De-novo-Design
De-novo-Design bedeutet, ein Molekül von Grund auf neu zu entwerfen, statt es in der Natur zu suchen. Computerprogramme, heute meist KI-Systeme, schlagen dafür Strukturen vor, die es vorher nirgends gab.
Medikamente und Werkstoffe bestehen aus Molekülen, also aus bestimmten Anordnungen von Atomen. Lange hat man solche Moleküle vor allem gesucht: in Pflanzen, in Bakterien, in riesigen Sammlungen bereits bekannter Substanzen. De-novo-Design geht den umgekehrten Weg. Man legt zuerst fest, was das Molekül können soll, und entwirft danach eine passende Struktur am Computer. « De novo » ist Latein und heißt « von Neuem » oder « von Grund auf ». Das Ergebnis ist ein Vorschlag für ein Molekül, das so vorher weder in der Natur noch in einem Labor existiert hat.
Warum man nicht einfach weitersucht
Die Zahl der theoretisch möglichen Moleküle ist unvorstellbar groß. Für kleine Wirkstoffmoleküle schätzt man sie auf etwa 10 hoch 60. Alle bekannten Substanzen zusammen sind dagegen ein winziger Bruchteil davon. Wer nur durchsucht, was schon existiert, blendet also fast alle Möglichkeiten aus.
Dazu kommt der Zeitfaktor. Ein neues Medikament braucht klassisch zehn bis fünfzehn Jahre bis zur Zulassung und kostet oft über eine Milliarde Euro. Ein großer Teil davon geht für Kandidaten drauf, die sich spät als wirkungslos oder giftig erweisen. Wenn ein Computer schon vorher bessere Vorschläge liefert, spart das Jahre und Geld.
Ein zweiter Grund ist Unabhängigkeit von Vorbildern. Für manche Aufgaben gibt es in der Natur schlicht kein Molekül, das man abwandeln könnte. Enzyme, die einen bestimmten Kunststoff zersetzen, muss man erfinden. Genau dort liegt die Stärke des Ansatzes.
Vom Zielprofil zum fertigen Molekül
Am Anfang steht ein Ziel. Bei Medikamenten ist das oft ein Protein im Körper, an das der Wirkstoff andocken soll. Man kennt die Form dieses Proteins und weiß, wo die Bindestelle liegt. Das ist wie ein Schloss, für das ein passender Schlüssel gesucht wird. Der Unterschied: Der Schlüssel wird nicht aus einem Schlüsselbund ausprobiert, sondern neu gefeilt.
Diese Aufgabe übernehmen heute meist generative KI-Modelle, also Systeme, die neue Daten erzeugen statt nur bestehende einzuordnen. Sie haben aus Zehntausenden bekannten Molekülstrukturen gelernt, welche Atomanordnungen chemisch überhaupt stabil sind. Auf dieser Grundlage erzeugen sie Vorschläge, die zur gewünschten Bindestelle passen. Bekannte Werkzeuge dieser Art sind RFdiffusion und ProteinMPNN aus der Gruppe von David Baker, die 2024 einen Nobelpreis für Chemie erhielt.
Danach folgt eine Filterung. Programme berechnen für jeden Vorschlag, wie fest er wohl bindet und ob er sich herstellen lässt. Aus Tausenden Entwürfen bleiben so einige Dutzend übrig. Erst diese werden im Labor tatsächlich synthetisiert und getestet. Der Computer ersetzt das Experiment also nicht, er verkleinert nur die Auswahl drastisch.
Wo entworfene Moleküle bereits auftauchen
In den Wirtschaftsnachrichten begegnet dir der Begriff meist im Umfeld von Biotech-Firmen. Unternehmen wie Isomorphic Labs, ein Ableger von Google DeepMind, oder Insilico Medicine arbeiten genau daran. Erste so entworfene Wirkstoffkandidaten befinden sich bereits in klinischen Studien am Menschen. Zugelassen ist bislang keiner, was zeigt: Der Entwurf ist der schnelle Teil, die Prüfung bleibt langsam.
Außerhalb der Medizin nutzt man dasselbe Prinzip für Materialien. Gesucht werden etwa Enzyme für den Abbau von Plastik oder neue Verbindungen für Batterien. Auch dort formuliert man zuerst die gewünschte Eigenschaft und lässt dann Kandidaten erzeugen.
Ein häufiger Irrtum ist, De-novo-Design mit Wirkstoff-Screening zu verwechseln. Beim Screening testet man Millionen vorhandener Substanzen automatisiert durch. Beim De-novo-Design existiert der Kandidat vorher gar nicht. Beide Verfahren ergänzen sich, aber nur eines davon erweitert den Vorrat an möglichen Molekülen.