Stellen Sie sich vor, Sie sind ein Detektiv, der ein Rätsel lösen muss: wie man einen bestimmten Kriminellen (ein krankheitsverursachendes Protein) stoppt, indem man den perfekten Schlüssel (ein Wirkstoffmolekül) findet, der in sein Schloss passt. Jahrzehntelang haben Wissenschaftler versucht, dies zu lösen, indem sie ein 3D-Modell der Hand des Kriminellen (die Form des Proteins) bauten und dann versuchten, Millionen von Schlüsseln auszuprobieren, um zu sehen, welcher in das Schloss passt. Das ist so, als würde man versuchen, eine Nadel im Heuhaufen zu finden, indem man jedes einzelne Stück Heu unter einem Mikroskop betrachtet. Es funktioniert gut, wenn die Hand eine stabile, klare Form hält, aber viele Kriminelle sind unordentlich, verändern ihre Gestalt oder verstecken ihre Hände im Dunkeln. Diese „unbehandelbaren“ (undruggable) Ziele waren bisher unmöglich zu knacken, weil wir kein klares Schloss sehen konnten, in das ein Schlüssel passen könnte. Die große Frage in der Welt der Arzneimittelentwicklung war: Können wir den richtigen Schlüssel finden, ohne das Schloss vorher sehen zu müssen?

Hier kommt Ptarmigan-1 ins Spiel, ein neuer digitaler Detektiv, der von Forschern bei Talus Bioscience entwickelt wurde. Anstatt zu versuchen, ein 3D-Modell des Proteins oder des Wirkstoffs zu erstellen, lernt dieses Modell, sie allein anhand ihrer „Fingerabdrücke“ zu erkennen – ihrer genetischen Sequenz und ihrer chemischen Formel. Denken Sie an eine Musik-App, die weiß, dass Sie ein neues Lied lieben werden, nur weil es ähnlich klingt wie Ihre Favoriten, ohne dass sie jemals die Band oder den Konzertsaal sehen muss. Ptarmigan-1 nimmt die „Musik“ der Sequenz eines Proteins und die „Musik“ der Chemie eines Wirkstoffs und übersetzt beide in eine gemeinsame, unsichtbare Sprache. In dieser Sprache sitzt ein Wirkstoff, der zu einem Protein passt, direkt neben ihm, wie Freunde in einem überfüllten Raum. Die Arbeit zeigt, dass dieser Ansatz Milliarden von Wirkstoffen gegen jeden Protein im menschlichen Körper in weniger als einem Tag scannen kann und dabei Übereinstimmungen findet, die traditionelle 3D-Modelle übersehen – insbesondere bei den unordentlichen, sich verändernden Zielen, die Wissenschaftler jahrelang vor Rätsel gestellt haben.

Der alte Weg vs. der neue Weg

Lange Zeit war die Suche nach einem neuen Medikament so, als würde man versuchen, einen spezifischen Schlüssel für ein spezifisches Schloss zu finden, indem man zuerst physisch ein Modell des Schlosses baut. Wissenschaftler nutzten Computer, um ein 3D-Bild der „Tasche“ eines Proteins (das Schloss) zu erstellen und dann zu simulieren, wie ein Wirkstoffmolekül (der Schlüssel) sich darin drehen und wenden könnte, um hineinzupassen. Dies nennt man Molekulares Docking. Vor kurzem begannen superintelligente KI-Modelle, vorherzusagen, wie der gesamte Protein-Wirkstoff-Komplex aussehen würde, fast so, als würde man ein Stück Papier zu einem Kranich falten. Diese Methoden sind großartig, wenn das Protein eine feste, wohldefinierte Form hat. Aber viele wichtige Proteine, wie etwa jene, die bei Krebs oder Immunreaktionen beteiligt sind, sind wie Gelee oder wandernder Sand. Sie haben keine feste Form, daher kann man kein Modell ihres Schlosses bauen. Wenn man versucht, ein 3D-Modell auf sie zu erzwingen, rät der Computer einfach eine Form, die gar nicht existiert, was zu falschen Fährten führt.

