KI für die pharmazeutische chemische Synthese: Kann die heutige KI in Bezug auf ihre Fähigkeiten mit einem Chemiker mit 10 Jahren Berufserfahrung mithalten?
AI for Science entwickelt sich derzeit zu einem der heißesten Bereiche auf dem Primärmarkt.
Die Sitzung des Politbüros des Zentralkomitees der KPCh Ende Juli betonte die Notwendigkeit, die langfristige und stabile Unterstützung für die Grundlagenforschung zu stärken. In Verbindung mit dem früheren Plan „Künstliche Intelligenz+“ steht eine konkrete Frage im Vordergrund: Wie kann KI tatsächlich in der wissenschaftlichen Forschung eingesetzt werden, um Effizienz und Vorhersagefähigkeit nachhaltig zu steigern?
Diese Woche gab es auch eine bahnbrechende Nachricht aus der Industrie: Moderna und Merck Sharp & Dohme gaben bekannt, dass ihr erstes gemeinsam entwickeltes personalisiertes mRNA-Krebsimpfstoff in der Phase-III-Studie bei Melanomen erste positive Ergebnisse erzielt hat. Bei der Auswahl der Neoantigene profitierte dieser Impfstoff von KI: Die Forscher konnten komplexe molekulare Wechselwirkungen durch Berechnungen simulieren, statt endloser Nassversuche durchzuführen.
In dieser Ausgabe von „Industriebeobachtung“ haben wir Dr. Xia Ning, Gründer von ZhiHua Technology, zu Gast. Dr. Xia ist promovierter organischer Chemiker. Seit er 2008 in Frankreich an einem Startup beteiligt war, hat er fast 18 Jahre lang den Weg von „KI + Chemie“ beschritten. In diesen 18 Jahren erlebte er aus erster Hand, wie die Branche von Null anfing, die erste Hochphase der KI-gestützten Pharmazeutik durchlief, die dreijährige Talfahrt der Biopharmaindustrie überstand und nach dem GPT-Moment die zweite Welle der KI-gestützten Pharmazeutik sowie den neuen Trend von AI4S erlebte.
Sie sprachen darüber, wie die grenzüberschreitende Kompetenz, „auf zwei Schiffen gleichzeitig zu stehen“, entstand, erörterten die Funktionsweise von Black-Box- und White-Box-Modellen bei der technischen Implementierung, sprachen über abgelehnte Übernahmeangebote und rechneten mit einer realistischen Frage: Wenn KI chemische Fachkräfte mit einem Monatsgehalt von 20.000 Yuan ersetzen soll, wie lassen sich die Kosten für Tokens berechnen?
Im Folgenden der gekürzte und bearbeitete Wortlaut des Gesprächs.
Die Personen, die „auf zwei Schiffen gleichzeitig stehen“
Li Feng: Wir haben seit 2015 bis 2016 ständig Innovationen in interdisziplinären Bereichen verfolgt, insbesondere die Verbindung von Informatik mit Biopharmazeutik und Chemie, und haben in Unternehmen wie Jingtai und Jitai investiert. Nach mehr als zehn Jahren Entwicklung in dieser Branche haben wir zwei Probleme festgestellt: Erstens ist es schwierig, Personen zu finden, die zufällig „auf zwei Schiffen gleichzeitig stehen“ – also über Kompetenzen verfügen, die zwei sonst nicht verbundene Fachgebiete wie Informatik und Chemie umfassen. Zweitens: Wenn jemand „auf zwei Schiffen gleichzeitig steht“, welches der beiden Schiffe ist letztlich wichtiger? Lassen Sie uns mit der ersten Frage beginnen: Wie haben Sie in jungen Jahren die beiden scheinbar unzusammenhängenden Fächer Chemie und Informatik miteinander verbunden?
Xia Ning: Hauptsächlich aus Interesse. Programmieren ist ein Fach mit sehr starkem logischem Denken, während Chemie viel Auswendiglernen und Neugier auf die Natur erfordert – ich interessierte mich zufällig für beides. Später gewann ich durch glückliche Umstände Preise bei beiden Wettbewerben und zögerte bei der Wahl meines Studienfachs. Ein Zulassungslehrer der Tongji-Universität sagte zu mir: „Informatik ist eine Technik, Chemie ist ein Fach.“ Ich wählte Chemie, was sich später als richtig erwies: Wenn ich zuerst Informatik studiert hätte, wäre der Wechsel zur Chemie sehr viel schwieriger gewesen.
Li Feng: Wie haben Sie Ihre bereits vorhandenen Informatikkenntnisse während des Chemiestudiums aufrechterhalten, sodass Sie sie nicht verlernten?
