(C) unter Verwendung eines Motivs von Andrei Suslov / 123RF.com

Ein internationales Team aus Forschern des Berlin Institute for the Foundations of Learning and Data (BIFOLD) der TU Berlin, der Universität Luxemburg und von Google DeepMind haben ein neuartiges KI-Modell entwickelt, das in der Lage ist, eine Vielzahl von molekularen Systemen – etwa große und komplexe biologische Moleküle – mit quantenmechanischer Genauigkeit zu simulieren.

Die Simulation der Molekulardynamik (MD) ermöglichen es uns, das Verhalten von Molekülen zu verstehen und vorherzusagen. Sie gestattet die Beschreibung molekularer Wechselwirkungen im Zeitverlauf und gibt Einblicke in ihre Struktur, Dynamik und Funktionsweise. Die exakte Simulation der Interaktion großer Biomoleküle könnte beispielsweise die Entwicklung neuer Medikamente erlauben, ohne dass zunächst zeit-, material- und kostenaufwändige Experimente durchgeführt werden müssen. Die MD ist ein Eckpfeiler der modernen Wissenschaft, und die Verbesserung ihrer Genauigkeit und Anwendbarkeit hat in der rechnergestützten Physik und Chemie eine lange Tradition.

Jahrzehntelang waren die Wissenschaftler zu einem grundlegenden Kompromiss gezwungen: Entweder waren die Methoden schnell, aber nur Näherungen und nicht zwischen verschiedenen Molekülen übertragbar, oder sie waren sehr genau, aber außerordentlich rechenintensiv. Dieser Kompromiss beschränkte den Umfang genauer Simulationen auf kleine Systeme mit einigen hundert Atomen. Große und komplexe Biomoleküle – beispielsweise Proteine oder Zucker – können aber Zehntausende von Atomen enthalten.

Das neue Modell namens SO3LR überwindet diese Herausforderungen und setzt neue Maßstäbe in Bezug auf Effizienz, Genauigkeit, Skalierbarkeit und Übertragbarkeit bei der Simulation organischer und biologischer Moleküle. Die Wissenschaftler konnten dies erreichen, indem sie das Modell mit einem hybriden Ansatz entwickelten. Es teilt die komplexe Aufgabe, die quantenmechanischen Wechselwirkungen zwischen den Atomen zu berechnen, in zwei komplementäre Komponenten auf: Ein schnelles und hochpräzises maschinelles Lernmodell, das die komplexen Quanten-Vielteilchen-Wechselwirkungen lernt, die bei kurzen und mittleren Entfernungen auftreten, wird mit universellen, physikalisch begründeten Gleichungen kombiniert, die die Wechselwirkungen zwischen den Atomen bei großen Entfernungen genau beschreiben.

Die zweite Herausforderung, die es zu lösen galt, war die universelle Anwendbarkeit eines einzigen Modells auf viele verschiedene Moleküle. Zu diesem Zweck erstellte das Team einen umfangreichen und vielfältigen Datensatz mit über 4 Millionen sorgfältig kuratierten Molekülstrukturen. Dies war ein Schlüsselfaktor, um SO3LR beizubringen, wie man die enorme Vielfalt der in der Natur vorkommenden Moleküle genau beschreiben kann, und erreichte damit einen Grad der Übertragbarkeit, der über den früherer Methoden hinausgeht.

Um die Fähigkeiten von SO3LR zu demonstrieren, führte das Forschungsteam eine Reihe anspruchsvoller Simulationen für alle vier Haupttypen von Biomolekülen durch, die in der Natur vorkommen. “Der entscheidende Durchbruch von SO3LR liegt in seiner Universalität. Anstatt für jedes neue Molekül den langwierigen und komplexen Prozess der Datengenerierung und des anschließenden Modelltrainings durchlaufen zu müssen, stellen wir ein einziges, sofort einsetzbares Grundmodell zur Verfügung. Dies erspart den Forschern die zeit- und rechenintensiven Vorbereitungsschritte und ermöglicht es ihnen, Hypothesen direkt mit quantenmechanischer Genauigkeit zu testen”, erklärt Prof. Klaus-Robert Müller, Co-Direktor von BIFOLD.