NEW YORK / LONDON (IT BOLTWISE) – Eine Investment-Research-Gruppe hat mit einem internen Modell eine KI-gestützte Protein-Designkampagne bis in Labor-Tests durchgezogen. In nur etwa 64 Stunden entstanden zunächst 180 Entwürfe, später wurden rund 211 Varianten für die Synthese vorbereitet. Im Labor zeigte sich: ein Teil der Proteine bindet nachweislich an die Zielstrukturen, aber der angestrebte Mehrfachschutz gegen alle Toxine gelang nicht. Der Bericht macht damit greifbar, wie schnell KI in der Biologie liefert – und wie stark der Engpass beim Übergang von Daten zu Wirksamkeit bleibt.
Wer über KI in der Drug-Discovery spricht, landet schnell bei großen Versprechen oder ebenso schnellen Enttäuschungen. Der bemerkenswerte Teil an dem hier beschriebenen Projekt ist dagegen die konkrete Versuchsanordnung: Eine kleine Gruppe wollte nicht nur über Modelle reden, sondern den kompletten Ablauf „vom Prompt bis zum Test im Labor“ einmal selbst durchlaufen. Statt sich auf fertige öffentliche Benchmarks zu verlassen, ließ sie ein KI-System aus einer Idee heraus proteinbasierte Kandidaten entwerfen, eine Synthese anstoßen und anschließend die Ergebnisse experimentell prüfen. Genau dieser Mittelweg – KI-Optimierung im Dry-Lab, aber Validierung im Wet-Lab – macht die Ergebnisse für technische Leser so wertvoll: Man sieht, was autonome Planung in der Molekülentwicklung tatsächlich beschleunigt und wo die biologische Realität wieder Regeln vorgibt.
Ausgangspunkt war die Beobachtung, dass in Lebenswissenschaften und Healthcare in den letzten Jahren Kapital schwieriger zu bekommen war. Gleichzeitig blieb die Hoffnung auf KI-„Upside“ in der Wirkstoffforschung präsent. Die Gruppe beschreibt, wie sie im Computation-Teil möglichst weitgehend auf Autonomie gesetzt hat: Claude sollte eine Design- und Bewertungs-Pipeline anstoßen, mehrere untergeordnete Agenten koordinieren und die Kandidaten so vorbereiten, dass sie ohne weitere manuelle Eingriffe an das Labor übergeben werden können. In der ersten Kampagne entstanden laut Bericht 180 Designs, nachfolgend kamen über vier weitere menschlich getriggerte Follow-up-Prompts weitere Kandidaten hinzu, sodass am Ende 211 Varianten für die Synthese in die Laborschleife gingen. Insgesamt sei die Gruppe dabei auf mehr als 10.000 H100-GPU-Stunden gekommen und habe nur einen kleinen Anteil der Nachrichten direkt selbst verfasst – die Mehrarbeit erledigte das System über seine interne Arbeitskette.
Technisch zeigt der Ansatz besonders deutlich, wie viel Aufwand in KI-Drug-Discovery zwar „digital“ stattfindet, aber dennoch handwerklich orchestriert werden muss. Das Projekt startete mit einer Budget- und Zieldefinition: Es wurden 200.000 US-Dollar an „Citrini cash“ für Compute, Tokens und Laborkosten eingeplant. Wichtig war auch die Sicherheits- und Zugriffsfrage: Die Gruppe musste auf Biosecurity-Risiken reagieren und entschied sich schließlich dafür, das Prompting in persönlichen Sitzungen vor Ort auf einer lokalen Infrastruktur durchzuführen. Das mag wie ein administratives Detail wirken, ist aber für die technische Umsetzung entscheidend, weil es die Schnittstellen und Workflow-Designs beeinflusst: Welche Modellversion Zugriff erhält, wie viel Kontext die Agenten sehen, und wie Autonomie zur Aufgabenverteilung tatsächlich umgesetzt werden kann.
Damit die Aufgabe nicht nur „irgendein Protein“ produziert, wählten die Initiatoren ein Setup, das in vitro schnell testbar ist und zugleich genug Biologie-Komplexität bietet, um echte Moleküldesign-Arbeit zu verlangen. Nach mehreren Kriterienrunden entschieden sie sich für Scorpion Antivenom. Bestehende Antivenome beruhen auf aufwendigen Prozessen über Pferdeimmunisierung, Plasmaaufreinigung und Antikörperherstellung; daraus folgt unter anderem ein Kosten- und Skalierungsdruck, den ein synthetischer Proteingemisch-Ansatz adressieren könnte. Die KI sollte daher eine „Minibinder“-Strategie verfolgen: kleine Proteine, die gezielt gegen definierte Toxin-Proteine binden. Der Bericht macht außerdem klar, warum Proteine in diesem Kontext einen pragmatischen Hebel haben: Als strukturierte Designaufgabe mit einer „evolutionären“ Aminosäure-Alphabet-Struktur sind sie anders zu behandeln als klassische kleine Moleküle.