Xia Ning: Ich habe jeden Tag programmiert. Tagsüber führte ich Experimente durch, nachts schrieb ich Code.
Li Feng: Womit befassten sich die Programme, die Sie damals schrieben?
Xia Ning: Auch mit künstlicher Intelligenz. Damals war ich neugierig, ob sich die Denkweise des menschlichen Gehirns durch Programme simulieren lässt. Ich unternahm viele Versuche, die aber natürlich nicht sehr erfolgreich waren – sonst würde ich heute wahrscheinlich etwas anderes machen. Auch während meiner Doktorarbeit im Ausland machte ich weiter so: Tagsüber Experimente, nachts Programmcode schreiben, um menschliche Urteile in Szenarien wie Spielen oder Schachspielen durch Computerprogramme zu simulieren.
Vor 18 Jahren gab es in diesem Bereich keine Daten und keine Investitionen
Li Feng: Haben Sie nach Abschluss Ihrer Promotion gezögert, im Ausland zu bleiben oder nach China zurückzukehren?
Xia Ning: Damals ging es der Entwicklung im Ausland gut, Europa hatte noch nicht den heutigen Stand erreicht. Deshalb blieb ich in Frankreich, um an einem Startup beteiligt zu sein. Ich suchte damals ein Startup-Unternehmen, das Informatiktechnologien zur Lösung chemischer Probleme einsetzt, aber solche Stellen waren sehr rar. Ich hatte das Glück, ein Unternehmen in Straßburg in Frankreich zu finden, das noch gar nicht gegründet war – seine Webseite war gerade erst erstellt worden. Ich sprach mit dem Inhaber und fand, dass wir sehr gut übereinstimmten: Sie wollten ebenfalls Daten nutzen, um Vorhersageprobleme in der Chemie zu lösen.
Li Feng: Wie lange dauerte diese Phase?
Xia Ning: 7 Jahre, von 2008 bis 2015. Damals war dieser Bereich überhaupt nicht populär, fast kein Investor interessierte sich dafür – alles basierte auf persönlichem Idealismus und Interesse. Außerdem gab es damals keine heutigen grundlegenden KI-Technologien und keine Daten, alle Infrastrukturen mussten von Grund auf neu aufgebaut werden.
Li Feng: Damals konzentrierten Sie sich auch darauf, mit Informatik und Daten nach Synthesewegen in der Chemie zu suchen?
Xia Ning: Noch nicht. Das Erste war, zuerst Daten zu sammeln, weil wir gar keine Daten hatten. Wir unternahmen viele Versuche: Zum Beispiel erzeugten wir Daten durch Experimente im Hochdurchsatzverfahren, aber damals gab es keine Automatisierung – die Labormitarbeiter führten Hunderte oder Tausende von parallelen Reaktionen manuell durch, aber diese Datenmenge war bei weitem nicht ausreichend. Wir ließen auch strukturierte Daten aus Dissertationen extrahieren, aber die Kosten waren zu hoch und die Effizienz zu gering. Später entwickelten wir elektronische Laborprotokollbücher, in der Hoffnung, dass Universitätslehrer sie nutzen und uns ihre Daten zur Verfügung stellen – aber dieser Ansatz stieß später auf einige geschäftliche Schwierigkeiten.
Li Feng: Wie ging es diesem Unternehmen weiter, als es an allen Fronten auf Hindernisse stieß?
Xia Ning: Es wurde von seiner Muttergesellschaft übernommen, die heute das größte CRO-Unternehmen Frankreichs ist (ein spezialisiertes Institut, das pharmazeutischen Unternehmen durch Vertrag Arzneimittelentwicklungs-Outsourcing-Dienstleistungen anbietet). Damals haben wir viele grundlegende Technologien angesammelt, von denen ein Großteil auch heute noch die Basis unserer aktuellen Architektur bildet.
Li Feng: Sie kehrten 2015 nach China zurück, ich erinnere mich, dass Sie zuerst eine Phase hatten, in der Sie einem Freund bei seinem Startup halfen.
Xia Ning: Genau, der Inhaber von Shanghai Wanghua Technology rief mich herüber. Damals waren E-Commerce-Plattformen für Chemieprodukte im B2B-Bereich sehr populär, anfangs war ich für den Aufbau der Plattform zuständig. Später dachten wir uns, ob wir den Bereich, den ich schon lange machen wollte, aber noch nicht umgesetzt hatte – die KI-gestützte Retrosynthese – realisieren könnten. 2016 registrierten wir als weltweit Erste die Domain chemical.ai, und später entstand daraus ZhiHua Technology.
