KI-System SECS beschleunigt die chemische Strukturanalyse
Forschende der Friedrich-Schiller-Universität Jena, des Helmholtz-Zentrums Berlin für Materialien und Energie, des Helmholtz Institute for Polymers in Energy Applications Jena sowie des Schweizer Softwareunternehmens Zakodium Sárl haben ein neues System zur chemischen Strukturanalyse entwickelt. Die Künstliche Intelligenz mit dem Namen SECS kann spektroskopische Messdaten auswerten, passende Molekülstrukturen vorschlagen und deren Plausibilität bewerten. Das Verfahren wurde im Fachjournal Nature Communications veröffentlicht und steht der wissenschaftlichen Gemeinschaft als offenes Werkzeug zur Verfügung.
Die Entwicklung soll die Analyse chemischer Verbindungen erleichtern. Die Identifikation neu hergestellter Substanzen gehört zu den grundlegenden Aufgaben in Forschung und Entwicklung. Besonders bei komplexen oder bislang unbekannten Molekülen kann die Strukturaufklärung jedoch erheblichen Zeitaufwand verursachen.
Mit SECS steht nun ein System bereit, das aus Rohdaten verschiedener spektroskopischer Verfahren mögliche chemische Strukturen ableitet und diese anhand ihrer Übereinstimmung mit den Messdaten bewertet.
Neugestaltung Ernst-Abbe-Platz: Die Stadt Jena lädt zum Beteiligungsworkshop zum Ernst-Abbe-Platz ein. Bürger können den Siegerentwurf diskutieren und mitgestalten.
Strukturaufklärung zählt zu den anspruchsvollsten Aufgaben der Chemie
Wer neue Moleküle synthetisiert, muss deren chemische Struktur eindeutig nachweisen. Dafür kommen etablierte Methoden wie die Kernspinresonanz-Spektroskopie (NMR), die Infrarot-Spektroskopie oder die Massenspektrometrie zum Einsatz.
„Wer ein Molekül herstellt, muss auch beweisen, welche chemische Struktur es hat“, erläutert Dr. Kevin Jablonka von der Friedrich-Schiller-Universität Jena.
Die Herausforderung besteht darin, dass jede Messmethode nur bestimmte Informationen über die Molekülstruktur liefert. Wissenschaftlerinnen und Wissenschaftler müssen die einzelnen Signale zusammenführen und daraus die korrekte Struktur ableiten.
Besonders schwierig wird dies bei bisher unbekannten Verbindungen oder bei Messdaten, die durch Verunreinigungen beeinflusst werden. Solche Störungen können zusätzliche Signale erzeugen oder relevante Informationen überlagern.
„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“, erklärt Jablonka.
Zwei KI-Verfahren arbeiten im System SECS zusammen
SECS kombiniert unterschiedliche Ansätze der Künstlichen Intelligenz. Ziel ist es, spektroskopische Daten direkt mit möglichen Molekülstrukturen in Beziehung zu setzen.
„Das neue System SECS kombiniert zwei Verfahren der Künstlichen Intelligenz“, sagt Adrian Mirza, Erstautor der wissenschaftlichen Veröffentlichung.
Zunächst lernt das Modell, Spektren und Molekülstrukturen in eine gemeinsame mathematische Darstellung zu übertragen. Anschließend kommt ein evolutionärer Algorithmus zum Einsatz. Dieser verändert mögliche Molekülstrukturen schrittweise, indem Atome und Bindungen hinzugefügt oder entfernt werden. Nach jedem Schritt wird geprüft, ob die neue Struktur besser zu den vorhandenen Messdaten passt.
Auf diese Weise entsteht eine Rangliste möglicher Molekülstrukturen. Die Bewertung erfolgt anhand von Ähnlichkeitswerten, die den chemischen Kontext berücksichtigen.
