Künstliche Intelligenz wertet chemische Spektren in Minuten aus

Ein internationales Forschungsteam der Universität Jena, des Helmholtz-Zentrums Berlin, des Helmholtz-Instituts Jena und des Softwareunternehmens Zakodium Sárl hat eine frei zugängliche Künstliche Intelligenz entwickelt. Das System schlägt aus den Rohdaten spektroskopischer Messungen passende Molekülstrukturen vor und bewertet deren Plausibilität.

Die Identifikation von Substanzen im Labor gehört zu den zentralen, aber selbst für Fachleute sehr zeitintensiven Aufgaben der Chemie – insbesondere bei komplexen oder neuartigen Verbindungen. „Wer ein Molekül herstellt, muss auch beweisen, welche chemische Struktur es hat“, sagt Dr. Kevin Jablonka. Er ergänzt: „In der Chemie werden dafür üblicherweise Messverfahren wie die Kernspinresonanz-Spektroskopie, Infrarot-Spektroskopie oder Massenspektrometrie genutzt. Jede dieser Methoden liefert Hinweise auf die Struktur, aber oftmals nur in begrenztem Umfang. Die vielen einzelnen Mess-Signale bilden daher eine Art chemisches Puzzle, das korrekt gelöst werden muss.“

Besonders bei völlig neuen Molekülen erweist sich die Strukturanalyse oft als Herausforderung, da die realen Messdaten selten ideal sind. „Verunreinigungen in der Substanz können eigene Signale erzeugen oder die Signale der eigentlichen Substanz überlagern“, erklärt Jablonka. „Hier hat unser System die Stärke, dass es gerade bei den routinemäßig sehr oft gemessenen Protonen-NMR-Spektren auch mit Verunreinigungen in der realen Substanz umgehen kann.“

Wie SECS arbeitet

Das neue System namens SECS kombiniert zwei verschiedene Verfahren der Künstlichen Intelligenz. „Das neue System SECS kombiniert zwei Verfahren der Künstlichen Intelligenz“, führt Adrian Mirza aus. „Zunächst erlernt das Modell, Spektren und Molekülstrukturen in eine gemeinsame mathematische Darstellung zu übersetzen. Dann verfeinert ein evolutionärer Algorithmus die Treffer, indem er Molekülvorschläge Schritt für Schritt verändert, indem er Atome und Bindungen hinzufügt oder entfernt und immer wieder prüft, ob das Ergebnis besser zu den Messdaten passt.“ Als Resultat liefert das System eine nach Ähnlichkeitswerten sortierte Rangliste potenzieller Strukturen, die auf dem jeweiligen chemischen Kontext basiert.

Vergleichbar mit erfahrenen Fachleuten

In verschiedenen Tests hat das System seine hohe Leistungsfähigkeit bereits unter Beweis gestellt. „In einem Benchmark-Test mit unterschiedlichen spektroskopischen Methoden schlug SECS die richtige Molekülstruktur in über 80 Prozent der Fälle an erster Stelle vor“, beschreibt Jablonka die Leistungsfähigkeit des Systems. Und auch im direkten Vergleich mit Menschen konnte es mithalten: „Wir baten in einer Pilotstudie Chemikerinnen und Chemiker, 20 anspruchsvolle NMR-Aufgaben zu lösen“, erläutert Jablonka. Das Ergebnis zeigte, dass die KI eine Leistung erreichte, die mit der der teilnehmenden Fachleute vergleichbar war.

Dennoch soll die Technologie die menschliche Arbeit im Labor nicht verdrängen. „Wir sehen SECS aber nicht als Ersatz für menschliche Expertise“, schränkt Mirza ein. „Das System kann eine sehr hilfreiche zweite Meinung liefern.“ Wenn die Vorschläge plausibel sind und hohe Werte erhalten, stärkt das entsprechend die Interpretation. „Wenn die Vorschläge dagegen weit von der erwarteten Molekülstruktur entfernt sind, kann es sich aber lohnen, noch einmal genauer hinzuschauen“, schließt Jablonka an.

Freie Verfügbarkeit und Ausblick auf weitere Daten

Der Quellcode, die Modelldaten und eine Testversion der Anwendung sind für alle Interessierten öffentlich zugänglich. Die aktuelle Webversion fokussiert sich nach Angaben aus dem Gespräch zunächst vor allem auf die direkte Auswertung von eindimensionalen Protonen-NMR-Rohdaten, wobei in Zukunft weitere Spektrentypen und komplexere Rohdaten folgen sollen.

Quelle

Friedrich-Schiller-Universität Jena (06/2026)