LLM-Guided Retrieval for Prediction of Molecular Perturbation Responses

Stellen Sie sich vor, Sie sind ein Detektiv, der versucht herauszufinden, wie ein bestimmter Verdächtiger auf eine neue Art von Handschellen reagieren wird. In der Welt der Medizin sind diese „Verdächtigen“ winzige lebende Zellen und die „Handschellen“ sind niedermolekulare Wirkstoffe. Wissenschaftler haben jahrelang riesige Datenbibliotheken aufgebaut, in denen aufgezeichnet ist, wie tausende verschiedene Zellen auf den Kontakt mit tausenden verschiedenen Wirkstoffen reagieren. Das ist wie ein riesiges Fotoalbum von jeder möglichen Kombination aus Verdächtigem und Handschelle. Aber hier liegt das Problem: Es gibt so viele mögliche Kombinationen, dass es physisch unmöglich ist, sie alle zu testen. Man kann nicht jeden einzelnen Wirkstoff an jeder einzelnen Zelllinie im Universum testen.

Wie können Wissenschaftler also vorhersagen, was bei einer Zelle passieren wird, die sie noch nicht getestet haben? Sie nutzen einen klugen Trick namens „Retrieval“ (Abruf). Anstatt eine superkomplexe Maschine zu bauen, die die Antwort aus dem Nichts errät, suchen sie nach einem ähnlichen Wirkstoff, der bereits getestet wurde. Wenn Wirkstoff A und Wirkstoff B sich sehr ähnlich sind und wir wissen, wie Wirkstoff A eine Zelle verändert hat, können wir davon ausgehen, dass Wirkstoff B etwas Ähnliches tun wird. Es ist wie die Vorhersage, wie ein neuer Film abschneiden wird, indem man schaut, wie ähnliche Filme in der Vergangenheit abgeschnitten haben. Die große Frage, die dieses Paper behandelt, laat sich: Wie finden wir den besten ähnlichen Wirkstoff, um ihn als Referenz zu verwenden? Ist es besser, die chemische Struktur zu betrachten (als würde man die Handschellen nach Farbe und Form vergleichen), oder gibt es einen klügeren Weg, um einen Treffer zu finden?

Die Forscher in diesem Paper, angeführt von Betty Xiong und ihrem Team, entschieden sich für einen neuen Ansatz: Sie baten ein Large Language Model (LLM) – eine Art KI, die Millionen von wissenschaftlichen Büchern und Papieren liest und versteht – darum, als Wegweiser für den Detektiv zu fungieren. Sie nennen ihre Methode LLM-Guided Retrieval (LGR).

So funktioniert ihr Experiment, unter Verwendung einer spielerischen Metapher. Stellen Sie sich vor, Sie versuchen vorherzusagen, wie eine bestimmte, ungetestete Zelle auf einen neuen Wirkstoff reagieren wird. Sie haben einen „Kandidatenpool“ anderer Wirkstoffe, die bereits an genau diesem Zelltyp getestet wurden.

1. Der alte Weg: Normalerweise würden Wissenschaftler die chemische Struktur der Wirkstoffe betrachten. Sie würden sagen: „Diese beiden Wirkstoffe sehen chemisch ähnlich aus, also wirken sie wahrscheinlich auch ähnlich.“ Das ist so, als würde man ein Buch rein nach seinem Cover beurteilen.
2. Der neue Weg (LGR): Die Forscher fütterten das Modell mit dem Namen des neuen Wirkstoffs und der Liste der Kandidatenwirkstoffe in eine KI. Sie baten die KI, ihr internes biologisches Wissen zu nutzen und zu sagen: „Basierend darauf, wie diese Wirkstoffe im Körper wirken (ihre Mechanismen und Signalwege), welche sind die besten Übereinstimmungen?“ Die KI agiert wie eine sachkundige Bibliothekarin, die nicht nur weiß, wie die Bücher aussehen, sondern auch, worum es in ihnen geht.
3. Die Vorhersage: Sobald die KI die Top-10 der ähnlichsten Wirkstoffe ausgewählt hat, nehmen die Forscher einfach den Durchschnitt dessen, was diese 10 Wirkstoffe in der Zelle bewirkt haben. Sie verwenden keine komplexe mathematische Formel, um das Ergebnis zu erraten, sondern berechnen einfach den Durchschnitt der realen Ergebnisse der Nachbarn, die die KI gefunden hat.