Im Wet-Lab erfolgte dann die entscheidende harte Kante der Realität. Laut Beschreibung kamen CRO-Dienstleister für DNA-Synthese, Expression und Purifikation sowie für Bindungs- und Developability-Assays zum Einsatz. Als experimentelles Kernwerkzeug wurde Surface Plasmon Resonance (SPR) genutzt: Die Bindekandidaten wurden auf einer Goldplatte fixiert, Toxine wurden über die Oberfläche gespült und anschließend wurde über Lichtmessungen ein Bindungsprofil abgeleitet. Die Gruppe stellt dabei drei Bewertungsfragen in den Mittelpunkt: Bindet das Protein an das Ziel? Sitzt die Bindung in einem relevanten Bereich? Und verhindert es letztlich eine zelluläre Störung der Toxinwirkung? Die Ergebnisse fielen differenziert aus: 17 der Design-Toxin-Paare „trafen“ die gesetzten Kriterien, und ein Teil der getesteten Kandidaten band an Zielstrukturen über mehrere Toxine hinweg. Besonders hervorgehoben wird dabei Cn2, bei dem zwei Designs (Cn2-B1 und Cn2-B2) Bindungen im Low-nanomolar-Bereich zeigten, außerdem lieferte ein bekannter Antikörper Hinweise darauf, dass die Bindungsstellen überlappend oder zumindest benachbart sind.
Gleichzeitig räumt der Bericht das zentrale Scheitern ein: Der Moonshot, also ein einzelner Kandidat, der mehrere der fünf Toxine gleichzeitig neutralisiert, gelang nicht. Von den Designs, die auf eine breite Zielabdeckung gegen alle fünf Toxine abzielten, qualifizierte nur ein Kandidat – und auch dann nur gegen eine spezifische Toxin-Komponente. Noch wichtiger: Selbst starke Bindungswerte bedeuten nicht automatisch funktionale Wirksamkeit. Die Initiatoren betonen, dass bisher nicht getestet wurde, ob die Proteine die Toxinaktivität tatsächlich blockieren, im Körper ausreichend lange verbleiben oder als Therapie taugen. Als nächster Schritt wurde deshalb ein Funktionsnachweis skizziert, etwa über Patch-Clamp-Assays, die prüfen würden, ob Toxine die ionischen Signale stören und ob Bindung diese Störung verhindert oder rückgängig macht; erst dann wären weitere Stufen wie Dosis, Zeitverlauf, Verträglichkeit, Formulierung und schließlich der Weg Richtung Human Trials sinnvoll.
Für den Markt ist das Vorgehen weniger „Go/No-Go“-Geschichte als vielmehr ein realistisches Update über den Engineering-Stack hinter KI-Drug-Discovery. Es zeigt, dass KI bei der Generierung und Priorisierung von Kandidaten schnell zu Substanz kommt und sogar koordinierte Multi-Agent-Abläufe mit Vendor-Interaktionen anstoßen kann. Gleichzeitig bleibt der Engpass beim Übergang von simulierten bzw. modellierten Aussagen zu experimentell belegter Wirksamkeit. Als Investment-Research-Projekt endet das damit auch nicht bei einem Produktversprechen, sondern bei einer nachvollziehbaren Lernkurve: „Die Frontier hat sich bewegt“, heißt es sinngemäß, aber die biomedizinische Verifikation bleibt ein eigener, zeit- und kostenintensiver Pfad. Für Unternehmen, die KI in der Biologie einsetzen wollen, deutet der Bericht vor allem auf zwei Punkte hin: Erstens brauchen sie robuste, auditierbare Workflows für Design-to-Lab-Übergaben, und zweitens müssen sie die Erwartungshaltung so justieren, dass Bindungsdaten nicht mit therapeutischem Nutzen verwechselt werden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-gestütztes Protein-Design als Drug-Discovery-Test: Was wirklich klappt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-gestütztes Protein-Design als Drug-Discovery-Test: Was wirklich klappt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-gestütztes Protein-Design als Drug-Discovery-Test: Was wirklich klappt« bei Google Deutschland suchen, bei Bing oder Google News!