Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
openaiohne Datum · Q000726

AI is a viable alternative to high throughput screening: a 318-target study

pmc.ncbi.nlm.nih.gov · Originalbericht öffnen ↗

Zusammenfassung

Kurz

In 318 Projekten untersuchte die Studie, ob AtomNet mithilfe virtuellen Screenings bioaktive Moleküle über viele Zielklassen hinweg finden kann; die ausgewählten Substanzen wurden anschließend im Labor getestet. Die Autoren berichten über Trefferquoten von durchschnittlich 5,5 Prozent in akademischen Projekten und 6,7 Prozent in internen Dosis-Wirkungs-Tests, weisen aber auf begrenzte Nachprüfungen und fehlende direkte Vergleichbarkeit mit HTS hin.

Mittel

Der Bericht prüft, ob AtomNet als KI-basiertes virtuelles Screening die erste Suchstufe der Wirkstoffforschung übernehmen könnte. Untersucht wurden 318 prospektive Projekte: 22 interne Programme und 296 akademische Kooperationen. Das System bewertete große Molekülkataloge rechnerisch; ausgewählte Substanzen wurden anschließend im Labor getestet. Laut Autoren erfolgte die Auswahl algorithmisch und ohne manuelles Aussuchen.

In den akademischen Projekten fanden die Forschenden bei 215 von 296 Zielen mindestens einen aktiven Stoff. Die mittlere Trefferquote lag bei 5,5 Prozent über alle Projekte und bei 7,6 Prozent unter den Projekten mit Treffern. Für die internen Programme betrug sie in Dosis-Wirkungs-Tests durchschnittlich 6,7 Prozent. Die Autoren berichten außerdem über Treffer bei vielen Zielen ohne passende aktive Verbindungen in den Trainingsdaten, ohne Röntgenstruktur sowie bei Protein-Protein-Interaktionen und allosterischen Bindungsstellen.

Die Zusatzprüfungen betrafen nur Teilmengen: 49 akademische Projekte wurden dosisabhängig untersucht, 21 zusätzlich auf aktive Analoga. Die Autoren räumen ein, dass virtuelle und physische Bibliotheken nicht im gleichen chemischen Suchraum direkt verglichen werden konnten. Die Ergebnisse zeigen frühe Treffer, aber keine klinische Wirksamkeit. Die Behauptung, das Verfahren könne HTS als ersten Schritt ersetzen, ist die Schlussfolgerung der Autoren; ein kontrollierter direkter Vergleich wird nicht berichtet. Atomwise-nahe Autoren erklären einen finanziellen Interessenkonflikt.

Ausführlich lesen

Der Bericht untersucht, ob das KI-System AtomNet als erste Suchstufe bei der Entdeckung kleiner bioaktiver Moleküle Hochdurchsatzscreenings (HTS) ersetzen könnte. HTS prüft physisch vorhandene Substanzen; laut den Autoren schränke das die untersuchte chemische Vielfalt ein. Virtuelle Verfahren könnten dagegen auch sehr große Kataloge noch nicht hergestellter, aber bestellbarer Moleküle durchsuchen. Die Autoren argumentieren, AtomNet könne dabei über bekannte Zielstrukturen hinaus neue Wirkstoffansätze finden.

Die Untersuchung umfasst 318 prospektive Projekte: 22 interne Programme von Atomwise und 296 akademische Kooperationen. AtomNet bewertete Moleküle rechnerisch und ordnete sie; die ausgewählten Substanzen wurden anschließend physisch getestet. Laut Methoden wurden störanfällige Stoffe und Moleküle, die bekannten Bindern zu ähnlich waren, herausgefiltert. Die Auswahl sei algorithmisch erfolgt, ohne manuelles „Cherry-Picking“. Für die akademischen Projekte wurden im Mittel 85 Substanzen je Ziel in Einzelkonzentrationstests geprüft; 49 Projekte erhielten zusätzliche Dosis-Wirkungs-Tests, 21 außerdem Analogtests. Intern wurden durchschnittlich 440 Substanzen je Ziel getestet; für diese Programme nennt der Bericht einen virtuellen Suchraum von 16 Milliarden Molekülen.