Das Team testete diese Idee an einem massiven Datensatz namens Tahoe-100M, der Daten darüber enthält, wie Zellen auf viele Wirkstoffe reagieren. Sie untersuchten dabei drei verschiedene Szenarien:

• Unseen Drugs (Unbekannte Wirkstoffe): Testen eines Wirkstoffs, den das Modell noch nie zuvor gesehen hat.
• Unseen Cell Lines (Unbekannte Zelllinien): Testen einer Art von Zelle, die das Modell noch nie gesehen hat (dies ist die schwierigste Herausforderung).
• Open World (Offene Welt): Die KI darf aus jedem Wirkstoff in der Datenbank wählen, nicht nur aus einer eingeschränkten Liste.

Was haben sie herausgefunden?
Die Ergebnisse legen nahe, dass die Verwendung der KI zur Auswahl der Nachbarn ein Game-Changer ist, insbesondere beim Umgang mit neuen Arten von Zellen.

• Bessere Richtung: Die spannendste Erkenntnis betrifft die „Sign Accuracy“ (Vorzeichen-Genauigkeit). Das bedeutet, vorherzusagen, ob ein Gen hoch- oder runterreguliert wird. Die KI-gestützte Methode war viel besser darin, die Richtung korrekt zu bestimmen, als das bloße Mitteln aller Wirkstoffe oder die Verwendung chemischer Ähnlichkeit. Es ist so, als hätte die KI korrekt erraten, dass ein Wirkstoff die Aktivität eines bestimmten Gens erhöht, während andere Methoden oft falsch lagen, was die Richtung betraf.
• Der „Unseen Cell“-Sieg: Als das Team versuchte vorherzusagen, wie eine völlig neue Art von Zelle reagieren würde, deklassierte die KI-Methode die Konkurrenz. Sie erreichte einen Korrelationswert von 0,56 (ein Maß dafür, wie nah die Vorhersage an der Realität liegt), während die nächstbeste Methode nur 0,42 erreichte. In Bezug auf den Fehler hatte die KI-Methode einen mittleren absoluten Fehler (MAE) von 0,011, was niedriger (besser) war als der 0,0137 des Wirkstoff-Mittelwert-Baselines.
• Einfachheit gewinnt: Das Paper argumentiert, dass man kein superkomplexes, schwerfälliges Vorhersagemodell benötigt. Das „Geheimrezept“ war nicht ein ausgeklügelter Algorithmus zur Berechnung des Ergebnisses, sondern schlichtweg das Finden der richtigen Nachbarn, um deren Durchschnitt zu bilden. Die KI leistete die harte Arbeit, die richtigen Freunde zu finden, und ein einfacher Durchschnitt erledigte den Rest.

Was bedeutet das?
Die Autoren legen nahe, dass für die Vorhersage, wie Wirkstoffe Zellen beeinflussen, die Qualität des „Retrievals“ (das Finden der richtigen ähnlichen Wirkstoffe) wichtiger ist als die Komplexität des Vorhersagemodells. Sie fanden heraus, dass die KI, die als eingeschränkter Wegweiser fungiert, biologisches Wissen anzapfen konnte, das einfache chemische Vergleiche übersehen.

Das Paper weist jedoch vorsichtig darauf hin, dass dies kein Wundermittel ist, das alles löst. Die KI hatte manchmal Schwierigkeiten, wenn die Wirkstoffe sehr obskur waren oder wenn sie nicht genügend gültige Übereinstimmungen in der Liste finden konnte. Zudem war die KI zwar sehr gut darin, die Richtung des Effekts (hoch oder runter) richtig zu bestimmen, aber sie war nicht immer perfekt darin, die exakte Größe des Effekts vorherzusagen. Die Autoren schlagen vor, dass man in Zukunft diese KI-Steuerung mit anderen Methoden kombinieren könnte, um das Beste aus beiden Welten zu erhalten.

Kurz gesagt zeigt dieses Paper, dass der beste Weg, die Zukunft vorherzusagen, manchmal nicht darin besteht, eine größere, intelligentere Kristallkugel zu bauen, sondern einen sehr belesenen Bibliothekar zu fragen, um einem zu helfen, die richtigen Geschichtsbücher zu finden, aus denen man lernen kann. Indem sie eine KI als Wegweiser für die Suche nach ähnlichen Wirkstoffen nutzen, können Wissenschaftler viel bessere Vermutungen darüber anstellen, wie neue Behandlungen wirken werden, insbesondere in Situationen, in denen sie nur sehr wenig Daten zur Verfügung haben.