Från Nobelpris till robotlabb – så förändrar AI kemin

Den 9 oktober 2024 tillkännagav Kungliga Vetenskapsakademien att Nobelpriset i kemi skulle delas mellan två genombrott som båda gjorts med hjälp av datorer. Halva priset gick till David Baker, professor vid University of Washington, som konstruerar helt nya proteiner med datorns hjälp. Den andra halvan gick till Demis Hassabis och John Jumper, som tog fram AI-modellen AlphaFold2 på Google DeepMind. AlphaFold2 löste ett problem som forskare hade brottats med i 50 år: att förutsäga proteiners tredimensionella form.

Formen avgör vad proteinet gör i kroppen. Med AlphaFold2 har forskare förutsagt strukturen hos nästan alla de 200 miljoner kända proteinerna, enligt Vetenskapsakademien.

Proteinerna var början. AlphaFold2 räknar fram proteinernas form, som forskarna annars måste mäta i labbet med stor möda. Samma slags AI-modeller används nu i hela kemin. De förutsäger hur nya läkemedel, material och enzymer kommer att bete sig innan de har tillverkats, så att kemisten vet vilka som är värda att pröva.

Kemin är ett av världens största sökproblem

Mycket av kemin handlar om att hitta rätt ämne. Det kan vara en molekyl som fastnar på ett protein som driver en sjukdom, ett material som lagrar mer energi eller ett enzym som klarar värme. Svårigheten är antalet möjligheter. Bara antalet tänkbara molekyler som kan bli läkemedel uppskattas till mellan 10²³ och 10⁶⁰, beroende på vem som räknar. Den högre är en etta följd av 60 nollor.

Varje försök i labbet kostar tid och pengar, så kemister har fått välja försök efter erfarenhet och intuition. Med AI kan de i stället låta en modell, tränad på tidigare experiment och beräkningar, sålla fram de mest lovande.

Så hjälper AI kemisten i fyra steg

AI:s roll i kemin går att beskriva med fyra verb:

• Förutsäga: AI beräknar egenskaper, till exempel vilken form ett protein får, innan ämnet ens har tillverkats.
• Designa: generativa modeller, samma slags teknik som skriver text och ritar bilder, föreslår nya molekyler och material.
• Planera: AI räknar baklänges ut hur ett ämne kan byggas av råvaror som går att köpa. Kemister kallar det retrosyntes.
• Testa: robotar tillverkar och mäter. Resultaten går tillbaka till modellen.

Klicka på stegen i grafen för att se ett verkligt exempel på vart och ett, bland annat två verktyg med öppen källkod från AstraZeneca i Göteborg.

När AI, ibland en AI-agent, väljer nästa försök som sedan utförs av robotar kallas det ett självkörande labb. Ett tidigt exempel kom från University of Liverpool 2020, där en mobil robot på egen hand genomförde 688 experiment på åtta dygn. Den hittade en bättre blandning av ämnen till en ljusdriven katalysator, ett ämne som sätter fart på kemiska reaktioner. Den nya blandningen gav vätgas ur vatten sex gånger effektivare än den forskarna började med.

AI i kemin har redan gett resultat i labbet

Flera av de tydligaste resultaten har prövats i universitetslabb.

• Motgift mot ormbett. Ormbett dödar mellan 81 000 och 138 000 människor om året, enligt WHO. Dagens motgifter tas fram ur blod från djur som fått små doser gift. De är dyra och har begränsad effekt mot en av de farligaste giftgrupperna. David Bakers grupp använde AI för att konstruera nya proteiner som binder till just de gifterna. Proteinerna oskadliggjorde gifterna i provrör och skyddade möss mot en dödlig dos.
• Nya antibiotika. Forskare vid MIT tog med generativ AI fram helt nya molekyler mot gonorré och den antibiotikaresistenta bakterien MRSA. Sju av 24 tillverkade ämnen hade effekt. De två bästa minskade mängden bakterier hos infekterade möss, rapporterar gruppen i tidskriften Cell.
• Plast som bryts ned. Ett enzym som forskare vid University of Texas förbättrat med maskininlärning bröt nästan helt ned PET-plasten i 51 olika produkter på en vecka. PET är plasten i bland annat vattenflaskor.
• Nya lasermaterial. Robotlabb på fem platser runt om i världen, samordnade av en AI som planerade försöken via molnet, hittade 21 nya material i toppklass för organiska lasrar, där ljuset skapas i kolbaserade molekyler. Sådana lasrar ger ljus i mycket rena färger och kan användas i billiga sensorer och små analyslabb på ett chip.

I alla fyra fallen kom förslaget från AI och kontrollen gjordes i labbet. Där går det långsammare. Varje förslag måste tillverkas, mätas och ofta göras om innan det blir något som går att använda.

