Jörg Schrittwieser: Die Enzym-KI, die Pharmaherstellern Monate erspart

Jörg Schrittwieser forscht an der Universität Graz an Enzymen, die Pharmafirmen bei der Herstellung wichtiger Wirkstoffe helfen sollen.

Gemeinsam mit dem Pharmakonzern Roche und einer Bioinformatik-Firma hat er eine Methode entwickelt, die mit künstlicher Intelligenz vorhersagt, welches Enzym für eine bestimmte chemische Reaktion geeignet ist. Statt zahlreiche Enzyme einzeln zu testen, reichte am Ende eine deutlich kleinere Zahl an Kandidaten pro Zielmolekül.

Der Hintergrund: Über 90 % der meistverkauften Medikamente enthalten Stickstoff, und in beinahe der Hälfte dieser Medikamente findet sich eine sogenannte chirale Amin-Struktur. Genau solche Strukturen lassen sich mit Enzymen oft effizienter herstellen als mit klassischer Chemie – wenn das passende Enzym gefunden wird.

Wie funktioniert die Methode?

Die Forschungsgruppe untersuchte systematisch 175 verschiedene Imin-Reduktasen, eine Enzymklasse, die bei der Herstellung chiraler Amine eine Rolle spielt. Die Datenbasis dafür stammt aus knapp 28.000 Einzelreaktionen.

Mit diesem Datensatz lernte ein KI-Modell, Zusammenhänge zwischen Enzymstruktur und Reaktionserfolg zu erkennen. Das Modell kann zudem vorhersagen, welche spiegelbildliche Form eines Produkts bei einer Reaktion bevorzugt entsteht, wie Schrittwieser erläutert.

Wie lange dauerte die Entwicklung?

Das ursprüngliche Sammeln des Trainingsdatensatzes zog sich laut Schrittwieser über mehr als zwei Jahre hin. Von den gesammelten Reaktionen verlief damals weniger als ein Viertel erfolgreich – die Ausgangslage war also mühsam und mit vielen Fehlversuchen verbunden. Diese Geduldsarbeit bildete jedoch die Grundlage, auf der die spätere Vorhersage erst möglich wurde.

Mit dem trainierten Modell ging es danach deutlich schneller: Statt alle Enzyme zu testen, reichte es, pro Zielmolekül nur noch rund 15 Kandidaten zu untersuchen. Auf diese Weise stellte das Team vier verschiedene Zielmoleküle innerhalb von nur vier Wochen her.

Was zeigen die Zahlen zum Erfolg?

Die Trefferquote der KI-gestützten Vorhersagen lag bei 77 %. Einige der leistungsfähigsten Imin-Reduktasen erwiesen sich zudem als vielseitig einsetzbar und konnten laut Schrittwieser zahlreiche unterschiedliche Ausgangsstoffe umsetzen. Ausgewählte Reaktionen wurden anschließend in größerem Maßstab getestet und lieferten hohe Ausbeuten mit sehr hoher Reinheit.

Für die Industrie bedeutet das laut Schrittwieser, dass wesentlich mehr Enzyme unter industrierelevanten Bedingungen einsetzbar sind, als bislang angenommen wurde. Das verändert, wie Pharmafirmen künftig nach passenden Bio-Katalysatoren für neue Wirkstoffe suchen können, ohne jahrelange Vorarbeit leisten zu müssen.

Was als Nächstes kommt

Die Studienergebnisse und der zugrunde liegende Datensatz stehen für weitere Forschung frei zugänglich zur Verfügung. Damit können andere Arbeitsgruppen und Unternehmen auf der Arbeit von Schrittwieser und seinem Team aufbauen, statt erneut jahrelang eigene Trainingsdaten sammeln zu müssen.