KI entdeckt über 100.000 neue psychedelische Verbindungen

Künstliche Intelligenz (KI) verändert die Arzneimittelforschung rasant, und Psychedelika bilden da keine Ausnahme. In jüngsten Entwicklungen haben Wissenschaftler KI-Tools genutzt, um über 100.000 potenzielle neue psychedelische Verbindungen zu identifizieren.

Dabei handelt es sich nicht einfach um zufällige Chemikalien – es sind Kandidaten, von denen vorhergesagt wird, dass sie mit denselben Gehirnrezeptoren interagieren, die auch bekannte Psychedelika ansprechen, was zu neuen Therapien für die psychische Gesundheit führen könnte. Dieser Durchbruch zeigt die Kraft des maschinellen Lernens in der Chemie, bei dem Algorithmen den chemischen Raum weit über das hinaus erkunden, was Menschen manuell leisten könnten.

In diesem Blog erklären wir, wie die KI diese Leistung vollbracht hat, welche Methoden verwendet wurden (von Deep-Learning-Modellen bis hin zu generativer Chemie) und was dies für die Zukunft der Psychedelika-Forschung und -Behandlungen bedeuten könnte.

Die Entdeckung von über 100.000 neuen psychedelika-ähnlichen Molekülen wurde durch die Kombination von KI-basierter Proteinmodellierung mit virtuellem Wirkstoff-Screening ermöglicht.

Forscher nutzten DeepMinds AlphaFold, eine hochmoderne KI, die Proteinstrukturen vorhersagt, um die Form wichtiger Gehirnrezeptoren zu modellieren, die an psychedelischen Effekten beteiligt sind.

Ein solches Ziel war der Serotonin-5-HT2A-Rezeptor – die primäre Bindungsstelle, an die LSD und Psilocybin andocken, um psychedelische Erfahrungen auszulösen.

Mit einem präzisen Rezeptormodell konnten Computerchemiker dann virtuelles Screening einsetzen, um zu bewerten, wie Millionen (sogar Milliarden) chemischer Strukturen in die Bindungsstelle dieses Rezeptors passen könnten.

AlphaFold lieferte hochwertige 3D-Modelle der Rezeptorproteine. Dies war entscheidend, denn die genaue Kenntnis der Form der aktiven Stelle eines Rezeptors macht virtuelles Screening wesentlich effektiver.

Bisher war man für die Bestimmung solcher Proteinstrukturen auf Labortechniken wie die Röntgenkristallographie oder Kryo-EM angewiesen, die Monate oder Jahre dauern. Die Vorhersagen von AlphaFold sind „auf Knopfdruck“ verfügbar, was den Prozess drastisch beschleunigt.

Die Forscher setzten daraufhin Docking-Algorithmen ein – Computerprogramme, die versuchen, virtuelle Moleküle wie Puzzleteile in das Rezeptormodell „einzupassen“.

• Hunderte Millionen von Molekülen wurden virtuell „angedockt“, um zu sehen, welche davon gut binden könnten.
• Aus diesem riesigen Katalog von Möglichkeiten markierte die KI Hunderttausende Treffer, die starke vorhergesagte Wechselwirkungen mit dem Rezeptor aufwiesen.

Im Grunde hat die KI einen Heuhaufen im chemischen Raum durchsiebt und eine riesige Anzahl von „Nadeln“ herausgezogen.

Was die Wissenschaftler verblüffte, war nicht nur die Menge der neuen Verbindungen, sondern ihre Neuartigkeit.

„Es gab keine zwei Moleküle, die gleich waren. Sie ähnelten sich nicht einmal.“ – Dr. Brian Shoichet

Dennoch zeigten sowohl die KI-identifizierten als auch die traditionell identifizierten Gruppen ähnliche Erfolgsraten bei Labortests, was bedeutet, dass AlphaFolds virtuelle Treffer genauso wahrscheinlich funktionierten wie die aus älteren Techniken.

Tatsächlich identifizierte das KI-basierte Screening sogar einige der potentesten Aktivatoren des Serotoninrezeptors und übertraf in dieser Hinsicht den konventionellen Ansatz.

„AlphaFold ist eine absolute Revolution. Wenn wir eine gute Struktur haben, sollten wir in der Lage sein, sie für das Wirkstoffdesign zu nutzen.“ – Dr. Jens Carlsson

Welche spezifischen KI- und Machine-Learning-Methoden haben dies also ermöglicht?
Es gab zwei Hauptbestandteile:

1. Deep Learning für Proteinstrukturvorhersage
2. Generative Modelle für Moleküldesign

AlphaFold selbst wird durch Deep Learning angetrieben. Es wurde mit bekannten Proteinstrukturen trainiert und lernte vorherzusagen, wie sich Aminosäuresequenzen in 3D-Formen falten.

