Pharmadaten steigern KI-Trefferrate auf 52,1 %

KI-Modelle lernen aus Beispielen und werden umso leistungsfähiger, je mehr relevante Fälle ihnen zur Verfügung stehen. Das gilt für die Vorhersage von Wechselwirkungen zwischen Arzneimolekülen und Proteinen ebenso wie für Gesichtserkennung oder maschinelle Übersetzung. Gerade die für die Medikamentenentwicklung wertvollsten Beispiele liegen jedoch häufig in den Datenbanken der Pharmakonzerne und bleiben öffentlichen KI-Systemen damit verschlossen.

Ein Konsortium aus AbbVie, Astex Pharmaceuticals, Bristol Myers Squibb, Johnson & Johnson und Takeda will einen Weg gefunden haben, diese vertraulichen Daten gemeinsam für das Training zu nutzen, ohne dass ein Unternehmen seine Datensätze offenlegen müsse. Im konzerneigenen Vergleichstest habe das daraus entstandene Modell deutlich besser abgeschnitten als das ausschließlich mit öffentlichen Daten trainierte Ausgangssystem. Weder das Modell noch die Testdaten oder ein begutachteter Fachaufsatz sind bislang veröffentlicht worden (Nature).

Modelltraining ohne gemeinsamen Datenpool

Als Grundlage diente OpenFold3 Preview 2, ein quelloffenes System, das die gemeinsame dreidimensionale Anordnung von Proteinen und kleinen arzneimittelähnlichen Molekülen vorhersagt. Vereinfacht gesagt berechnet es sowohl die Form eines Schlosses als auch die Lage, in der der Schlüssel hineinpasst (OpenFold3 repository).

Anstatt die Strukturdaten aller fünf Unternehmen in einer zentralen Datenbank zusammenzuführen, trainierte jeder Konzern eine eigene Kopie des Modells in seiner abgeschotteten IT-Umgebung. An eine zentrale Koordinierungsstelle gingen nur die beim Training ermittelten numerischen Modellanpassungen, nicht aber die zugrunde liegenden Moleküldaten. Das Berliner Unternehmen Apheris koordinierte den Prozess mithilfe des offenen Federated-Learning-Frameworks von NVIDIA; das Labor von Mohammed AlQuraishi an der Columbia University brachte seine Modellentwicklungsexpertise ein. Nach Angaben des Konsortiums kamen in den fünf getrennten Unternehmensumgebungen insgesamt 40 NVIDIA-H100-Grafikprozessoren zum Einsatz (Apheris, Nature).

Die Rohdaten blieben damit hinter den Firewalls der Unternehmen. Einen formalen Nachweis dafür, dass sich aus den ausgetauschten Modellanpassungen keine Informationen über die Trainingsdaten rekonstruieren lassen, hat das Konsortium allerdings nicht vorgelegt. Eine solche Rückgewinnung vertraulicher Informationen gilt beim föderierten Lernen zumindest theoretisch als möglich.

Der zusätzliche Wert der vertraulichen Strukturdaten

Das Training umfasste 20.167 unternehmenseigene Strukturen von Protein-Wirkstoff-Komplexen; getestet wurde das Modell an einem getrennten privaten Datensatz mit 1.056 Strukturen (Apheris). Die zentrale Kennzahl erfasste, wie häufig die berechnete Anordnung von Wirkstoff und Protein weitgehend mit der experimentell bestimmten Struktur übereinstimmte. Das föderierte Modell erzielte in 52,1 Prozent der Testfälle eine hohe Qualitätsbewertung, verglichen mit 35,6 Prozent für das ursprüngliche OpenFold3 und 40,9 Prozent für Boltz-2, ein weiteres führendes offenes Modell (Apheris, Nature).

Ein Kontrollmodell, das allein mit aktualisierten öffentlichen Daten trainiert worden war, erreichte diese Verbesserung nicht. Das Konsortium wertet dies als Hinweis darauf, dass die vertraulichen Strukturen zusätzliche Vorhersageinformationen enthielten, die in öffentlich zugänglichen Datensätzen fehlen (Apheris).

Der mögliche Grund liegt in der Zusammensetzung der Daten. Die öffentliche Protein Data Bank ist zwar umfangreich, bildet aber vor allem jene Proteine ab, für die sich akademische Forschungsgruppen entschieden haben. Nach Einschätzung des Konsortiums und externer Fachleute enthalten die Bestände der Pharmaunternehmen dagegen häufig systematische Versuchsreihen, in denen dasselbe Zielprotein mit zahlreichen verwandten Wirkstoffkandidaten kombiniert wurde. Gerade solche Reihen dokumentieren die feinen Unterschiede im Bindungsverhalten, auf die es bei der Wirkstoffentwicklung ankommt (Nature, C&EN). Dass das föderierte Modell laut Konsortium auch sämtliche Modelle übertraf, die nur mit den Daten eines einzelnen Unternehmens trainiert worden waren, spricht zumindest dafür, dass der Datenaustausch über Unternehmensgrenzen hinweg einen zusätzlichen Nutzen brachte.

Was sich von außen noch nicht überprüfen lässt

Bislang wurde kein Manuskript zur Begutachtung eingereicht. Weder die erlernten Modellparameter noch die Strukturen des Vergleichstests oder die einzelnen Vorhersagen stehen unabhängigen Forschern zur Verfügung; auch Konfidenzintervalle und statistische Tests fehlen. Zudem haben dieselben Organisationen, die das System entwickelten, den Vergleichsdatensatz zusammengestellt und die Ergebnisse ausgewertet (Nature).

Diese Einschränkung wiegt auch deshalb schwer, weil Strukturmodelle eine bekannte Schwachstelle haben. Untersuchungen der PoseBusters-Gruppe zeigten, dass Vorhersagen anderer KI-Systeme einer Referenzstruktur geometrisch ähnlich sehen können, obwohl einzelne Atome physikalisch unmöglich angeordnet sind, etwa weil chemische Bindungen Winkel einnehmen, die in realen Molekülen nicht vorkommen (PoseBusters). Ob die Vorhersagen von AISB solche Prüfungen bestehen, ist bislang offen.

Der Vergleichstest misst zudem nur, wie gut das Modell bereits bekannte, experimentell bestimmte Anordnungen rekonstruiert. Er zeigt weder, ob sich damit Substanzen finden lassen, die in einem lebenden System tatsächlich an ihr Zielprotein binden, noch ob solche Wirkstoffe sicher wären. Eine präzise berechnete Bindungsposition kann Chemikern zwar helfen, aussichtsreiche Kandidaten für weitere Untersuchungen auszuwählen; Ergebnisse aus der nachgelagerten Wirkstoffentwicklung hat das Konsortium jedoch nicht vorgelegt.

Das von zehn Unternehmen getragene Projekt MELLODDY hatte bereits gezeigt, dass föderiertes Lernen die Vorhersage molekularer Eigenschaften über die Grenzen konkurrierender Pharmakonzerne hinweg verbessern kann (MELLODDY). AISB überträgt dieses Prinzip nun auf die dreidimensionale Strukturvorhersage. Ob der gemeldete Leistungssprung auch außerhalb eines vom Konsortium kontrollierten Tests Bestand hat, lässt sich erst nach Veröffentlichung eines Fachaufsatzes und ausreichend überprüfbarer Daten unabhängig beurteilen.