Um die Herausforderung zu verstehen, vor der die Forscher stehen, muss man zuerst die schiere Komplexität der Moleküle erfassen, aus denen das Leben besteht. Proteine, DNA und RNA sind keine statischen Statuen, sondern komplizierte, dreidimensionale Maschinen, die aus Ketten kleinerer chemischer Einheiten aufgebaut sind. Ihre Funktion hängt vollständig davon ab, wie diese Ketten im Raum falten und verdrehen, wodurch spezifische Atome in Kontakt mit einander gebracht werden. Jahrzehntelang haben Wissenschaftler darum gerungen, diese Formen allein aus dem chemischen Code vorherzusagen. Das Problem ist, dass die Anzahl der Möglichkeiten, wie sich eine Kette falten kann, astronomisch ist, und die Berechnung der präzisen Position jedes einzelnen Atoms in einem großen Molekül ist rechentechnisch überwältigend. Traditionelle Methoden vereinfachen das Problem oft, indem sie die feinen Details einzelner Atome ignorieren und sich stattdessen auf das Rückgrat der Kette konzentrieren, was dazu führen kann, dass kritische Interaktionen übersehen werden, die bestimmen, wie ein Medikament an ein Ziel bindet oder wie ein Enzym arbeitet.

Ein Team von Forschern hat nun einen neuen Ansatz entwickelt, der die Lücke zwischen hochgradigen chemischen Beschreibungen und der präzisen, atomgenauen Realität molekularer Strukturen schließt. Sie haben ein System geschaffen, das die kontinuierliche, fluide Geometrie eines Moleküls in einen Satz diskreter, handhabbarer Symbole übersetzt, ganz so, als würde man eine komplexe Melodie in eine Abfolge von Musiknoten verwandeln. Durch die Komprimierung der detaillierten Form eines Moleküls in einen Wortschatz von 8.192 einzigartigen Token waren sie in der Lage, eine leistungsstarke künstliche Intelligenz darauf zu trainieren, diese Symbole allein basierend auf der chemischen Identität des Moleküls vorherzusagen. Sobald die KI die Sequenz der Symbole vorhersagt, expandiert ein zweiter Teil ihres Systems diese zurück in ein vollständiges, dreidimensionales Modell, das jedes schwere Atom enthält. Diese Methode ermöglicht es dem Computer, die Regeln der molekularen Faltung zu erlernen, ohne sich im enormen Volumen der Rohdaten zu verlieren, und erreicht dabei eine Genauigkeit, die mit den fortschrittlichsten bestehenden Werkzeugen konkurriert.

Der Kern dieser Errungenschaft ist ein Werkzeug, das sie einen „All-Atom-Struktur-Tokenizer“ nennen. Stellen Sie sich vor, Sie versuchen, die Form einer komplexen Skulptur einem Freund am Telefon zu beschreiben. Wenn Sie versuchen würden, die Koordinaten jedes einzelnen Punktes auf der Oberfläche aufzulisten, würde das Gespräch niemals enden. Stattdessen könnten Sie die Skulptur in Bezug auf ihre Hauptkomponenten beschreiben – einen Kopf, einen Torso, Arme – und wie diese miteinander verbunden sind. Dieses Team hat etwas Ähnliches für Moleküle getan. Sie brachten Proteine, DNA und kleine, medikamentenähnliche Moleküle in standardisierte chemische Einheiten auf. Für ein Protein ist eine Einheit ein einzelner Aminosäure-Rest; für DNA ist es ein Nukleotid; für ein kleines Wirkstoffmolekül ist es ein einzelnes schweres Atom. Sie bauten dann ein neuronales Netzwerk, das die gesamte Anordnung dieser Einheiten betrachtet, versteht, wie sie in Bezug zueinander im Raum stehen, und diese räumliche Anordnung in eine kurze Zeichenfolge von Zahlen umwandelt.

