Wenn künstliche Intelligenz Chemie versteht: Connor Coley, MIT und die Zukunft der Wirkstoffforschung

Künstliche Intelligenz verändert die Chemie. Sie hilft, gewaltige Molekülräume zu durchsuchen, neue Wirkstoffkandidaten zu entwerfen und chemische Reaktionen vorherzusagen. Der MIT-Forscher Connor Coley steht für eine neue Generation wissenschaftlicher KI: Modelle sollen nicht nur Datenmuster erkennen, sondern chemische Prinzipien wie Molekülform, Reaktionsmechanismen, Massenerhaltung und Elektronenfluss berücksichtigen.

Einleitung: Warum Chemie ein ideales Feld für KI ist

Die Chemie ist eine Wissenschaft der Möglichkeiten. Aus Kohlenstoff, Wasserstoff, Sauerstoff, Stickstoff, Schwefel, Phosphor, Halogenen und weiteren Elementen lassen sich unzählige organische Verbindungen denken. In der Wirkstoffforschung ist dieser sogenannte chemische Raum besonders wichtig, weil kleine organische Moleküle als Medikamente dienen können: Sie binden an Proteine, hemmen Enzyme, aktivieren Rezeptoren oder beeinflussen Signalwege in Zellen.

Das Problem ist die Größe dieses Raumes. Im MIT-News-Artikel über Connor Coley wird beschrieben, dass zwischen 10²⁰ und 10⁶⁰ kleine Moleküle grundsätzlich als potenzielle Arzneistoffe infrage kommen könnten. Diese Zahl ist so groß, dass kein Labor sie experimentell vollständig testen kann. Selbst moderne Hochdurchsatzverfahren prüfen nur einen winzigen Ausschnitt.

Hier kommt künstliche Intelligenz ins Spiel. KI kann Molekülstrukturen vergleichen, chemische Eigenschaften vorhersagen, Reaktionswege bewerten und neue Kandidaten vorschlagen. Aber gerade in der Chemie reicht reine Mustererkennung nicht aus. Ein Modell darf keine Atome verschwinden lassen, es muss Ladungen und Bindungen berücksichtigen, und es muss Reaktionswege vorschlagen, die chemisch plausibel sind.

Kernaussage

Die wichtigste Entwicklung liegt nicht darin, dass KI einfach schneller sucht als ein Mensch. Entscheidend ist, dass KI-Modelle chemisches Fachwissen einbauen: Molekülform, Bindungen, Elektronenbewegungen, Zwischenstufen und physikalische Erhaltungsgesetze.

Connor Coley: Forschung zwischen Chemieingenieurwesen und Informatik

Connor Coley ist Associate Professor am Massachusetts Institute of Technology. Seine Arbeit liegt an der Schnittstelle von Chemical Engineering, Electrical Engineering and Computer Science und dem MIT Schwarzman College of Computing. Genau diese Kombination ist typisch für die heutige wissenschaftliche KI: Sie entsteht nicht nur in der Informatik, sondern dort, wo Informatik auf ein anspruchsvolles Fachgebiet trifft.

Coleys Forschung verbindet Cheminformatik, maschinelles Lernen, Wirkstoffdesign, Reaktionsvorhersage und Laborautomatisierung. Cheminformatik bedeutet, chemische Informationen rechnerisch zu erfassen und auszuwerten: Molekülstrukturen, Reaktionsdaten, Bindungseigenschaften, Spektren, Synthesewege und biologische Aktivität.

Diagramm 1: Der Weg vom Molekülraum zum Wirkstoffkandidaten

Abb. 1: KI kann helfen, aus einem riesigen chemischen Möglichkeitsraum eine kleinere Zahl prüfbarer Kandidaten auszuwählen.

ShEPhERD: Moleküle nicht nur als Formel, sondern als 3D-Objekte

Ein besonders interessantes Modell aus Coleys Forschungsumfeld heißt ShEPhERD. Der Grundgedanke ist einfach, aber wissenschaftlich sehr wichtig: Ein Wirkstoff ist kein flaches Symbol auf Papier. Er ist ein dreidimensionales Objekt mit Form, Oberfläche, Ladungsverteilung und funktionellen Gruppen.

In der klassischen organischen Chemie zeichnen wir Moleküle oft als Strukturformeln. Das ist praktisch, aber es verdeckt, dass Moleküle im Raum existieren. Für die biologische Wirkung ist diese räumliche Gestalt entscheidend. Ein Molekül muss in eine Bindungstasche eines Proteins passen. Es muss an bestimmten Stellen Wasserstoffbrücken bilden können. Es muss hydrophobe und polare Bereiche an der richtigen Position besitzen.

Abb. 2: ShEPhERD berücksichtigt 3D-Form, elektrostatische Eigenschaften und pharmakophore Merkmale.

FlowER: Reaktionsvorhersage mit Elektronenfluss und Massenerhaltung

Ein weiteres Modell aus Coleys Arbeitsgruppe heißt FlowER. Während ShEPhERD stärker auf Moleküldesign ausgerichtet ist, beschäftigt sich FlowER mit Reaktionsvorhersage. Es soll vorhersagen, welche Produkte entstehen können, wenn bestimmte chemische Ausgangsstoffe miteinander reagieren.

Viele ältere KI-Ansätze behandeln Reaktionen ähnlich wie eine Übersetzungsaufgabe. Aus einer Eingabezeichenkette für die Edukte wird eine Ausgabezeichenkette für die Produkte. Das kann erstaunlich gut funktionieren, hat aber eine gefährliche Schwäche: Ein solches Modell kann chemisch unplausible Produkte erzeugen, Atome verlieren oder Reaktionswege vorschlagen, die gegen einfache chemische Regeln verstoßen.

