In den Laboren, in denen neue Medikamente geboren werden und in denen die Geheimnisse der Natur entschlüsselt werden, stehen Wissenschaftler vor einem hartnäckigen Rätsel: die exakte Form eines Moleküls allein durch die Betrachtung seiner Wechselwirkungen mit Licht und Magnetfeldern zu bestimmen. Wenn ein Chemiker eine neue Verbindung synthetisiert oder eine Substanz aus einer Pflanze isoliert, muss er beweisen, was diese Substanz tatsächlich ist. Er tut dies, indem er sie durch Maschinen laufen lässt, die komplexe Muster von Signalen erzeugen, die als Spektren bekannt sind. Diese Signale sind wie ein einzigartiger Fingerabdruck des Moleküls und enthalten Hinweise darauf, wie seine Atome miteinander verbunden sind und im Raum angeordnet sind. Jahrzehntelang war das Lesen dieser Fingerabdrücke ein langsamer, arbeitsintensiver Prozess, der einen menschlichen Experten erforderte, um die Hinweise zusammenzufügen und eine mögliche Struktur gegen eine andere abzuwägen, bis die Teile zusammenpassten. Obwohl Computer geholfen haben, hatten sie Schwierigkeiten, das flexible, logische Denken eines menschlichen Experten zu replizieren, und scheiterten oft, wenn sie mit einem Molekül konfrontiert wurden, das sie noch nie zuvor gesehen hatten oder wenn die Daten unordentlich waren.

Ein Forscherteam hat nun ein neues System entwickelt, das die Art und Weise verändert, wie diese Arbeit geleistet wird. Anstatt zu versuchen, einen Computer einfach dazu zu bringen, eine Datenbank bekannter Moleküle auswendig zu lernen, haben sie eine künstliche Intelligenz gebaut, die lernt, wie ein Chemiker zu denken. Dieses System, genannt MACROS, rät nicht nur eine Struktur; es schlägt einen Kandidaten vor, überprüft seine Arbeit und verfeinert seine Antwort in einer kontinuierlichen Schleife, ganz ähnlich wie ein Mensch. Durch das Training an Millionen von simulierten und realen Beispielen hat das System gelernt, die Verbindung zwischen den Rohsignalen und der dreidimensionalen Anordnung der Atome herzustellen. Das Ergebnis ist ein Werkzeug, das komplexe Moleküle mit einer Geschwindigkeit und Genauigkeit identifizieren kann, die bestehende Methoden übertrifft, selbst wenn die Daten unvollständig oder das Molekül völlig neu ist.

Der Kern dieses Durchbruchs liegt in der Art und Weise, wie das System aufgebaut ist. Anstatt einen einzigen, massiven Verstand zu verwenden, der alles erledigt, schuf das Team spezialisierte digitale Agenten, von denen jeder eine spezifische Aufgabe hat. Ein Agent betrachtet die Daten und schlägt eine mögliche Molekularstruktur vor. Ein anderer Agent nimmt diesen Vorschlag und simuliert, wie die Signale aussehen würden, wenn diese Struktur real wäre. Ein dritter Agent vergleicht die simulierten Signale mit den tatsächlichen experimentellen Daten, um zu sehen, wie gut sie übereinstimmen. Wenn die Übereinstimmung schlecht ist, sendet das System die Information zurück an den ersten Agenten, um es erneut zu versuchen. Dieser Zyklus aus Vorschlagen, Testen und Verfeinern geschieht automatisch und wiederholt. Das System lernt aus seinen eigenen Fehlern in Echtzeit und grenzt die Möglichkeiten schrittweise ein, bis es die Struktur findet, die alle beobachteten Signale am besten erklärt. Dieser Ansatz ahmt die iterative Hypothesenprüfung nach, die menschliche Spektroskopiker seit Generationen anwenden, führt den Prozess jedoch mit einer Geschwindigkeit und Konsistenz aus, die Menschen nicht erreichen können.

Was dieses System besonders bemerkenswert macht, ist, dass es die Regeln der Chemie von selbst gelernt hat. Die Forscher haben es nicht mit einer Liste chemischer Regeln programmiert oder ihm gesagt, welche Atome sich normalerweise mit welchen verbinden. Stattdessen haben sie das System über einhundert Millionen Paare von Spektren und Molekülstrukturen ausgesetzt. Durch diese massive Exposition entdeckte das System spontan grundlegende chemische Prinzipien. Es lernte beispielsweise, dass bestimmte Muster in den Daten mit spezifischen Atomgruppen, wie etwa Ringen oder Doppelbindungen, korrespondieren, ohne jemals explizit darauf hingewiesen worden zu sein, nach ihnen zu suchen. Es entwickelte auch eine Präferenz dafür, seine Strukturvorschläge mit starren Ringsystemen zu beginnen – eine Strategie, die die Intuition erfahrener menschlicher Experten widerspiegelt, die wissen, dass der Aufbau eines Moleküls oft mit seinem stabilsten Kern beginnt. Diese Fähigkeit, die zugrunde liegende Logik der Chemie zu lernen, anstatt nur Muster auswendig zu lernen, ermöglicht es dem System, auf Moleküle zu generalisieren, die es noch nie zuvor encountert hat.