Labbet avgör vilka AI-förslag som håller

Datorn sållar miljoner kandidater på några dygn, men labbet och prövningarna på människor tar sin tid. Anthropics vd Dario Amodei beskriver det i essän Machines of Loving Grace: även mycket kraftfull AI måste vänta på celler, djur och kemiska processer. Han tror samtidigt att AI kan förändra biologin och medicinen i grunden inom fem till tio år från det att riktigt kraftfull AI finns.

Ett batteriprojekt från Microsoft och det amerikanska forskningslabbet Pacific Northwest National Laboratory visar både datorns fart och labbets dom. Deras AI sållade bland 32,6 miljoner tänkbara material till batterier med fast elektrolyt, där laddningen förs mellan batteriets poler genom ett fast ämne i stället för en vätska. På under 80 timmar var listan nere i 23 kandidater. Fyra gick till labbet.

Tre av de fyra försöken gav ett och samma material, som redan var känt. Det fjärde gav ett material med den struktur modellen räknat med. Modellen hade också räknat ut hur bra materialet skulle leda laddning i rumstemperatur. I labbet blev det drygt 50 gånger sämre, trots att det mättes vid 100 grader. Sådana material leder bättre ju varmare de är, så i rumstemperatur är skillnaden ännu större. Redan i rumstemperatur leder kända material av samma slag hundratals gånger bättre än det nya gör vid 100 grader. Författarna ser ändå materialet som en kandidat att utveckla vidare, men ett färdigt batteri ligger en bit bort.

Flera uppmärksammade AI-fynd har också krympt när andra forskare granskat dem. År 2023 presenterade Google DeepMind 2,2 miljoner nya kristallstrukturer, alltså tänkbara stabila material. Några månader senare skrev materialkemisterna Anthony Cheetham och Ram Seshadri att de ännu inte hittat något påtagligt nytt ämne bland de drygt 380 000 som bedömts som stabilast, även om de räknade med att det fanns några. Forskarna bakom A-Lab i Berkeley, ett robotlabb som tillverkar material som datorn har föreslagit, hade kallat sina material nya i en studie och fick rätta den: de var nya för robotlabbet men inte nödvändigtvis för vetenskapen.

Även data bromsar. AI lär sig av tidigare försök, medan kemister helst publicerar det som lyckades. Misslyckandena blir liggande i forskarnas anteckningar, fast just de kan vara värdefulla för en modell. Forskare vid Haverford College i USA tränade en modell på gamla labbanteckningar, misslyckade försök inräknade. Modellen förutsade vilka nya kristallförsök som skulle lyckas, hade rätt i 89 procent av fallen och slog kemisternas egna strategier.

Datorn föreslår, labbet avgör.

Läkemedel från AI prövas i flera år

För läkemedel kommer det sista provet efter labbet, i prövningar på människor som pågår i flera år. Den första prövningen på människor gäller främst säkerheten. Där klarar sig AI-framtagna läkemedelskandidater i 80 till 90 procent av fallen, enligt en genomgång 2024 från konsultbolaget Boston Consulting Group. Det är en klart högre andel än branschens historiska snitt. I nästa fas, där effekten prövas, klarar sig omkring 40 procent, ungefär som tidigare. Urvalet är litet.

Rentosertib är en läkemedelskandidat mot idiopatisk lungfibros, en lungsjukdom där lungorna ärras av okänd orsak. Bolaget Insilico Medicine använde AI både för att hitta proteinet som rentosertib angriper och för att ta fram själva molekylen. Kandidaten har nått den sista fasen av prövningar, där 320 patienter ska delta under ett år. Godkänd är den ännu inte. För läkemedel i allmänhet tar det i median 8,3 år från första studien på människor till godkännande.

Så testar du AI i kemin själv

Nyheter om AI-upptäckter kommer varje vecka. Det svåra är att se hur långt en upptäckt har kommit. Klistra in en nyhet i Claude eller ChatGPT med prompten nedan.

Vill du pröva forskarnas egna verktyg kan du förutsäga strukturen hos ett protein i AlphaFold Server. Tjänsten är kostnadsfri för icke-kommersiellt bruk och kräver ett Google-konto, enligt Europeiska bioinformatikinstitutet EMBL-EBI. Programmerar du finns två av AstraZenecas verktyg på GitHub: REINVENT 4 föreslår nya molekyler och AiZynthFinder planerar hur de kan byggas.

Provröret har sista ordet

Två år efter priset till AlphaFold gick Nobelpriset i kemi 2026 till kemisterna Henri Kagan och Kenso Soai för upptäckter inom asymmetrisk syntes, konsten att bygga molekyler i den rätta av två spegelvända former. Det är experimentell kemi, gjord med kolvar och provrör. AI bygger på samma slags arbete: AlphaFold2 tränades på proteinstrukturer som forskare under decennier har mätt fram i labbet.

Datorn kan pröva miljontals molekyler. Provröret visar fortfarande vilka som håller. Det AI ändrar är vilka provrör som är värda att fylla.