Wochenend-Wissenschaft: Ein Quantencomputer half gerade bei der Erfindung neuer Arzneimittelkandidaten

Wichtigste Punkte

• Forscher der Technischen Universität Dänemark nutzten 2024 ein quantenverstärktes KI-Modell, um neuartige Peptide zu generieren – kurze, proteinähnliche Ketten, die in der Arzneimittelentwicklung verwendet werden.
• Labortests bestätigten, dass das quantenverstärkte Modell mehr erfolgreiche Peptide hervorbrachte als die klassische Softwarevariante, mit den größten Gewinnen dort, wo Trainingsdaten knapp waren.
• Das Team finanzierte die Arbeit durch Umverteilung ungenutzter Mittel aus anderen Projekten und Wochenendarbeit, da keine Förderorganisation das Projekt unterstützte.
• Quantencomputer sind derzeit noch zu klein, um vollständige Arzneimittelentdeckungsmodelle auszuführen, daher ist dieses Ergebnis ein Proof-of-Concept und kein fertiges Produkt.
• ORCA Computing, das britische Startup, das die Quantenmaschine entwickelte, sagt, dass die Studie eine der ersten klaren kurzfristigen kommerziellen Anwendungen der Technologie ist.

Ein kleines Team der Technischen Universität Dänemark (DTU) hat gezeigt, dass die Integration eines Quantencomputers in eine KI-Pipeline zur Arzneimittelentdeckung bessere Medikamentenkandidaten hervorbringt als die alleinige Verwendung eines regulären Computers. Sie veröffentlichten die Ergebnisse nach Experimenten an Wochenenden und finanzierten dies mit überschüssigen Mitteln aus anderen Zuschüssen.

Das betreffende KI-Modell ist ein generatives Modell – Software, die neue Ergebnisse erzeugt, anstatt nur bestehende zu klassifizieren, ähnlich der Technologie hinter Bildgeneratoren. Hier erzeugte sie Peptide: winzige Ketten von Aminosäuren, den Bausteinen von Proteinen, die an spezifische Ziele im Körper binden können. Peptide zu finden, die zuverlässig an ein Zielprotein binden, ist ein kritischer erster Schritt bei der Entwicklung von Impfstoffen und anderen Medikamenten.

Die von dem britischen Startup ORCA Computing gebaute Quantenmaschine ist ungefähr so groß wie ein Desktop-Drucker. Sie ist kein eigenständiger Ersatz für einen normalen Computer. Stattdessen arbeitet sie zusammen mit einem solchen – eine Anordnung, die Forscher als Hybridsystem bezeichnen. Die Quantenkomponente bewältigt einen bestimmten Teil der Berechnung, bei dem die Quantenphysik ihr einen Vorteil beim Erkunden verschiedener Möglichkeiten gibt.

Labortests waren hier entscheidend. Das Team synthetisierte tatsächlich die vom Modell vorgeschlagenen Peptide und testete, ob sie physisch an ihre Zielproteine banden. Das taten sie, und mit einer höheren Erfolgsquote als Peptide, die von der klassischen, nicht-quantischen Version desselben Modells erzeugt wurden. Die Verbesserung war am stärksten bei Proteinen, bei denen die Trainingsdaten – die historischen Beispiele, von denen die KI lernt – begrenzt waren.

Dieser letzte Punkt ist bedeutsam. Die meiste medizinische Forschung konzentrierte sich auf westliche Bevölkerungsgruppen und hinterließ weniger genetische Daten für Menschen in Asien, Afrika und anderen weniger untersuchten Regionen. Der DTU-Professor Timothy Patrick Jenkins, der das Projekt leitete, sagte gegenüber Wired, dass der Quantenschritt dem Modell offenbar dabei half, auch mit dünnen Daten eine vielfältigere Palette von Kandidaten zu generieren, was möglicherweise eines Tages dazu beitragen könnte, Medikamente zu entwickeln, die bei einem breiteren Spektrum von Patienten wirken.

Bedeutet das, dass Quantencomputer die Medizin bald verändern werden?

Noch nicht. Die heute verfügbaren Quantenmaschinen sind zu klein, um ein vollständiges Antikörpermodell auszuführen – die Art, mit der Forscher normalerweise arbeiten. Ein Standard-Hochleistungscomputer würde sie bei den meisten echten Arzneimittelentdeckungsaufgaben immer noch übertreffen. Richard Murray, Geschäftsführer von ORCA Computing, räumte ein, dass die Technologie lange Zeit unter einem Mangel an klaren kurzfristigen Einsatzmöglichkeiten litt. Diese Studie, sagt er, ist eines der ersten konkreten Beispiele dafür, dass sie heute in einer kommerziellen Umgebung etwas Nützliches leisten kann.

Jenkins plant bereits den nächsten Schritt: Tests des Workflows mit größeren Proteinen und fortgeschritteneren KI-Modellen. Er erforscht auch, ob der gleiche Quantenansatz bei der Entwicklung synthetischer Gegenmittel für Schlangengift-Toxine helfen könnte – ein vernachlässigtes Gebiet, das wenig Forschungsfinanzierung anzieht.

Für Patienten und die Öffentlichkeit liegt die praktische Auswirkung Jahre entfernt. Was diese Studie leistet, ist, Forschern einen kleinen, aber realen Grund zu geben, die Kombination weiter zu erforschen.