4ngen diese Vorhersagen beruhen und welche biologischen Mechanismen dahinterstehen.<\/p>\n\n\n\n

An genau diesem Punkt setzt Bajoraths Essay an. Er argumentiert, dass erkl\u00e4rbare KI nicht als nachtr\u00e4gliche Erg\u00e4nzung verstanden werden sollte, sondern als Voraussetzung daf\u00fcr, computergest\u00fctzte und experimentelle Forschung sinnvoll miteinander zu verbinden. KI k\u00f6nne Experimente gezielt unterst\u00fctzen, neue Hypothesen generieren und Forschungsprozesse beschleunigen. Wissenschaftliche Erkenntnisse entst\u00fcnden jedoch erst, wenn ihre Ergebnisse experimentell \u00fcberpr\u00fcft und in ihren biologischen Kontext eingeordnet werden.<\/p>\n\n\n\n

Konsequente Weiterentwicklung aktueller KI-Forschung<\/strong><\/p>\n\n\n\n

Der Essay kn\u00fcpft an Bajoraths j\u00fcngste Forschung zu Transformer-Modellen in der Chemie<\/a> an. In einer im Herbst 2025 ver\u00f6ffentlichten Studie untersuchte sein Team, welche Informationen diese leistungsf\u00e4higen KI-Modelle tats\u00e4chlich aus chemischen Daten lernen. Die Arbeit zeigte, dass hohe Vorhersagegenauigkeit nicht automatisch bedeutet, dass ein Modell chemische Zusammenh\u00e4nge im wissenschaftlichen Sinne versteht. Der aktuelle Essay entwickelt diese Erkenntnis weiter und richtet den Blick auf die daraus entstehende Herausforderung: Wie m\u00fcssen KI-Systeme gestaltet werden, damit sie nicht nur zuverl\u00e4ssige Vorhersagen liefern, sondern auch zum wissenschaftlichen Erkenntnisgewinn beitragen?<\/p>\n\n\n\n

Die Frage, wie sich computergest\u00fctzte und experimentelle Forschung sinnvoll miteinander verbinden lassen, geh\u00f6rt 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 leistungsf\u00e4hige Modelle mit wissenschaftlicher Nachvollziehbarkeit verbinden.<\/p>\n\n\n