Stanford-Team entwickelt ein virtuelles KI-Wissenschaftlerteam für das Impfstoffdesign

Das von Wissenschaftlern der Stanford University entwickelte Virtuelle Labor ist ein innovatives System auf Basis künstlicher Intelligenz (KI), das ein echtes Forschungsteam nachahmt. Dieses System hilft dabei, komplexe wissenschaftliche Probleme schneller zu lösen, als ein Mensch es allein könnte. Laut einer im Fachmagazin Nature veröffentlichten Studie unter der Leitung von Kyle Swanson, Wesley Wu, Nash L. Bulaong, John E. Pak und James Zou besteht das Virtuelle Labor aus einem leitenden Agenten – einem KI-Forschungsleiter (KI-PI) –, der ein Team weiterer KI-Agenten koordiniert, die Fachleute aus verschiedenen Disziplinen repräsentieren. Menschen greifen nur gelegentlich in den Prozess ein, um übergeordnetes Feedback zu geben, beispielsweise zum Budget oder zur Machbarkeit.

Dieser Ansatz löst das Problem, dass viele Wissenschaftler keinen einfachen Zugang zu interdisziplinären Teams haben. Die auf großen Sprachmodellen (LLM – Large Language Models) basierenden KI-Agenten beantworten nicht nur Fragen, sondern planen aktiv die Forschung, diskutieren Ideen und nutzen Werkzeuge wie AlphaFold-Multimer zur Modellierung von Proteinen oder Rosetta zum Design von Molekülen. Alle Interaktionen finden in einer Reihe von „Besprechungen“ statt, die nur Sekunden oder Minuten dauern, im Gegensatz zu menschlichen Teams, bei denen dies Tage in Anspruch nehmen kann.

Wie das Virtuelle Labor in der Praxis funktioniert

Stellen Sie sich vor, Sie stehen vor der Aufgabe, neue Nanobodies (kleine, einfache Antikörperfragmente, die sich an ein Virus binden und verhindern, dass es Zellen infiziert) für neuere Varianten des SARS-CoV-2-Virus wie JN.1 oder KP.3 zu entwickeln. Ein menschlicher Forscher überträgt diese Aufgabe dem KI-PI, der anschließend ein Team zusammenstellt. In der Studie bestand es aus einem Agenten für Immunologie, einem Agenten für computergestützte Biologie, einem Agenten für maschinelles Lernen und einem speziellen Kritiker-Agenten, dessen Aufgabe es ist, Fehler zu finden und konstruktive Kritik zu äußern.

Das Team bespricht Ideen in parallelen Sitzungen – in einer davon diskutiert es beispielsweise, warum Nanobodies besser als vollständige Antikörper geeignet sind, da sie kleiner und leichter zu modellieren sind. Die KI-Agenten verwenden Werkzeuge wie ESM zur Vorhersage von Proteinsequenzen, AlphaFold-Multimer zur Simulation der Bindung und Rosetta zur Optimierung des Designs. Der gesamte Prozess wird in Transkripten festgehalten, sodass Menschen wie James Zou den Fortschritt verfolgen und nur in 1 % der Fälle eingreifen können, beispielsweise um zu kostspielige Ideen zu verhindern.

Das Ergebnis? Das Virtuelle Labor entwickelte ein neues computergestütztes Verfahren für das Nanobody-Design, das diese Werkzeuge kombiniert. Mit diesem Verfahren wurden 92 neue Nanobodies erzeugt, die anschließend im realen Labor von John E. Pak im Chan Zuckerberg Biohub getestet wurden.

Anwendung auf SARS-CoV-2-Varianten und experimentelle Ergebnisse

Das Virtuelle Labor konzentrierte sich auf das Design von Nanobodies, die sich an das Spike-Protein (Stachelprotein) des SARS-CoV-2-Virus binden, das für dessen Eintritt in Zellen entscheidend ist. Das KI-Team entschied, dass Nanobodies ideal sind, da sie kleiner als Antikörper sind, was ihre Modellierung und ihr Design erleichtert. Es entwickelte Nanobodies, die sowohl gegen den ursprünglichen Wuhan-Stamm als auch gegen neue Varianten wie JN.1 und KP.3 wirksam sind.

In realen Experimenten, die vom Team von Wesley Wu und Nash L. Bulaong durchgeführt wurden, erwiesen sich diese Nanobodies als stabil und wirksam. Zwei von ihnen zeigten eine bessere Bindung an die Varianten JN.1 und KP.3 als bestehende Antikörper und behielten zugleich eine starke Bindung an das ursprüngliche Spike-Protein bei. Die Tests zeigten außerdem, dass die Nanobodies keine unerwünschten Off-Target-Effekte aufweisen – sie binden sich nicht an falsche Ziele. Dies deutet darauf hin, dass sie als Grundlage für Breitbandimpfstoffe dienen könnten, die gleichzeitig vor mehreren Varianten schützen.

Das gesamte Design nahm für das KI-Team nur wenige Tage in Anspruch, während ein menschliches Team dafür Wochen oder Monate benötigt hätte. Die experimentellen Daten wurden anschließend wieder in das KI-System eingespeist, um die Designs weiter zu verbessern.

Die Zukunft des Virtuellen Labors und sein Potenzial

Dieser Erfolg zeigt, wie das Virtuelle Labor Entdeckungen in der Biomedizin beschleunigen kann. James Zou und sein Team erweitern es nun für die Analyse komplexer Daten aus früheren Studien, bei der KI-Agenten neue Erkenntnisse entdecken, die Menschen übersehen haben. Sie können beispielsweise Datensätze aus Biologie und Medizin erneut analysieren, die für eine schnelle menschliche Analyse zu komplex sind.

Das System ersetzt menschliche Wissenschaftler nicht, sondern ergänzt sie – es ermöglicht die schnelle Generierung von Hypothesen und Designs, die anschließend von Menschen im Labor validiert werden. Laut der Studie in Nature wurde das Virtuelle Labor auf ein reales Problem angewendet und brachte vielversprechende Kandidaten für weitere Forschungen hervor, was neue Möglichkeiten zur Bewältigung globaler Herausforderungen wie der Entwicklung von Impfstoffen gegen neue Viren eröffnet. Dieser durch das Knight-Hennessy Scholarship und das Stanford Bio-X Fellowship unterstützte Ansatz könnte die Art und Weise verändern, wie Wissenschaft betrieben wird – und das alles dank der Zusammenarbeit zwischen KI und Menschen wie Kyle Swanson und John E. Pak.