Abb. 3: FlowER soll Reaktionen nicht nur statistisch, sondern mechanistisch plausibler vorhersagen.

Warum wissenschaftliche KI mehr braucht als große Datenmengen

In der öffentlichen Diskussion wird KI oft so beschrieben, als würden größere Datenmengen und größere Modelle automatisch bessere Ergebnisse liefern. In der Chemie ist das nur teilweise richtig. Daten sind wichtig, aber chemische Regeln sind ebenso wichtig.

Ein Modell kann Millionen Reaktionen gesehen haben und trotzdem falsche Vorschläge machen, wenn es keine Vorstellung von Mechanismen, Ladungen, Zwischenstufen oder Erhaltungsgesetzen besitzt. Wissenschaftliche KI muss deshalb anders bewertet werden als eine allgemeine Text-KI. Sie muss nicht nur plausibel klingen, sondern fachlich korrekt sein.

Was eine chemisch informierte KI beachten muss

• Atome und Masse müssen erhalten bleiben.
• Bindungen dürfen nicht beliebig entstehen oder brechen.
• Zwischenstufen müssen mechanistisch plausibel sein.
• Molekülform und Ladungsverteilung beeinflussen biologische Wirkung.
• Synthesewege müssen im Labor realistisch durchführbar sein.

Laborautomatisierung: Wenn KI und Experiment zusammenarbeiten

Besonders interessant wird Coleys Forschung, wenn man sie mit automatisierten Laboren kombiniert. Dann entsteht ein Kreislauf: Ein KI-Modell schlägt Moleküle vor. Ein anderes Modell plant Syntheserouten. Ein automatisiertes System führt Experimente durch. Messdaten zeigen, welche Vorhersagen stimmen. Diese neuen Daten verbessern wiederum das Modell.

Abb. 4: Ein geschlossener KI-Labor-Kreislauf kann Forschung beschleunigen, braucht aber weiterhin menschliche Kontrolle.

Anwendungen in Medizin, Pharmazie und Materialforschung

Der MIT-Artikel betont vor allem die Wirkstoffforschung. Dort ist der Nutzen besonders naheliegend. Neue Medikamente zu entwickeln ist teuer, langsam und riskant. Viele Moleküle scheitern, weil sie nicht stark genug wirken, zu toxisch sind, sich schlecht lösen, zu schnell abgebaut werden oder nicht sinnvoll synthetisiert werden können.

KI kann in mehreren Phasen helfen: bei der Suche nach neuen Leitstrukturen, bei der Optimierung bekannter Moleküle, bei der Vorhersage von Reaktionen, bei der Planung von Synthesewegen und bei der Auswahl der nächsten Experimente.

Die gleiche Denkweise könnte aber auch für andere Bereiche wichtig werden. Organische Moleküle spielen nicht nur in Medikamenten eine Rolle, sondern auch in Farbstoffen, Katalysatoren, Polymeren, Batteriematerialien, Sensoren und elektronischen Materialien. Eine KI, die chemische Strukturen und Reaktionswege versteht, könnte daher weit über die Pharmazie hinaus Bedeutung haben.

Grenzen und Risiken

Trotz aller Möglichkeiten darf man die Technik nicht überschätzen. Ein von KI vorgeschlagenes Molekül ist noch kein Medikament. Zwischen einem Molekülentwurf und einer zugelassenen Therapie liegen Synthese, Reinigung, biologische Tests, Toxikologie, Pharmakokinetik, klinische Studien und regulatorische Prüfung.

Auch die Datenbasis ist ein Problem. Chemische Datenbanken enthalten vor allem Reaktionen, die veröffentlicht oder patentiert wurden. Fehlgeschlagene Experimente sind oft schlechter dokumentiert. Dadurch können Modelle ein verzerrtes Bild der Chemie lernen.

Fazit: KI als chemischer Forschungsassistent

Connor Coleys Forschung zeigt, wohin sich wissenschaftliche KI entwickeln kann. Es geht nicht mehr nur darum, große Datenmengen zu verarbeiten. Es geht darum, Fachwissen in Modelle einzubauen: Molekülgeometrie, Elektrostatik, Pharmakophore, Reaktionsmechanismen, Zwischenstufen und Erhaltungsgesetze.

Modelle wie ShEPhERD und FlowER stehen dabei für zwei zentrale Richtungen. ShEPhERD zeigt, wie KI Moleküle räumlich und funktionell bewerten kann. FlowER zeigt, wie KI chemische Reaktionen stärker über Mechanismen und Elektronenfluss erfassen kann.

Die Zukunft der Chemie wird wahrscheinlich nicht darin bestehen, dass KI den Menschen ersetzt. Wahrscheinlicher ist ein neues Zusammenspiel: KI schlägt vor, Labore prüfen, Menschen interpretieren, und neue Daten verbessern die Modelle. Wenn dieser Kreislauf gelingt, könnte die chemische Forschung schneller, präziser und kreativer werden.

Quellen und weiterführende Literatur

1. MIT News: Building AI models that understand chemical principles, Artikel über Connor Coley, 20. Mai 2026.
2. Keir Adams, Kento Abeywardane, Jenna Fromer, Connor W. Coley: ShEPhERD: Diffusing shape, electrostatics, and pharmacophores for bioisosteric drug design, arXiv:2411.04130, 2024.
3. Joonyoung F. Joung, Mun Hong Fong, Nicholas Casetti, Jordan P. Liles, Ne S. Dassanayake, Connor W. Coley: Electron flow matching for generative reaction mechanism prediction obeying conservation laws, arXiv:2502.12979, 2025.