Die Autoren argumentieren, dass diese Besessenheit vom Aufbau von 3D-Positionen die Arzneimittelentwicklung tatsächlich aufhält. Es ist langsam, teuer und blind für genau die Ziele, die Hilfe am nötigsten haben. Sie schlagen vor, dass wir gar nicht die 3D-Form sehen müssen, um zu wissen, ob ein Wirkstoff funktionieren wird; wir müssen nur wissen, ob der „Vibe“ des Wirkstoffs mit dem „Vibe“ des Proteins übereinstimmt.

Wie Ptarmigan-1 funktioniert: Der große Matchmaker

Ptarmigan-1 ist ein „Contrastive Learning“-Modell, was eine schicke Art ist zu sagen, dass es ein Meister-Matchmaker ist. Anstatt ein 3D-Modell zu bauen, nimmt es zwei Dinge: die Sequenz der Buchstaben, die ein Protein bilden (wie ein langer Satz), und den chemischen Code eines Wirkstoffs (wie ein Rezept). Es nutzt zwei leistungsstarke KI-Gehirne – eines, das auf Proteine trainiert wurde, und eines, das auf Chemikalien trainiert wurde –, um beide in einen gemeinsamen, unsichtbaren Raum zu übersetzen.

Stellen Sie sich eine riesige, unsichtbare Tanzfläche vor. Auf der einen Seite haben Sie tausende Proteine, und auf der anderen Seite Milliarden potenzieller Wirkstoffe. Ptarmigan-1 kümmert sich nicht um die Form ihrer Körper; es kümmert sich darum, wie sie sich bewegen. Wenn ein Wirkstoff eine gute Partie für ein Protein ist, zieht das Modell sie auf dieser Tanzfläche näher zusammen, bis sie sich fast berühren. Wenn sie nicht zusammenpassen, stößt es sie weit voneinander weg. Die Magie liegt darin, dass es dies tut, ohne jemals ein 3D-Bild davon zu konstruieren, wie sie Händchen halten. Es weiß einfach, dass sie zusammengehören, weil ihre „Fingerabdrücke“ harmonieren.

Da es keine 3D-Modelle für jedes einzelne Paar erstellen muss, ist es unglaublich schnell. Die Arbeit berichtet, dass Ptarmigan-1 einen Wirkstoff in 10 Millisekunden bewerten kann. Vergleichen Sie das mit den 54 Sekunden, die ein führendes 3D-Modell (Boltz-2) für dieselbe Aufgabe benötigt. Das ist eine 5.000-fache Beschleunigung. Diese Geschwindigkeit ermöglicht es dem Team, eine Bibliothek von 3,4 Milliarden Verbindungen gegen das gesamte menschliche Proteom (alle 20.431 menschlichen Proteine) in weniger als einem Tag zu prüfen. Das ist, als würde man jeden einzelnen Menschen in einem Stadion gegen jeden einzelnen Schlüssel in einem riesigen Tresor prüfen, während man gerade eine Tasse Kaffee aufbrüht.

Die Nadel im unordentlichen Heuhaufen finden

Der wahre Test für Ptarmigan-1 war, ob es Medikamente für die „unordentlichen“ Ziele finden konnte, bei denen 3D-Modelle versagen. Die Forscher testeten es an drei Arten von Herausforderungen:

