In den stillen Laboratorien der Computerchemie verlassen sich Wissenschaftler schon seit langem auf eine spezielle Art von digitalem Fingerabdruck, um die unsichtbare Welt der Moleküle zu verstehen. Diese Fingerabdrücke, bekannt als Embeddings, sind mathematische Zusammenfassungen, die das Wesen einer chemischen Struktur erfassen und es Computern ermöglichen, vorherzusagen, wie sich eine Substanz verhalten wird – ob sie sich in Wasser lösen wird oder ob sie giftig sein könnte. Jahrelang erforderte die Erstellung dieser Fingerabdrücke spezialisierte Werkzeuge, die für einen einzigen Zweck entwickelt wurden: ein Bild eines Moleküls zu machen oder dessen chemischen Code zu lesen und eine einzige feste Zahl auszuge-geben. Dieser Ansatz funktionierte gut für spezifische Aufgaben, es mangelte ihm jedoch an Flexibilität. Er konnte seinen Fokus nicht einfach ändern, basierend darauf, was ein Wissenschaftler gerade wissen wollte. Wenn ein Forscher wissen wollte, ob ein Molekül die Blut-Hirn-Schranke überwinden kann, lieferte das Werkzeug dieselbe Antwort, als würde er nach der Löslichkeit in Öl fragen, weil das Werkzeug die Frage nicht verstand, sondern nur die Form des Moleküls kannte.

Diese Einschränkung ist zu einem Engpass geworden, während sich das Feld in Richtung komplexerer Wirkstoffforschung und Materialdesign bewegt. Wissenschaftler brauchten eine Möglichkeit, mit diesen digitalen Fingerabdrücken zu kommunizieren, um sie zu bitten, je nach Kontext der Anfrage unterschiedliche Merkmale hervorzuheben. Die Frage war, ob die leistungsstarken, flexiblen Systeme der künstlichen Intelligenz, die bereits Texte lesen und Bilder sehen können, so umfunktioniert werden könnten, dass sie anpassbare chemische Fingerabdrücke erstellen. Anstatt für jedes chemische Problem ein neues, eng gefasstes Werkzeug zu bauen, fragten sich die Forscher, ob ein einziges, universell einsetzbares System lernen könnte, Moleküle auf eine Weise darzustellen, die sich basierend auf der verwendeten Sprache verändert.

Ein Team von Forschern der Chinesischen Universität Hongkong, Shenzhen, und dem Shanghai Artificial Intelligence Laboratory machte sich daran, diese Frage mit einem neuen Framework namens MolEmb zu beantworten. Sie begannen mit einer Art von künstlicher Intelligenz, die als multimodales großes Sprachmodell bekannt ist. Dies sind dieselben Arten von Systemen, die ein Foto betrachten, einen Satz lesen und die Beziehung zwischen beiden verstehen können. Die Forscher erkannten, dass diese Modelle von Natur aus geeignet waren, die verschiedenen Arten, wie ein Molekül beschrieben werden kann, zu handhaben: als zweidimensionale Zeichnung, als eine Zeichenkette aus Textzeichen, die die chemische Struktur repräsentiert, oder als eine Reihe von Anweisungen darüber, welche Eigenschaft untersucht werden soll.

Das Team baute ein leichtgewichtiges System, um diese großen Modelle zu Experten für molekulare Embeddings auszubilden. Sie versuchten nicht, das Modell dazu zu bringen, neue Moleküle zu generieren oder chemische Abhandlungen von Grund auf neu zu schreiben. Stattdessen konzentrierten sie sich darauf, das Modell darauf zu trainieren, die visuelle und textliche Beschreibung eines Moleküls mit einer spezifischen Textanweisung in Einklang zu bringen. Stellen Sie sich ein Molekül als ein komplexes Objekt vor, das durch verschiedene Linsen betrachtet werden kann. Die Forscher zeigten dem Modell ein Bild eines Moleküls und dessen chemischen Code und koppelten dies dann mit einer Textanweisung wie „auf Toxizität analysieren“ oder „auf Löslichkeit analysieren“. Das Ziel war es, das Modell dazu zu bringen, einen einzigartigen digitalen Fingerabdruck für dieses Molekül zu erzeugen, der sich je nach Anweisung leicht verändert. Wenn die Anweisung über Toxizität lautete, sollte der Fingerabdruck die Teile des Moleküls betonen, die für die Sicherheit relevant sind. Wenn sich die Anweisung zur Löslichkeit änderte, sollte der Fingerabdruck die Teile hervorheben, die für das Lösen in Wasser relevant sind.

