Künstliche Intelligenz: Roboter als Chemiker

Wirksame Substanzen gegen Krebs, Infektionen oder andere Krankheiten stellt die Natur in Bakterien, Pflanzen oder Pilzen nur in winzigen Mengen her. Zu wenig, um daraus Medikamente für Menschen zu entwickeln. Deshalb zerlegen Chemiker diese Stück für Stück auf dem Papier in immer kleinere Bausteine und setzen diese kleinen Bausteine im Labor wieder zu dem Naturstoff zusammen – eine hohe Kunst für kluge Köpfe, die manchmal Jahrzehnte für einen einzelnen Stoff dauert. Und ein Traditionsgeschäft: Seit Friedrich Wöhler vor knapp 200 Jahren die ersten Stoffe aus der Natur im Labor nachbaute, hat sich nicht wirklich viel geändert.

Automatisierung im Labor

Um diese komplexe Forschung an Naturstoffen in die Neuzeit zu überführen, arbeiten Forschungsgruppen in der ganzen Welt an Robotern, mit denen sie die Synthese automatisieren wollen. Und kürzlich stellte ein Team der IBM-Labore in Zürich die erste Kombination aus Künstlicher Intelligenz und Roboter vor, die nicht nur die Labor-, sondern auch gleich die Denkarbeit übernehmen soll: Eine cloudbasierte KI ermittelt über eine Retrosynthese den Weg zu einem beliebigen Molekül und lässt es auf einen Klick auch gleich herstellen.

Es soll Chemie-treibenden ermöglichen, von jedem Ort der Welt Synthesen zu planen und Substanzen herzustellen. Das System ist cloudbasiert und das Deep-Learning-Modell darin kann jeder von seinem Rechner über ein Login auf der Internetseite des Projektes selbst testen. Es arbeitet in zwei Schritten: Zuerst werden über die retrosynthetische Analyse die benötigten Stoffe und Reaktionsschritte identifiziert. Dann werden die Aktionen für die Synthese festgelegt. Dafür trainieren die Züricher zwei unabhängige KI-Modelle und kombinieren sie miteinander.

Das erste Modell basiert auf den gleichen Algorithmen, die auch für die Sprachübersetzung verwendet werden. Die Entwickelnden übertragen dafür die chemische Struktur in Sätze aus Atomen – aus der typischen gezeichneten chemischen Struktur wird dann eine Buchstabenfolge. Das Produkt ist die eine Sprache, die Ausgangsstoffe sind die andere Sprache, in die übersetzt werden muss.

Die Aufgabe der zweiten KI ist, aus der Idee der ersten KI, wie das Zielmolekül am besten zusammenzusetzen ist, tatsächlich ein Molekül zu machen. Sie wurde mit den „Kochrezepten“ aus Patentschriften gefüttert. Das Deep Learning-Modell scannt die Patentschriften mit einem konventionellen Ansatz für natürliche Sprache und übersetzt sie in Maschinenbefehle. Das Problem: Jede Anleitung sieht anders aus – je nach Vorlieben, Ausdrucksfähigkeit und Charakter der Schreibenden. Zudem gibt es in der Literatur für jede Redaktion viele Variationen und in den Anleitungen ist sehr viel Information impliziert.

Die Vorhersagen, die das Modell bisher erzeugt hat, führten immerhin bei knapp 61 Prozent der Sätze aus der „Koch-Beschreibung“ im Patent zu einer passenden Handlungsanweisung für den Roboter. Sprich: Die KI hat die Beschreibungen, wie die Moleküle zusammen gesetzt werden müssen, richtig interpretiert. Wenn die Entwickler sich mit einer 75-prozentigen Übereinstimmung zufriedengeben, trifft das schon für gut 82 Prozent der Rezepte zu. Und ein wenig händische Nachhilfe verbessert die Quoten noch einmal. Strategische Korrekturen und vor allem die Masse der gescreenten Patente sollen mit der Zeit dafür sorgen, dass die Übereinstimmungen sich verbessern. Das Ziel ist, menschliche Korrekturmaßnahmen überflüssig zu machen. Für kleine Moleküle und kurze Synthesewege funktioniert das bereits.

Mehr über Roboter, die Chemie machen, wie sinnvoll ihr Einsatz tatsächlich ist und welche Strategien die Roboter-Entwickler verfolgen, erfahren Sie in der neuen November-Ausgabe von Technology Review (im gut sortierten Zeitschriftenhandel und im heise shop erhältlich). (bsc)