Als Privatperson nahmen Sie an einem Wettbewerb bei WuXi AppTec teil und gewannen den ersten Platz
Li Feng: Hier gibt es eine kleine Geschichte: Als Sie noch bei Wanghua arbeiteten, entwickelten Sie eine Software, die vorhersagen kann, wie man Verbindung A zu Verbindung B synthetisiert – unter welchen Bedingungen, mit wie vielen Zwischenschritten, welche Ergebnisse man erhält und sogar teilweise die Ausbeute. Das Hauptgeschäft von WuXi AppTec ist CRO für chemische Synthese, sie riefen weltweit Ausschreibungen aus, wer Synthesewege vorhersagen kann. Viele Unternehmen nahmen teil, aber Dr. Xia hatte ZhiHua Technology noch nicht gegründet, nahm als Privatperson teil und gewann den ersten Platz.
Xia Ning: Das war wirklich zufällig. Es war 2016, wir hatten Kontakt zu einigen Führungskräften von WuXi, also sagte ich ihnen, dass es eine solche Software gibt, ob sie sie ausprobieren wollen. Sie stimmten zu und wir vereinbarten einen Termin. Als ich dort ankam, stellte ich fest, dass ein ganzer Raum voller ihrer Führungskräfte anwesend war. Ich führte die Software live vor, ließ verschiedene Moleküle durchlaufen – die Ergebnisse waren sehr gut, sodass wir schon früh die erste kommerzielle Zusammenarbeit mit WuXi begannen.
Durch dieses Ereignis wurde mir klar: Erstens legt die Industrie großen Wert auf diese Angelegenheit. Zweitens hatte die Technik damals den ersten kritischen Punkt erreicht – vorher gab es einfach keine Software, die diese Aufgabe gut erledigen konnte, und wir gehörten zu den Ersten, die zeigten, dass dies machbar ist. Bis heute ist es zu einem sehr verbreiteten Werkzeug geworden, und dieser Prozess dauerte ungefähr sechs bis sieben Jahre.
Li Feng: Damals gab es noch kein GPT, ich nehme an, Sie haben auch nicht die Transformer-Architektur verwendet, sondern höchstens ältere Faltungs-Neuronale Netze. Rückblickend betrachtet: Wie „KI-gestützt“ war das Produkt in dieser Phase?
Xia Ning: Die KI damals war anders als die heutige Definition. Früher sprachen wir von maschinellem Lernen, später kamen tiefe Neuronale Netze und Transformer, danach große Modelle – sie entwickelt sich ständig weiter. Allgemein betrachtet ist alles, was auf Daten basiert, um Vorhersagen zu treffen, im Wesentlichen eine Form von KI. Damals war es eher traditionelles maschinelles Lernen, ergänzt durch viel Chemoinformatik – ein Fachgebiet, das sich damit befasst, die Logik chemischer Reaktionen in Algorithmen zu übersetzen.
White-Box vs. Black-Box: White-Box gibt Sicherheit, das größte Problem der Black-Box ist nicht Fehler, sondern fehlende Erklärbarkeit
Li Feng: Bei KI-gestützten Vorhersagen wird oft eine Frage erörtert: Soll es eine Black-Box oder eine White-Box sein? Eine White-Box enthält viele Zusammenfassungen von bekannten menschlichen Erfahrungen, Regeln und Formeln. Bei einer Black-Box gehen Daten ein, durchlaufen eine Reihe von Berechnungen und liefern dann ein Ergebnis. Auch das autonome Fahren steht heute vor diesem Problem. Bei der Erfüllung der Anforderungen von WuXi AppTec: Wie viel Anteil hatte die Black-Box und wie viel die White-Box in Ihrer Software, die große Unternehmen überlegen war?
Xia Ning: Der Anteil der White-Box war sehr hoch. Bei solchen seriösen wissenschaftlichen Softwarelösungen ist es schwer, das Vertrauen der Kunden zu gewinnen, wenn es sich um eine Black-Box handelt. Denn sie kann unregelmäßig Halluzinationen oder Fehler aufweisen, deren Folgen sehr schwerwiegend sein können, und sie ist nicht erklärbar. Die größte Herausforderung ist: Wenn Sie ein Problem feststellen, aber nicht wissen, wo es liegt, können Sie es nicht verbessern.
Li Feng: Genau, sie ist schwer zu justieren – wenn Sie Parameter A ändern und das System verändert unerklärlicherweise gleichzeitig B, C und D, und Sie nicht verhindern können, dass sich B, C und D in eine schlechte Richtung entwickeln, ganz zu schweigen davon, dass Sie nicht einmal wissen, was B, C und D sind.