Um zu testen, ob dieser Ansatz funktioniert, führten die Forscher eine Reihe strenger Experimente durch. Zuerst prüften sie, ob das neue System chemische Eigenschaften so genau vorhersagen kann wie die derzeit verwendeten spezialisierten Werkzeuge. Sie fanden heraus, dass das System selbst ohne spezielles Training für spezifische chemische Aufgaben Eigenschaften wie Löslichkeit und Toxizität mit einer Genauigkeit vorhersagen konnte, die mit den besten bestehenden Methoden konkurriert. Dies war eine bedeutende Erkenntnis, da sie darauf hindeutete, dass das universell einsetzbare Modell bereits genug über chemische Strukturen gelernt hatte, um nützlich zu sein, allein durch das Verständnis der Beziehung zwischen dem Bild des Moleküls, seinem Textcode und der Sprache, die zur Beschreibung verwendet wird.

Als Nächstes testete das Team, ob diese Fingerabdrücke verwendet werden können, um Moleküle mittels Text zu suchen. In traditionellen Systemen kann man eine Datenbank von Molekülen nicht durch Eingabe eines Satzes wie „Finde mir ein Molekül, das toxisch für Leberzellen ist“ durchsuchen und ein relevantes Ergebnis erwarten, da die chemischen Daten und die Textdaten in getrennten Welten existieren. Die Forscher zeigten, dass ihr neues System einen gemeinsamen Raum schuf, in dem Moleküle und Textbeschreibungen direkt verglichen werden konnten. Als sie das System baten, ein Molekül passend zu einer spezifischen Beschreibung zu finden, gelang dies mit hoher Genauigkeit, was bewies, dass das Modell wirklich gelernt hatte, die visuellen und textuellen Aspekte der Chemie in einer einzigen, einheitlichen Darstellung zu verbinden.

Der kritischste Test bestand jedoch darin zu sehen, ob das System tatsächlich seine Meinung basierend auf dem Kontext ändern kann. Die Forscher entwickelten einen diagnostischen Benchmark namens MolCAR, um zu prüfen, ob das Modell zwischen verschiedenen gültigen Beschreibungen desselben exakten Moleküls unterscheiden kann. Sie präsentierten dem Modell ein einzelnes Molekül und baten es, die korrekte Beschreibung für eine spezifische Aufgabe zu finden, wie etwa Toxizität, während es andere gültige Beschreibungen für andere Aufgaben, wie etwa Hydratation, ignorieren sollte. Bevor sie eine letzte Ebene des spezifischen Trainings hinzufügten, hatte das Modell Schwierigkeiten, diese Unterscheidung zu treffen. Es behandelte das Molekül als eine feste Identität, unabhängig von der gestellten Frage. Nachdem die Forscher das Modell jedoch mit einem Datensatz trainiert hatten, der speziell darauf ausgelegt war, Moleküle mit verschiedenen aufgabenorientierten Beschreibungen zu paaren, lernte das System, seinen Fokus zu verschieben. Es begann, je nach Frage – ob es um Toxizität oder Löslichkeit ging – unterschiedliche Fingerabdrücke für dasselbe Molekül zu erzeugen.

Die Ergebnisse legen nahe, dass multimodale große Sprachmodelle nicht nur Werkzeuge sind, um chemische Ideen zu generieren oder Fragen zu beantworten; sie können als Fundament für eine neue Art der molekularen Repräsentation dienen. Die Studie deutet darauf hin, dass die Fähigkeit, kontextsensitive chemische Fingerabdrücke zu erstellen, kein inhärenter Fehler in der Architektur des Modells ist, sondern eine Frage der Daten, mit denen es trainiert wird. Wenn die Trainingsdaten vielfältige Beispiele desselben Moleküls enthalten, die unter verschiedenen wissenschaftlichen Blickwinkeln beschrieben werden, lernt das Modell zu adaptieren. Dieser Befund weist den Weg zu einer Zukunft, in der ein einziges, universell einsetzbares System eine Sammlung von engen, spezialisierten Werkzeugen ersetzen kann, was es Wissenschaftlern ermöglicht, chemische Daten mit derselben Flexibilität abzufragen, mit der sie Informationen in einer Bibliothek suchen. Die Arbeit zeigt, dass diese leistungsstarken Modelle, indem sie molekulare Profile mit natürlichen Sprachanweisungen in Einklang bringen, eine vielseitige Infrastruktur für die nächste Generation der Wirkstoffforschung und der chemischen Forschung werden können.