JenaMedia – Veranstaltungstipp:
8 km Teamspirit pur! Aktiver Firmen Wandertag Jena 2026
Hohe Trefferquote in Benchmark-Tests
Die Leistungsfähigkeit des Systems wurde anhand verschiedener spektroskopischer Datensätze überprüft. Nach Angaben des Forschungsteams identifizierte SECS in Benchmark-Tests die richtige Molekülstruktur in über 80 Prozent der Fälle direkt auf dem ersten Rang.
Darüber hinaus wurde die KI in einer Pilotstudie mit menschlichen Fachleuten verglichen. Chemikerinnen und Chemiker bearbeiteten dabei 20 anspruchsvolle Aufgaben aus dem Bereich der NMR-Spektroskopie.
„Wir baten in einer Pilotstudie Chemikerinnen und Chemiker, 20 anspruchsvolle NMR-Aufgaben zu lösen“, berichtet Kevin Jablonka.
Die Ergebnisse zeigten, dass die Leistungsfähigkeit der KI mit jener der teilnehmenden Fachleute vergleichbar war.
Unterstützung für Forschende statt Ersatz menschlicher Expertise
Die Entwicklerinnen und Entwickler verstehen SECS ausdrücklich als Hilfsmittel für die wissenschaftliche Praxis.
„Wir sehen SECS aber nicht als Ersatz für menschliche Expertise“, betont Adrian Mirza. „Das System kann eine sehr hilfreiche zweite Meinung liefern.“
Hohe Übereinstimmungen zwischen den Vorschlägen des Systems und den Erwartungen der Forschenden können die Interpretation von Messdaten unterstützen. Gleichzeitig können unerwartete Ergebnisse Hinweise darauf geben, dass Datensätze oder Annahmen erneut überprüft werden sollten.
Damit eröffnet das System neue Möglichkeiten, Analyseprozesse zu beschleunigen und zusätzliche Sicherheit bei der Bewertung chemischer Strukturen zu schaffen.
Offene Plattform soll weitere Entwicklungen ermöglichen
Der Quellcode, die Modelldaten sowie eine Testversion von SECS sind öffentlich zugänglich. Die derzeit verfügbare Webanwendung ist vor allem für die Auswertung eindimensionaler Protonen-NMR-Rohdaten ausgelegt.
Nach Angaben des Forschungsteams sollen künftig weitere Spektrentypen und komplexere Datensätze integriert werden. Dadurch könnte das Einsatzspektrum der Plattform kontinuierlich erweitert werden.
Die Veröffentlichung als Open-Source-Lösung ermöglicht es zudem Forschenden weltweit, das System zu nutzen, weiterzuentwickeln und für eigene Anwendungen anzupassen.
Forschung mit Unterstützung mehrerer Förderprogramme
Die wissenschaftliche Arbeit wurde durch die Carl-Zeiss-Stiftung gefördert. Weitere Unterstützung erhielt das Projekt von der Helmholtz Association im Rahmen der Helmholtz Foundation Model Initiative und des Projekts SOL-AI. Zusätzliche Beiträge kamen von Helmholtz AI Computing Resources, OpenPhilanthropy sowie dem NFDI-Konsortium FAIRmat, das von der Deutschen Forschungsgemeinschaft gefördert wird.
Die Ergebnisse wurden in der Fachzeitschrift Nature Communications unter dem Titel „End-to-end multimodal structure elucidation from raw spectra combining contrastive learning and evolutionary algorithms“ veröffentlicht.
Mit SECS steht der chemischen Forschung ein neues Werkzeug zur Verfügung, das moderne KI-Methoden mit etablierten Analyseverfahren verbindet. Die Entwicklung zeigt, wie maschinelles Lernen wissenschaftliche Arbeitsabläufe unterstützen und die Auswertung komplexer Daten beschleunigen kann.
Info, UNI Jena | Fotos, Nicole Nerger / Universität Jena und Illustrationen via KI | Veranstaltungen im Eventkalender
