An AI System for Autonomous Algorithm Evolution in Drug Development

Der Weg von einer wissenschaftlichen Idee hin zu einem Medikament, das Menschen hilft, ist eine lange, gewundene Straße voller vieler verschiedener Kontrollpunkte. Er beginnt mit dem Finden des richtigen biologischen Ziels, geht über die Entdeckung eines Moleküls, das mit diesem interagieren könnte, und setzt sich durch strenge Tests im Labor und schließlich an menschlichen Freiwilligen fort. Seit Jahrzehnten verlassen sich Wissenschaftler auf spezialisierte Computerprogramme, um jeden dieser Schritte zu beschleunigen. Diese Programme sind wie hochqualifizierte Werkzeuge, aber sie werden von menschlichen Experten gebaut, die sie sorgfältig für eine ganz bestimmte Aufgabe entwerfen müssen. Wenn ein Werkzeug gut geeignet ist, um ein Wirkstoffziel zu finden, kann es oft nicht verwendet werden, um dieses Medikament in einer klinischen Studie zu testen. Das bedeutet, dass die Werkzeuge im weiteren Verlauf des Prozesses ständig von Hand neu gebaut und neu abgestimmt werden müssen – ein langsamer und mühsamer Prozess, der begrenzt, wie schnell neue Medikamente entdeckt werden können.

Ein Forscherteam hat nun ein neues System namens DrugEvolve vorgestellt, das darauf ausgelegt ist, die Art und Weise, wie diese Computertools hergestellt werden, zu verändern. Anstatt sich darauf zu verlassen, dass Menschen für jede einzelne Aufgabe einen neuen Algorithmus entwickeln, fungiert dieses System als autonomer Motor, der sich selbst verbessern kann. Es arbeitet, indem es ein kleines, in sich geschlossenes Expertenteam simuliert, das zusammenarbeitet. Ein Teil des Systems agiert als Forscher und nutzt wissenschaftliches Wissen, um neue Ideen dafür vorzuschlagen, wie ein Algorithmus funktionieren sollte. Ein anderer Teil agiert als Ingenieur, nimmt diese Ideen auf und schreibt den eigentlichen Code, um sie funktionsfähig zu machen. Ein dritter Teil dient als Analyst, der den neuen Code gegen Daten testet, um zu sehen, ob er besser abschneidet als die alte Version. Wenn die neue Version funktioniert, behält das System sie bei und nutzt diesen Erfolg als Erfahrung, um die nächste Runde der Änderungen zu verbessern. Dies schafft eine kontinuierliche Schleife, in der die Software ihre eigenen Methoden entwirft, baut, testet und verfeinert, ohne dass ein Mensch den Code für jeden Schritt schreiben muss.

Die Forscher testeten dieses selbstverbessernde System bei elf verschiedenen Aufgaben, die die gesamte Pipeline der Arzneimittelentwicklung abdecken – von der Identifizierung biologischer Ziele bis hin zur Durchführung klinischer Studien. In diesen Tests ließ DrugEvolve bestehende Algorithmen eigenständig evolvieren. Die Ergebnisse zeigten, dass das System in der Lage war, die Leistung der Algorithmen, an denen es arbeitete, signifikant zu steigern. Gemessen an 120 Standard-Testsets, die Wissenschaftler zur Überprüfung ihrer Arbeit nutzen, zeigten die evolvierten Algorithmen erhebliche Verbesserungen. Das System erwies sich als flexibel genug, um sehr unterschiedliche Arten von Informationen zu verarbeiten, wobei es nahtlos zwischen Daten wechselte, die wie biologische Sequenzen aussehen, Daten, die molekulare Strukturen abbilden, und Daten in natürlicher Sprache. Es war sowohl bei Aufgaben erfolgreich, die Ergebnisse vorhersagen (wie das Erraten, wie ein Medikament reagieren wird), als auch bei Aufgaben, die neue Möglichkeiten generieren (wie das Design neuer Moleküle).

Die Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, ein System zu schaffen, das aus seiner eigenen Geschichte lernt. Durch die Kombination der Rollen von Forscher, Ingenieur und Analyst in einer einzigen, automatisierten Schleife folgt das System nicht nur einem Satz von Anweisungen, sondern sucht aktiv nach besseren Wegen, Probleme zu lösen. Die Autoren legen nahe, dass dieser Ansatz als grundlegende Infrastruktur für die Zukunft der Arzneimittelentwicklung dienen könnte, in der die Werkzeuge selbst im Laufe der Zeit intelligenter werden. Über die Medizin hinaus bietet die Methode einen neuen Weg für andere komplexe wissenschaftliche Felder und zeigt, dass eine Maschine darauf trainiert werden kann, nicht nur eine Aufgabe auszuführen, sondern die Art und Weise, wie sie diese Aufgabe ausführt, neu zu erfinden. Das System demonstrierte, dass es seine Lernfähigkeit generalisieren konnte, was bedeutet, dass die Verbesserungen, die es in einem Bereich erzielte, auf unterschiedliche Arten von Daten und unterschiedliche Phasen des Prozesses angewendet werden konnten, was beweist, dass autonome Evolution ein gangbarer Weg zur Förderung wissenschaftlicher Entdeckungen ist.