Bis 2022 hatte AlphaFold Strukturen für praktisch jedes Protein im menschlichen Körper vorhergesagt, einschließlich derjenigen, die für Psychedelika relevant sind. Diese Strukturen ermöglichten das oben beschriebene virtuelle Docking.

Dies demonstriert eine bahnbrechende Anwendung von KI: die Nutzung von Vorhersagen, wenn Experimente zu langsam sind.

Über das bloße Screening bestehender Molekülbibliotheken hinaus kann KI auch völlig neue Moleküle erfinden. Generative Modelle – eine Klasse von Machine-Learning-Modellen – sind wie fantasievolle Chemiker, die neuartige chemische Strukturen erschaffen, die bestimmte Kriterien erfüllen.

Zum Beispiel:

• Ein Forschungsteam entwickelte ein System namens MegaSyn, das tiefe neuronale Netze (LSTM-basiert) verwendet, um neue psychedelische Analoga zu generieren.
• Sie haben das Modell mit bekannten psychedelischen Strukturen (wie denen von LSD, Psilocybin, Ibogain usw.) „gefüttert“ und es dann variieren und neue Varianten produzieren lassen.
• Das Ergebnis? Die KI generierte 100.000 neue Verbindungen, die zuvor nicht existierten.

Diese wurden dann mit mehreren Zielkriterien gefiltert und bewertet, wie:

• Vorhergesagte Aktivität an einem Zielrezeptor
• Wirkstoffähnlichkeit

In einer bemerkenswerten Bestätigung dieses Ansatzes enthielten die Top-50-Vorschläge der KI Tabernanthalog, ein vielversprechendes psychedelisches Analogon, das Chemiker einige Jahre zuvor erfunden hatten.

Generative Chemie verwendet häufig Deep-Learning-Architekturen wie:

• Rekurrente neuronale Netze (RNNs)
• Variational Autoencoders (VAEs)

Diese sind auf Millionen bekannter Moleküle trainiert. Sie lernen die „Sprache der Chemie“ (oft unter Verwendung von SMILES-Strings) und generieren dann neue „Sätze“ (Moleküle), die den gelernten Mustern folgen.

Fortgeschrittenere Ansätze verwenden:

• Reinforcement Learning
• Genetische Algorithmen

Diese Methoden werden durch Belohnungsfunktionen geleitet, wie:

• Wie gut das Molekül einen bestimmten Rezeptor aktivieren könnte
• Wie „arzneimittelähnlich“ es ist

KI generiert nicht einfach zufällig Moleküle – sie steuert auf gewünschte pharmakologische Eigenschaften zu.

Die Identifizierung von über 100.000 neuen psychedelischen Verbindungen durch KI ist nicht nur eine große Zahl – sie könnte eine neue Ära für die Psychedelika-Wissenschaft einläuten.

Schnellere Wirkstoffforschung
Was Chemiker früher Jahre an Synthese und Tests kostete, kann jetzt dramatisch beschleunigt werden.

• KI kann Moleküle in Tagen vorschlagen
• Automatisierte Syntheseroboter können sie mit hohem Durchsatz herstellen und testen

Dies könnte zu einer raschen Erweiterung der Pipeline für psychedelische Medikamente führen.

Neuartige Behandlungen
Viele der KI-entdeckten Verbindungen unterscheiden sich strukturell von klassischen Psychedelika.
Zum Beispiel:

• Forscher interessieren sich für nicht-halluzinogene Analoga, die therapeutische Effekte (wie antidepressive oder neuroplastische Vorteile) beibehalten, ohne den intensiven Trip.
• Wenn einige dieser 100.000 Verbindungen diesem Profil entsprechen, könnten sie zu psychedelischen Therapien der nächsten Generation werden.

„Viele Wirkstoffziele lassen sich mit bestehenden experimentellen Werkzeugen vielleicht nicht so leicht erschließen.“ – Dr. Carlsson

Mit so vielen neuen Molekülen können Wissenschaftler untersuchen, wie geringfügige Strukturänderungen die Wirkungen verändern.

• KI kann Muster im Moleküldesign aufzeigen
• Hilft zu verstehen, warum einige Verbindungen Halluzinationen verursachen, während andere es nicht tun
• Informiert das Design sichererer und wirksamerer psychedelischer Wirkstoffe

Durch das Vertrauen in KI-Modelle wie AlphaFold:

• Forschungsteams können langsamere Laborschritte umgehen
• Ein Team schätzte, dass KI-vorhergesagte Strukturen ein Projekt um Jahre beschleunigen könnten
• Dies spart Zeit und Geld, besonders wichtig in unterfinanzierten Bereichen wie Psychedelika

Der Erfolg von KI in diesem Bereich stärkt die Glaubwürdigkeit der Psychedelika-Wissenschaft.