In den 296 akademischen Projekten identifizierten die Forschenden laut Bericht bei 215 mindestens eine aktive Substanz, entsprechend 73 Prozent der Projekte. Die mittlere Trefferquote betrug 5,5 Prozent über alle Projekte beziehungsweise 7,6 Prozent für die Projekte mit Treffern. Bei den 22 internen Programmen lag die mittlere Trefferquote in Dosis-Wirkungs-Tests bei 6,7 Prozent. Die Autoren berichten zudem, dass 70 Prozent der akademischen Ziele keine aktiven Moleküle für das Ziel oder eng verwandte Proteine in den verfügbaren Trainingsdaten hatten. Für diese Ziele sei die Trefferquote ähnlich gewesen wie bei Zielen mit Trainingsdaten. Auch bei Zielen ohne Röntgenkristallstruktur sowie bei Protein-Protein-Interaktionen und allosterischen Bindungsstellen meldet die Studie Treffer.

Die nachfolgenden Prüfungen schränken das Bild ein: Bei 49 akademischen Projekten wurde in 84 Prozent mindestens ein Einzeldosis-Treffer weiter untersucht und ein Dosis-Wirkungs-Ergebnis erzielt. Die Autoren geben für diese Messungen einen Median von 15,4 Mikromolar an; 13 Prozent lagen unter einem Mikromolar. In 21 Analogprojekten wurden für 16 zusätzliche aktive Analoga gefunden. Die Ergebnisse betreffen somit frühe Wirkstofftreffer und belegen für sich genommen weder klinische Wirksamkeit noch die Entwicklung zugelassener Medikamente.

Der Bericht vergleicht Trefferquoten mit typischen HTS-Werten, räumt aber ein, dass sich virtuelle und physische Bibliotheken wegen ihrer unterschiedlichen Größe und chemischen Zusammensetzung nicht über denselben Suchraum direkt vergleichen ließen. Außerdem wurden Dosis-Wirkungs- und Analogprüfungen nur für Teilmengen der Projekte durchgeführt. Die Schlussfolgerung, rechnerisches Screening könne HTS als ersten Schritt ersetzen, ist die Deutung der Autoren anhand dieser prospektiven Daten; ein direkter, kontrollierter Vergleich beider Verfahren wird nicht berichtet. Die Autoren, darunter Mitarbeitende von Atomwise, erklären einen finanziellen Interessenkonflikt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung der Zusammenfassung stützt sich auf die mittlere Fassung; die kurze Fassung hat dieselben Lücken (Neuartigkeit der Strukturen fehlt) und keine zusätzlichen Fehler. Der Bericht ist eine Studie zum virtuellen Wirkstoff-Screening und behandelt die Sicherheitsfragen der Sammelfragen kaum; deshalb liegen die Einordnungen für SF-P3, SF-H3 und SF-E4 nur im Randbereich.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Neuartigkeit der gefundenen Strukturen: Laut Bericht sind es neuartige, wirkstoffähnliche Gerüste und keine geringfügigen Abwandlungen bekannter Substanzen.
  • Die Einordnung der Trefferquoten gegenüber typischen HTS-Trefferquoten (Autoren: günstig) und die Erfolgsquote von rund 50 % bei HTS im Vergleich zu 73 % in den akademischen Projekten.
  • Die Verfahrensdetails, dass Substanzen ohne manuelle Auswahl und mit Reinheitskontrolle geprüft wurden und dass Negativkontrollen sowie verblindete Plattenbelegung eingesetzt wurden.

In der Zusammenfassung, laut Prüfung nicht im Bericht belegt

  • Die Aussage, die Ergebnisse zeigten keine klinische Wirksamkeit, steht so nicht im Bericht; der Bericht nennt keinen Befund dazu.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 56 %umfangreiche Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung Hintergrund, keine Belege
Tempo und Grenzen
Vertrauen in Modelle
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 50 %einzelne zitierbare Belege
    • JEV offen
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung umfangreiche Belege
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →