Christian Stöcker

KI als Problemlöser Der Forschungs-Turbo

Christian Stöcker
Eine Kolumne von Christian Stöcker
Eine Kolumne von Christian Stöcker
Im Kampf gegen Klimawandel oder multiresistente Keime haben Forscher womöglich eine mächtige Waffe gefunden: Künstliche Intelligenz könnte zu einer Revolution der Wissenschaft führen.
Forscher am Computer: Eine Revolution, die quer durch alle Disziplinen verläuft

Forscher am Computer: Eine Revolution, die quer durch alle Disziplinen verläuft

Foto:

FG Trade/ Getty Images

Zwei der größten Gefahren für die Menschheit - wenn man von einem globalen Atomkrieg oder einer verheerenden viralen Pandemie einmal absieht – sind der Klimawandel und die Entwicklung multiresistenter Keime.

In der zurückliegenden Woche sind zwei hochkarätige Fachartikel erschienen, die zeigen, dass die Wissenschaft im Kampf gegen diese Bedrohungen über eine neue Waffe verfügt. Der eine betrifft die Entwicklung neuer Antibiotika, der andere die Frage, wie man Lithium-Ionen-Akkus möglichst schnell und schonend auflädt – eine Frage also, die für die Zukunft der Elektromobilität von entscheidender Bedeutung sein dürfte. Diese beiden Arbeiten aus völlig unterschiedlichen Forschungsgebieten haben eine wichtige Gemeinsamkeit: beide griffen auf die Hilfe maschinellen Lernens zurück.

Ein neues Antibiotikum gegen multiresistente Keime

Ein Team des MIT-Professors James Collins entdeckte mit Unterstützung eines neuronalen Netzwerks ein neues Antibiotikum , das offenbar gegen eine ganze Reihe hochgefährlicher Bakterien eingesetzt werden kann.

Darunter sind neben dem Bakterium, das Tuberkulose auslöst, auch ein sogenannter multiresistenter Krankenhauskeim namens Acinetobacter baumannii, dem das Robert-Koch-Institut "beunruhigendes Entwicklungspotential" bescheinigt . "Diese Arbeit betont die Nützlichkeit von Deep-Learning-Ansätzen, um unser antibiotisches Arsenal zu erweitern, indem wir strukturell neue antibakterielle Moleküle entdecken", schreiben die MIT-Forscher.

Ihr Machine-Learning-System hatte zuvor eine Datenbank mit mehr als 107 Millionen Molekülstrukturen nach möglichen Kandidaten durchforstet. 23 von den aussichtsreichsten wurden dann im Labor auf ihre Wirksamkeit getestet. Neben dem bereits in Mäuseexperimenten als wirksam nachgewiesenen fanden die Forscher dabei noch acht weitere neue, erstmals als antibakteriell wirksam erkannte Moleküle. Also weitere Kandidaten für neue Antibiotika.

"Beschleunigung wissenschaftlicher Erkenntnis"

Die Gruppe, die sich mit Batterie-Ladezyklen beschäftigte, nutzte eine andere Methode maschinellen Lernens, um möglichst schnell zu einem optimalen Ergebnis zu kommen. Manche Sätze aus ihrem Artikel  würden aber auch zu der Antibiotika-Studie passen, und das hat seine Gründe. Zum Beispiel dieser hier: Der benutzte Ansatz illustriere "was die Kraft datengetriebener Methoden zur Beschleunigung wissenschaftlicher Erkenntnis" beitragen könne, und zwar insbesondere in "multidimensionalen Parameter-Räumen".

Mit solchen multidimensionalen Räumen hat es die moderne Wissenschaft ständig zu tun. Es gibt mittlerweile in vielen Bereichen eine Vielzahl von Daten und Erkenntnissen, die gewaltige Suchräume aufspannen, in denen irgendwo nützliche Lösungen für Menschheitsprobleme versteckt sind – sie sind nur eben sehr schwer zu finden.

Die Zusammenhänge zwischen Genen und Proteinsynthese sind ein gutes Beispiel: Es gibt in der menschlichen DNA drei Milliarden Basen, und im menschlichen Organismus Schätzungen zufolge zwischen 80.000 und 400.000 Proteine. Die Zusammenhänge zwischen beiden zu verstehen, ist die Herkulesaufgabe der molekularbiologischen Medizin von morgen . Lernende Maschinen helfen jetzt dabei, die richtigen Pfade durch den Dschungel zu finden.

"Zweite Revolution"

Ähnliches passiert in zahlreichen Disziplinen: In einem Überblickstext über das "explosive" Potential von maschinellem Lernen in der Materialforschung von 2019 heißt es, weil experimentelle Forschung so aufwändig und teuer sei, "wurden Entdeckungen hauptsächlich durch menschliche Intuition oder einfach glückliche Zufälle möglich." Jetzt aber stehe "eine zweite rechnergestützte (computational) Revolution" bevor .

Diese Revolution verläuft quer durch alle Disziplinen. Mit maschinellem Lernen werden jetzt der Zusammenhänge zwischen beim Schweißen entstehenden Dämpfen und Krebs untersucht , Kristallstrukturen entschlüsselt , Medikamentenwirkungen vorhergesagt , künstliche, flugfähige Vögel trainiert , geologische Fragestellungen untersucht  und, auf dem Umweg über DNA-Modifikationen in Bakterien, neue Proteine hergestellt .

"Wir wissen immer noch nicht genau, wie das funktioniert"

In all diesen und vielen anderen Disziplinen vollzieht sich derzeit eine enorme Beschleunigung, die vor allem darauf basiert, dass lernende Maschinen den Menschen beim Suchen helfen – auch wenn keiner so richtig versteht, wie sie das eigentlich machen. "Paradoxerweise wissen wir immer noch nicht genau, warum es so gut funktioniert", schrieb  der Autor Mark Buchanan Ende 2019 in "Nature:Physics".

Wissenschaftler müssen sich auf eine neue Arbeitsweise einstellen, die man bislang allenfalls aus der Medikamentenforschung kannte: Man findet erst heraus, dass etwas funktioniert – und versucht sich dann anschließend zu erklären, woran das liegt. Das dürfte allerdings, gerade wenn es um Fortschritte geht, die Leben retten, Plastikmüll oder den Klimawandel bekämpfen helfen können, vielen ziemlich egal sein.

"Alle wollen sie jetzt künstliche Intelligenz"

Die Arbeitsgruppe der Chemienobelpreisträgerin Frances Arnold etwa ist ständig auf der Suche nach von Zellen hergestellten Proteinen, die nützlich sein könnten, sei es als Medikamente oder als Werkstoffe. Seit Neuestem setzt auch diese Gruppe maschinelles Lernen ein – und verbessert damit die Methode namens "Directed Evolution", für die Arnold den Nobelpreis bekam. In einem 2019 erschienen Artikel der Gruppe heißt es : "Auf maschinellem Lernen basierende Modelle von Proteinfunktionen können selbst dann Vorhersagen erlauben, wenn die zugrundeliegenden Mechanismen noch nicht gut verstanden sind."

Ein Informatiker von einer namhaften europäischen Universität, der selbst im Bereich maschinelles Lernen arbeitet, berichtete im Privatgespräch kürzlich von einem völlig neuen Interesse vieler Kolleginnen und Kollegen: "Mittlerweile melden sich auch schon Juristen, Sozialwissenschaftler und sogar Archäologen bei uns", seufzte der Kollege, "alle wollen sie jetzt auch Künstliche Intelligenz."