• Sie ist mit modernster Technologie verbunden
• Könnte mehr Finanzierung und Interesse von Pharma und Investoren anziehen
• Unternehmen wie Schrödinger Inc. erkunden dies, weisen aber darauf hin, dass KI kein Allheilmittel ist

Diese Konvergenz positioniert Psychedelika an der Spitze der Biotechnologie, nicht am Rand.

Forscher sowohl im Bereich der KI als auch der Pharmakologie sind von diesen Entwicklungen begeistert.

„Es wäre sehr praktisch, wenn wir einfach auf den Knopf drücken könnten und eine Struktur erhielten, die wir für die Liganden-Entdeckung nutzen können.“ – Dr. Jens Carlsson

Dr. Brian Shoichet und Dr. Bryan Roth waren anfangs skeptisch, sahen dann aber ein, dass AlphaFold unterschiedliche, aber gleichermaßen vielversprechende Wirkstoffmoleküle identifizieren konnte.

„Es ist ein wirklich neues Ergebnis.“ – Dr. Shoichet

Nicht jeder ist blind optimistisch.

• Karen Akinsanya von Schrödinger Inc. betont, dass KI-Vorhersagen nicht immer nützlich sind.
• In etwa einem Drittel der Fälle können sie die Entdeckung beschleunigen. In anderen können sie irreführend sein.

Menschliche Expertise und Labortests bleiben unverzichtbar.
KI erweitert den Trichter, aber Menschen entwickeln die Wirkstoffe.

KI „denkt“ anders über Chemie nach als Menschen.

• Einige KI-designte Psychedelika könnten auf Weisen binden, die wir nicht erwartet haben
• Dies könnte zu Präzisionsmedikamenten mit fein abgestimmten Wirkungen führen

Start-ups wie MindState Design Labs zielen darauf ab, Moleküle zu entwerfen, die spezifische Teilmengen psychedelischer Erfahrungen erzeugen, und öffnen Türen zu maßgeschneiderten Ergebnissen für die psychische Gesundheit.

Der Einsatz von KI zur Entdeckung von über 100.000 psychedelika-ähnlichen Verbindungen ist eine dramatische Illustration dafür, wie Technologie die Wissenschaft beschleunigen kann.

„Wir sind buchstäblich Zeugen davon, wie neue Psychedelika von einem Computer erdacht und in die Realität umgesetzt werden.“

Dies könnte eine Ära von „Psychedelika 2.0“ einläuten, in der:

• Wirkstoffe KI-gestaltet sind
• Heilung maximiert wird
• Risiken minimiert werden

Stell dir vor:

• Neuartige Antidepressiva mit psychedelischer Kraft, aber ohne Halluzinationen
• Neue Erfahrungen, die bisher hartnäckige Erkrankungen behandeln

Während vollständige klinische Tests Zeit brauchen, hat die Reise begonnen.

Die Quintessenz:
KI wird Chemiker oder Psychiater nicht ersetzen, aber sie beschleunigt die Entdeckung in einem Bereich, der jahrzehntelang ruhte. Die Tore zur psychedelischen Chemie wurden weit geöffnet.

Für alle, die sich für Psychedelika interessieren – ob Nutzer, Wissenschaftler oder Beobachter – ist dies eine aufregende Entwicklung.
Die psychedelische Renaissance hat gerade ein High-Tech-Upgrade erhalten, und die kommenden Jahre könnten die aufregendsten überhaupt werden.

Quellen:

• Callaway, E. (2024). AI Program Finds Thousands of Possible Psychedelics. Will They Lead to New Drugs? Scientific American/Nature​ scientificamerican.com
  
• Mushtaq, Z. (2024). AlphaFold reshapes drug discovery landscape. Mugglehead Magazine​ mugglehead.com
• Jane (2024). UK Scientists Use AI For Psychedelic Drug Research. PsychedelicExperience.net​ psychedelicexperience.net
• Alexander, R., & Hocevar-Trnka, J. (2024). RE104: A Novel, Fast-Acting Psychedelic for Postpartum Depression. Psychiatric Times​ psychiatrictimes.com
• MegaSyn Research (2022). Integrating Generative Molecular Design and Synthetic Viability. ACS Omega (PMC)​ pmc.ncbi.nlm.nih.gov