Dieser Konvertierungsprozess ist der „Tokenizer“. Er nimmt die kontinuierlichen, schwebenden Koordinaten der Atome und presst sie in einen festen Satz von 8.192 möglichen Codes. Die Forscher verwendeten eine Technik namens endliche Skalarquantisierung, die wie ein hochpräzises Lineal wirkt, das jede Messung an die nächste markierte Linie auf einem Gitter einrasten lässt. Dies stellt sicher, dass die komplexen, unendlichen Möglichkeiten molekularer Formen auf ein endliches, handhabbares Vokabular reduziert werden. Entscheidend ist, dass dieser Prozess die chemische Identität des Moleküls bewahrt. Das System weiß, dass ein bestimmter Token eine bestimmte Aminosäure mit einer spezifischen Seitenkette oder ein spezifisches Atom in einem Wirkstoffmolekül repräsentiert, ohne die exakten Koordinaten in dem Token selbst speichern zu müssen. Die Koordinaten werden später wiederhergestellt, nachdem die Sequenz der Token vorhergesagt wurde.

Mit diesem Tokenizer ausgestattet, trainierten die Forscher ein großes Sprachmodell, das sie AtomLM-9b nannten, um diese Struktur-Token vorherzusagen. Dieses Modell basiert auf einer leistungsstarken bestehenden KI-Architektur, wurde aber angepasst, um Chemie zu verstehen. Anstatt Sätze zu lesen und das nächste Wort vorherzusagen, liest es die chemische Identität eines Moleküls – die Liste der Atome und wie diese miteinander verbunden sind – und sagt die Sequenz der Struktur-Token voraus, die seine 3D-Form beschreiben. Das Modell sieht die endgültige 3D-Struktur während des Trainings nicht; es sieht nur das chemische Rezept und lernt, die korrekte Sequenz von Token auszugeben. Sobald das Modell diese Sequenz generiert, übernimmt der Partner des Tokenizers, der „De-Tokenizer“. Er liest die Sequenz der Token zusammen mit der ursprünglichen chemischen Information und rekonstruiert die vollständigen 3D-Koordinaten jedes Atoms im Molekül. Dieser zweistufige Prozess trennt die Aufgabe des Verstehens der Sequenz von der Aufgabe des Zeichnens der Form, sodass jeder Teil unabhängig optimiert werden kann.

Die Ergebnisse dieses Ansatzes sind beeindruckend. Bei Tests auf einem Standarddatensatz von Proteinstrukturen, der zur Bewertung von Vorhersagewerkzeugen verwendet wird, erreichte das System einen All-Atom-Genauigkeitswert von 0,832 auf einem wichtigen Benchmark und 0,835 auf einem anderen. Diese Werte zeigen an, dass die rekonstruierten Strukturen den realen, experimentell beobachteten Formen extrem nahe kommen. In einem direkten Vergleich bei einer spezifischen Gruppe von Protein-Protein-Interaktionsaufgaben erreichte das neue Modell eine Erfolgsquote von 75,01 % und übertraf damit leicht die veröffentlichten Ergebnisse von AlphaFold 3, die bei 72,93 % lagen. Das Modell zeigte auch eine starke Leistung bei der Vorhersage der Formen von DNA und RNA sowie bei der Bestimmung, wie kleine Wirkstoffmoleküle an Proteine binden, Bereiche, in denen andere Modelle manchmal Schwierigkeiten haben.

Die Forscher gingen bei der Überprüfung des Systems streng vor, um sicherzustellen, dass die Ergebnisse echt sind. Sie trainierten das Modell an einer riesigen Sammlung bekannter Molekularstrukturen, schlossen jedoch die spezifischen Testfälle aus den Trainingsdaten aus, um zu verhindern, dass das Modell einfach Antworten auswendig lernt. Sie überprüften auch, dass das Modell komplexe Mischungen verschiedener Molekültypen, wie etwa ein Protein, das an ein Stück DNA und ein kleines Wirkstoffmolekül gebunden ist, gleichzeitig verarbeiten kann. Das System sagte erfolgreich die Formen dieser komplexen Assembles voraus und demonstrierte damit, dass der gemeinsame Token-Vokabular über verschiedene Arten der Chemie hinweg funktioniert. Das Modell stützt sich nicht auf bereits existierende Strukturvorlagen oder multiple Sequenzabgleiche, die oft von anderen Methoden verwendet werden, um die Genauigkeit zu erhöhen. Stattdessen lernt es die physikalischen Regeln der Faltung direkt aus den Daten.