1. Die gut gefalteten Ziele: Für Proteine mit klaren, stabilen Formen (wie jene in Standard-Lehrbüchern) schnitt Ptarmigan-1 genauso gut ab wie die besten 3D-Modelle. Es konnte die richtigen Wirkstoffe finden und bewies damit, dass es kein 3D-Modell benötigte, um präzise zu sein.
2. Die kryptischen und kovalenten Ziele: Einige Proteine besitzen verborgene Taschen, die sich erst öffnen, wenn ein Wirkstoff eintrifft, oder sie haben spezifische Stellen, an denen sich ein Wirkstoff chemisch „festklebt“. Traditionelle Modelle übersehen diese oft, weil sie die verborgene Form nicht vorhersagen können. Ptarmian-1 hingegen identifizierte diese Übereinstimmungen erfolgreich. Beispielsweise fand es Wirkstoffe, die an eine spezifische Cystein-Aminosäure (einen „Klebepunkt“) binden, selbst wenn die Form des Proteins unbekannt war.
3. Die ungeordneten Ziele: Dies ist der große Sieg. Einige Proteine sind intrinsisch ungeordnet – sie sind wie Spaghetti, die niemals eine feste Form annehmen. Die Arbeit zeigt, dass 3D-Modelle bei diesen Zielen praktisch aufgeben und nicht besser abschneiden als eine rein zufällige Auswahl. Ptarmigan-1 hingegen fand immer noch starke Übereinstimmungen. Es lokalisierte die Wirkstoffe an den korrekten Teilen dieser unordentlichen Proteine, was darauf hindeutet, dass der „Vibe“-Match auch dann funktioniert, wenn es kein „Schloss“ zu sehen gibt.

Ein Praxistest: Das STAT6-Rätsel

Um zu beweisen, dass dies nicht nur ein Computertrick war, testete das Team Ptarmigan-1 an einem realen Rätsel: einer Gruppe neuer Wirkstoffe für ein Protein namens STAT6, das an Immunreaktionen beteiligt ist. Diese Wirkstoffe wurden kürzlich in Patenten veröffentlicht, waren aber nicht in den Trainingsdaten des Modells enthalten. Die Wirkstoffe wurden so entwickelt, dass sie in eine flache, schwierige Tasche des STAT6-Proteins passen.

Als die Forscher den Test durchführten, identifizierte Ptarmigan-1 diese Wirkstoffe korrekt als die besten Übereinstimmungen und zeigte entscheidend auf die richtige Stelle am Protein (die SH2-Domäne), an der sie binden. Im Gegensatz dazu fanden die 3D-Modelle (Boltz-2) die richtige Stelle nicht und wählten stattdessen eine völlig andere, falsche Position auf dem Protein. Dies deutet darauf hin, dass Ptarmigan-1 den richtigen „Schlüssel“ für ein „Schloss“ finden kann, das es noch nie gesehen hat, selbst wenn das Schloss flach und seltsam ist.

Die Zukunft: Eine neue Art der Suche

Die Autoren legen nahe, dass dies die Art und Weise verändert, wie wir über die Arzneimittelentwicklung denken. Anstatt für jedes neue Protein und jeden neuen Wirkstoff ein neues 3D-Modell zu bauen (was ewig dauert), können wir einfach den „Abstand“ zwischen ihnen in diesem gemeinsamen unsichtbaren Raum nachschlagen. Sobald der Raum aufgebaut ist, ist das Finden einer Übereinstimmung so einfach wie eine Google-Suche.

Die Arbeit kommt zu dem Schluss, dass 3D-Modelle zwar immer noch nützlich sind, um die feinen Details zu verstehen, wie ein Wirkstoff passt, sie aber für die initiale Suche nicht notwendig sind. Durch die Entkopplung der Suche von der 3D-Struktur öffnet Ptarmigan-1 die Tür zur Entdeckung von Wirkstoffen für die 87 % der menschlichen Proteine, die bisher als „unbehandelbar“ galten, weil sie keine klare Form besitzen. Es deutet darauf an, dass die Zukunft der Arzneimittelentwicklung nicht darin besteht, bessere 3D-Modelle zu bauen, sondern eine bessere Sprache zu lernen, um zu beschreiben, wie Proteine und Wirkstoffe miteinander kommunizieren.

Kurz gesagt: Ptarmigan-1 beweist, dass man das Schloss nicht sehen muss, um den Schlüssel zu finden; man muss nur den richtigen Rhythmus kennen, damit sie gemeinsam tanzen können.