Die Forscher testeten dieses System an einer Vielzahl von realen Proben, darunter komplexe Naturstoffe aus der Natur, synthetische Verbindungen aus Laboren und Metaboliten aus dem menschlichen Körper. In vielen Fällen war das System in der Lage, die Molekülstruktur korrekt zu identifizieren, indem es 1H- und 13C-Kernspinresonanzdaten verwendete, eine häufige, aber oft mehrdeutige Art von Signal. Wenn das System erlaubt war, seinen vollen Zyklus des Denkens und Verfeinerns durchzulaufen, verbesserte sich seine Genauigkeit signifikant. Bei einem Satz herausfordernder Naturstoffe identifizierte das System die Struktur von mehr als der Hälfte der Moleküle korrekt, ohne zuvor an diesen spezifischen Verbindungen trainiert worden zu sein. Wenn die Forscher das System für eine bestimmte Art von Chemie feinabstimmten, stieg seine Erfolgsquote noch weiter an und löste fast siebzig Prozent der Fälle bei Metaboliten korrekt. Diese Leistung blieb auch dann bestehen, wenn die Daten verrauscht oder unvollständig waren, was eine Robustheit demonstrierte, die früheren Computermethoden fehlte.

Der vielleicht überzeugendste Beweis für den Wert des Systems liegt darin, wie es mit menschlichen Wissenschaftlern zusammenarbeitet. In einer kontrollierten Studie wurden professionelle Spektroskopiker gebeten, die Strukturen komplexer Moleküle zuerst eigenständig zu lösen und dann erneut mit Hilfe des Systems. Wenn sie alleine arbeiteten, benötigten die Experten etwa eine Stunde, um ein einzelnes Molekül zu lösen, wobei sie einen Ähnlichkeitswert (Fingerprint Similarity Score) von 0,102 erreichten. Als sie das System zur Unterstützung nutzten, sank die Zeit auf nur zehn Minuten pro Molekül, und der Ähnlichkeitswert sprang auf über 0,80. Das System ersetzte den menschlichen Experten nicht; stattdessen fungierte es als ein leistungsstarker Partner, der die schwere Arbeit übernahm, tausende von Möglichkeiten zu generieren und zu testen, sodass der Mensch sich auf die abschließende Verifizierung konzentrieren konnte. Diese Kollaboration deutet auf eine Zukunft hin, in der die mühsame Arbeit der Strukturaufklärung automatisiert wird, wodurch Wissenschaftler frei werden, sich auf Entdeckung und Innovation zu konzentrieren.

Die Auswirkungen dieser Arbeit reichen weit über das bloße schnellere Lösen von Rätseln hinaus. Indem es eine zuverlässige Methode zur Bestimmung molekularer Strukturen aus Routine-Daten etabliert, öffnet das System die Tür zur Erforschung der riesigen „dunklen Materie“ der Chemie – der Millionen unbekannter Moleküle, die in der Natur und in unserem Körper existieren, aber noch nie identifiziert wurden. Derzeit bleiben viele dieser Moleküle unsichtbar, weil der Prozess, sie zu entschlüsseln, zu langsam und schwierig ist. Mit einem Werkzeug, das diese Signale schnell und präzise dekodieren kann, könnten Wissenschaftler proaktiv neue Medikamente entdecken, biologische Prozesse detaillierter verstehen und die Entwicklung neuer Materialien beschleunigen. Das System stellt einen Wandel dar – weg vom bloßen Speichern von Daten hin zum aktiven Schlussfolgern mit ihnen – und schafft ein Fundament für vollautomatisierte Laboratorien, in denen die molekulare Entdeckung mit der Geschwindigkeit des Gedankens stattfindet.

Der Erfolg dieses Ansatzes unterstreicht auch eine neue Richtung für die Künstliche Intelligenz in der Wissenschaft. Anstatt zu versuchen, wissenschaftliche Daten in generische Formate wie Text oder Bilder zu zwingen, haben die Forscher ihr System so konzipiert, dass es die native Sprache der Daten selbst spricht. Die Agenten wurden direkt auf den Rohsignalen und den chemischen Strings trainiert, die Moleküle repräsentieren, wodurch die subtilen physikalischen Beziehungen bewahrt wurden, die bei einer Übersetzung oft verloren gehen. Dieses spezialisierte Design ermöglichte es dem System, eine hohe Genauigkeit mit wesentlich weniger Rechenressourcen zu erreichen als allgemeine Modelle. Es deutet darauf an, dass die Zukunft der wissenschaftlichen KI nicht in größeren, allgemeineren Modellen liegt, sondern in spezialisierten, interpretierbaren Systemen, die von Grund auf entwickelt wurden, um die spezifische Logik ihres Fachgebiets zu verstehen. Durch die Kombination dieses spezialisierten Wissens mit einem geschlossenen Denkprozess haben die Forscher ein Werkzeug geschaffen, das nicht nur berechnet, sondern die chemische Welt wahrhaftig versteht.