Bernstein Netzwerk Computational Neuroscience
  • Home
  • Netzwerk
    • Das Bernstein Netzwerk
    • Bernstein Zentren
      • Berlin
      • Freiburg
      • Göttingen
      • München
      • Tübingen
      • Heidelberg-Mannheim
    • Forschungsinfrastruktur
      • High Performance Simulation and Data Analysis
      • Forschungsdaten-Management
      • Wissenschaftskommunikation
      • Wissenschaftskoordination
    • Preise und Initiativen
      • Valentin Braitenberg Award
      • Brains for Brains Nachwuchspreis
      • Bernstein SmartSteps
    • Gremien des Netzwerks
    • Satzung
    • Mitgliedschaft
    • Historie
    • Spenden
    • Kontakt
  • Newsroom
    • Newsroom
    • Aktuelles
    • Meet the Scientist
    • Veranstaltungen
    • Ausschreibungen
    • Medienecho
    • Presse
    • Publikationen des Netzwerks
    • Bernstein Bulletin
  • Forschung und Lehre
    • Forschung und Lehre
    • Wissenschaftler:innen finden
    • Studienprogramme
      • Masterprogramme
      • Promotionsprogramme
    • Studienangebote
      • Bernstein Student Workshop Series 2023
      • Online Learning
      • Kurse für Fortgeschrittene
      • Praktika und Abschlussarbeiten
    • Ethos des Bernstein Netzwerks
  • Karriere
    • Karriere
    • Stellenangebote
    • Verstärken Sie unser Team
  • Bernstein Conference
    • Bernstein Conference
    • Call for Satellite Workshops
    • General Information
      • Tentative Schedule
      • Past Conferences
    • FAQ
  • DE
  • EN
  • Suche
  • Menü Menü
Sie sind hier: Startseite1 / Newsroom2 / Aktuelles3 / Funktion bestimmt Form
Berlin – 23. Februar 2022

Funktion bestimmt Form

Neuer KI-Algorithmus generiert innovative Substanzen auf Basis von gewünschten Eigenschaften

In der Medizin, in der Batterieforschung oder in der Materialwissenschaft – überall sind Wissenschaftler:innen auf der Suche nach innovativen Substanzen. Dabei können die Forscher*innen oft sehr detailliert die gewünschten chemischen und physikalischen Eigenschaften bis auf die atomare Ebene vorhersagen. Allein der Raum aller potenziellen chemischen Verbindungen ist so riesig, dass es Jahre dauern würde, bis die geeignete Substanz gefunden wird. Eine interdisziplinäre Forschergruppe des Berlin Institute for the Foundations of Learning and Data (BIFOLD) an der Technischen Universität Berlin hat jetzt einen KI-Algorithmus entwickelt, der mithilfe von KI sogenanntes inverses chemisches Design umsetzt und so gezielt Moleküle auf Basis ihrer gewünschten Eigenschaften generiert. Ihre Publikation „Inverse design of 3d molecular structures with conditional generative neural networks” erschien jetzt in dem renommierten Magazin Nature Communications.

Bei dem sogenannten inversen Moleküldesign wird die Struktur-Eigenschafts-Beziehung umgedreht: Nicht die Struktur gibt die Eigenschaften der Substanz vor, sondern die gewünschten Eigenschaften definieren die Struktur einer Substanz.

Beteiligtes Bernstein Mitglied: Klaus-Robert Müller

Die Suche nach geeigneten Molekülen für spezielle medizinische oder industrielle Anwendungen ist ein extrem aufwändiger und teurer Prozess. „Rein hypothetisch existieren unfassbar viele mögliche Strukturen, von denen aber nur ein winziger Bruchteil die speziellen chemischen oder physikalischen Eigenschaften hat, die in einer bestimmten Anwendung gefragt sind”, erläutert Dr. Kristof Schütt, BIFOLD Junior Fellow an der TU Berlin. In den letzten Jahren wurde eine Fülle von Methoden entwickelt, die in der Lage sind, die chemischen Eigenschaften und energetischen Zustände von gegebenen Substanzen mit Hilfe von KI vorherzusagen. Selbst mit diesen effizienten Methoden erweist sich die Suche nach Molekülen mit spezifischen Eigenschaften in der Praxis als schwierig, da nach wie vor eine überwältigende Anzahl an Kandidaten durchsucht werden muss.