Wir haben viele AI-for-Science-Unternehmen in verschiedenen Bereichen einschließlich Materialwissenschaften und Chemie untersucht. In der Biologie ist es etwas besser, weil die Genomik als grundlegende beschränkende Regel dient. Wie steht es um die Chemie? Wie weit ist die Erklärbarkeit dort heute fortgeschritten?
Xia Ning: In unserem System ist die Erklärbarkeit sehr stark. Alle Schlussfolgerungen, die von großen Modellen oder Black-Box-Modellen geliefert werden, müssen in unserem White-Box-Modell erklärt, überprüft und beschränkt werden. Nur so können wir Halluzinationen beseitigen und gleichzeitig erkennen, welche der mehrdeutigen Schlussfolgerungen richtig und welche falsch sind. Das ist im wissenschaftlichen Bereich sehr wichtig.
Li Feng: Auf Programmebene: Laufen die Daten zuerst durch eine Black-Box und dann durch eine White-Box, oder sind beide miteinander verschmolzen?
Xia Ning: Es gibt eine starke Verschmelzung, beide laufen gleichzeitig ab.
Die erste Zusammenarbeit im Wert von über 1 Million US-Dollar und eine Anforderungsliste mit Tausenden von Rückmeldungen
Li Feng: Als wir Dr. Xia 2018 kennenlernten, hatte er gerade ZhiHua Technology gegründet. Der erste Meilenstein nach der Unternehmensgründung war die Lieferung einer ersten umfangreichen Softwaredienstleistung an ein weltweit bekanntes multinationales Pharmaunternehmen (MNC).
Xia Ning: Ich bin WuXi sehr dankbar, dass sie uns einem ihrer großen Kunden vorgestellt haben. Dieser Kunde entwickelte ein KI-gestütztes Pharmazeutik-System, bei dem der Bereich der KI-gestützten Retrosynthese vollständig uns überlassen wurde. Das war eine Zusammenarbeit im Wert von über 1 Million US-Dollar mit nicht geringen Schwierigkeiten. Durch diese Zusammenarbeit haben wir die Produktveredelung soweit vorangetrieben, dass sie alle Anforderungen dieser großen Kunden an Sicherheit, Geschwindigkeit und Qualität erfüllt. Das war ein sehr wichtiger Ausgangspunkt für uns.
Li Feng: Das ist ein Problem, mit dem viele Wissenschaftler bei der Unternehmensgründung konfrontiert sind: Sie erzielen ein sehr nützliches Forschungsergebnis, aber wenn sie es in einem echten industriellen Kreislauf anwenden, ist es manchmal nicht funktionsfähig, nicht benutzerfreundlich – oder wenn die Benutzer nicht die richtigen Personen sind, wehren sie sich dagegen. Wie haben Sie diese Probleme überwunden?
Xia Ning: Solche Probleme werden zwangsläufig auftauchen. Ihr Produkt erreicht bei der Markteinführung sicher keine 90 Punkte, sondern vielleicht 60 oder 70 Punkte. Wir haben unzählige Kundenrückmeldungen, Iterationen und Optimierungen durchlaufen – das ist auch der Grund, warum die White-Box so wichtig ist. Wenn Sie eine Black-Box hätten und die Kunden Rückmeldungen geben, die Sie nicht umsetzen können, würden sie verzweifeln.
Also haben wir uns ständig verbessert und den Kunden gezeigt, dass das Produkt ständig Fortschritte macht. Ich habe nachgesehen: Unsere Anforderungsliste enthält wahrscheinlich Tausende von Anregungen verschiedener Kunden, jede davon erfordert eine Menge Arbeit zur Verbesserung und Korrektur.
Dieser Prozess ist sehr wichtig, aber heute übersehen viele Menschen – egal ob Investoren oder Branchenkenner – diesen Punkt: Sie denken, dass man mit einem guten Modell und guter Technik sofort das weltweit beste Produkt erzielen kann. Aber ich glaube, dass es meistens durch solche Iterationen entsteht.
Li Feng: Nehmen wir diesen einzelnen Kunden als Beispiel: Waren die Abteilungen und Mitarbeiter, die es in den ersten drei Jahren nutzten, relativ festgelegt, oder haben es immer mehr abteilungsübergreifende Personen verwendet?
Xia Ning: Immer mehr. Während der Anwendung entwickeln die Kunden viele Ideen, sie sagen: „Wäre diese Funktion nicht besser, wenn Sie sie so gestalten?“ oder „Könnten Sie diese Prozesse für mich verknüpfen?“ Dadurch verstehen wir, wie die Kunden das Produkt in echten Szenarien nutzen – normalerweise ist die tats