Einer der bedeutendsten Aspekte dieser Arbeit ist die Klarheit der Schnittstelle zwischen dem Sprachmodell und der physikalischen Struktur. Durch die Verwendung eines diskreten Tokensatzes schufen die Forscher eine saubere Grenze, an der die KI eine Sequenz vorhersagt und ein separater, deterministischer Prozess diese Sequenz in ein 3D-Modell umwandelt. Diese Trennung ermöglicht eine rigorose Bewertung dessen, wie gut die KI die Beziehung zwischen Chemie und Form versteht. Die Studie zeigt, dass dieser diskrete Ansatz nicht nur eine theoretische Übung ist, sondern eine praktische Methode, die hochpräzise atomare Strukturen erzeugen kann. Die Fähigkeit des Modells, die Positionen von Seitenketten und Ligandenatomen mit hoher Präzision vorherzusagen, deutet darauf hin, dass es die subtilen geometrischen Einschränkungen erlernt hat, die molekulare Interaktionen steuern.

Das Team untersuchte auch die Grenzen seines Systems durch eine Reihe von Tests, bei denen spezifische Komponenten entfernt wurden, um zu sehen, wie viel jedes Teil zum Endergebnis beitrug. Sie fanden heraus, dass die hierarchische Art und Weise, wie das Modell Informationen verarbeitet – vom Übergang einzelner Atome zu chemischen Einheiten und dann zur gesamten Anordnung – entscheidend für die Genauigkeit war. Sie entdeckten auch, dass die Fähigkeit, die Positionen von Atomen über verschiedene Einheiten hinweg zu verfeinern – was es einer Proteinrest ermöglicht, ihre Form basierend auf einem nahegelegenen Wirkstoffmolekül anzupassen – entscheidend war, um die Bindungsmodi korrekt vorherzusagen. Ohne diese Verfeinerungen sank die Fähigkeit des Modells, molekulare Interaktionen vorherzusagen, signifikant. Diese Erkenntnisse bestätigen, dass das System nicht bloß rät, sondern die physikalische Realität der molekularen Assemblierung erfasst.

Obwohl das System hochpräzise ist, räumen die Forscher ein, dass es nicht perfekt ist. Der endliche Vokabularsatz bedeutet, dass einige sehr seltene oder ungewöhnliche chemische Konfigurationen möglicherweise nicht so präzise dargestellt werden wie häufig vorkommende. Das Modell konzentriert sich auf schwere Atome und sagt derzeit nicht die Positionen von Wasserstoffatomen oder die Auswirkungen der umgebenden Wassernumgebung voraus, die für einige spezifische biologische Fragen wichtig sind. Für die überwiegende Mehrheit der strukturbiologischen Aufgaben ist der Grad der Detailgenauigkeit jedoch ausreichend, um die Funktion von Molekülen zu verstehen. Der Erfolg dieses Ansatzes legt nahe, dass die Behandlung der molekularen Geometrie als Sprache, mit einem gemeinsamen Vokabular für verschiedene Arten chemischer Einheiten, ein leistungsstarker Weg zur Lösung des Problems der Strukturvorhersage ist.

Diese Arbeit stellt eine Verschiebung in der Art und Weise dar, wie Wissenschaftler das Problem der molekularen Modellierung angehen. Anstatt zu versuchen, die Kräfte zwischen jedem Atom in einer einzigen, massiven Simulation zu berechnen, haben die Forscher gezeigt, dass ein Sprachmodell die Muster molekularer Formen erlernen und diese effizient generieren kann. Die Kombination aus einem Tokenizer, der Geometrie komprimiert, und einem Sprachmodell, das die Sequenz vorhersagt, bietet einen neuen Weg nach vorn. Es zeigt, dass die Komplexität der Bausteine des Lebens in einer kompakten, diskreten Form erfasst werden kann und dass künstliche Intelligenz in der Lage ist, diese Form mit einem hohen Maß an Präzision zu navigieren. Die Ergebnisse bieten ein neues Werkzeug für die Arzneimittelentwicklung und die biologische Forschung und bieten eine Möglichkeit, die Formen von Molekülen vorherzusagen, die noch nie zuvor gesehen wurden, basierend allein auf ihrer chemischen Zusammensetzung.