Die Struktur-Eigenschaftsbeziehung wird umgedreht

Die BIFOLD-Wissenschaftler konzentrierten sich daher auf das sogenannte inverse Moleküldesign, bei dem die Struktur-Eigenschafts-Beziehung umgedreht wird: Die Struktur gibt nicht die Eigenschaften vor, sondern die Eigenschaften definieren die Struktur. Die Herausforderung besteht darin, direkt molekulare Strukturen zu konstruieren, die einer bestimmten Gruppe von Eigenschaften entsprechen. Der entwickelte KI-Algorithmus basiert auf einem sogenannten tiefen generativen neuronalen Netz, in dessen Entwicklung Vorwissen über grundsätzliche, physikalische Gegebenheiten eingeflossen ist. Das Netz lernt nur anhand einiger tausend Beispielmoleküle die komplexen Zusammenhänge zwischen chemischen Strukturen und ihren Eigenschaften. „Danach können verschiedene Eigenschaftsprofile vorgeben werden und das generative neuronale Netz, schlägt dazu eine überschaubare Menge an passenden Molekülen und Verbindungen vor. Nur diese Kandidaten müssen dann von den Chemiker*innen untersucht werden“, erläutert Kristof Schütt. Die Wissenschaftler konnten zeigen, dass dieses inverse chemische Design sogar dann funktioniert, wenn das gesuchte Eigenschaftsprofil nur teilweise von den bereits bekannten Beispielmolekülen abgedeckt wird.

Das interdisziplinäre Team erwartet, dass derartige Algorithmen, im Zusammenspiel mit weiteren KI-getriebenen Ansätzen und quantenchemischen Methoden, die Suche nach neuen Molekülen und Materialien in vielen praktischen Bereichen stark beschleunigen können. Klaus-Robert Müller, BIFOLD Co-Direktor und Professor für maschinelles Lernen an der TU Berlin, ergänzt: „Ich sehe hier ein enormes Potential, wenn sowohl das Entwerfen der Moleküle als auch deren Analyse und Simulation mit Methoden der künstlichen Intelligenz unterstützt werden. Dies kann zum Beispiel bei der Entwicklung von Medikamenten hilfreich sein oder die Suche nach neuartigen Materialien für Batterien und Solarzellen beschleunigen.“

Weiterführende Verlinkungen

Original Pressemitteilung der TU Berlin

> mehr

Original Publikation

> mehr

Funktion bestimmt Form

23. Februar 2022/in /von Janina Radny

Kontakt Aktuelles

Kontakt

Klaus-Robert Müller

BIFOLD/TU Berlin

+49 (0)30 314-78621
klaus-robert.mueller@tu-berlin.de

Bernstein Netzwerk Computational Neuroscience Logo

Mitglied werden
Satzung
Spenden
Newsletter abonnieren

 

Folgen Sie uns

Mastodon
© 2023 Bernstein Netzwerk Computational Neuroscience
  • Kontakt
  • Impressum
  • Datenschutz
Nach oben scrollen
Cookie-Zustimmung verwalten
Wir verwenden Cookies, um unsere Website und unseren Service zu optimieren.
Funktional Immer aktiv
Der Zugriff oder die technische Speicherung ist unbedingt für den rechtmäßigen Zweck erforderlich, um die Nutzung eines bestimmten Dienstes zu ermöglichen, der vom Abonnenten oder Nutzer ausdrücklich angefordert wurde, oder für den alleinigen Zweck der Übertragung einer Nachricht über ein elektronisches Kommunikationsnetz.
Vorlieben
Die technische Speicherung oder der Zugriff ist für den rechtmäßigen Zweck der Speicherung von Voreinstellungen erforderlich, die nicht vom Abonnenten oder Nutzer beantragt wurden.
Statistiken
Die technische Speicherung oder der Zugriff, der ausschließlich zu statistischen Zwecken erfolgt. Die technische Speicherung oder der Zugriff, der ausschließlich zu anonymen statistischen Zwecken verwendet wird. Ohne eine Aufforderung, die freiwillige Zustimmung Ihres Internetdienstanbieters oder zusätzliche Aufzeichnungen von Dritten können die zu diesem Zweck gespeicherten oder abgerufenen Informationen allein in der Regel nicht zu Ihrer Identifizierung verwendet werden.
Marketing
Die technische Speicherung oder der Zugriff ist erforderlich, um Nutzerprofile zu erstellen, um Werbung zu versenden oder um den Nutzer auf einer Website oder über mehrere Websites hinweg zu ähnlichen Marketingzwecken zu verfolgen.
Optionen verwalten Dienste verwalten Anbieter verwalten Lesen Sie mehr über diese Zwecke
Einstellungen
{title} {title} {title}