Forskare i Sverige har utvecklat en ny AI-modell som kan förutsäga hur molekyler förändras över tid mer än 10 000 gånger snabbare än dagens traditionella simuleringar.
Genombrottet kan på sikt förändra läkemedelsutvecklingen genom att göra det möjligt att identifiera lovande läkemedelskandidater betydligt snabbare och till en lägre kostnad.
Den nya metoden har utvecklats av forskare vid Chalmers tekniska högskola och Göteborgs universitet i samarbete med läkemedelsföretaget AstraZeneca. Resultaten har publicerats i den vetenskapliga tidskriften Science Advances.
Ett av läkemedelsforskningens största problem
Att utveckla ett nytt läkemedel är en lång och kostsam process.
Från den första idén till ett godkänt läkemedel kan det ta mer än tio år, och kostnaderna uppgår ofta till miljarder kronor.
En stor del av arbetet sker redan innan några kliniska studier på människor påbörjas.
Forskarna måste då undersöka:
- Hur molekyler beter sig
- Om de binder till rätt målprotein
- Om de är stabila i kroppen
- Hur de transporteras genom celler
- Om de riskerar att orsaka biverkningar
För att svara på dessa frågor används avancerade datorsimuleringar.
Problemet är att simuleringarna ofta är extremt tidskrävande.
Molekyler rör sig snabbare än datorer hinner räkna
Traditionellt används så kallad molekylär dynamik.
Metoden innebär att datorer beräknar hur varje atom påverkar alla andra atomer i ett system.
Beräkningarna måste göras i extremt små tidssteg.
Varje steg motsvarar ungefär:
En femtosekund = 0,000000000000001 sekunder
För att simulera biologiska processer som sker under mikrosekunder eller millisekunder krävs därför miljarder enskilda beräkningar.
Det innebär att även världens mest kraftfulla superdatorer ofta behöver dagar, veckor eller månader för att analysera komplexa molekylära system.
AI hoppar över miljarder mellanliggande steg
Den svenska forskargruppen valde ett helt annat angreppssätt.
Istället för att simulera varje liten rörelse lär sig AI-modellen de grundläggande reglerna bakom hur molekyler förändras över tid.
När modellen väl förstått dessa mönster kan den hoppa direkt fram till framtida molekylära tillstånd.
Forskarna liknar det vid skillnaden mellan att:
- Titta på varje bildruta i en film
- Hoppa mellan nyckelscenerna
Resultatet blir en dramatisk acceleration.
Den nya AI-modellen är över 10 000 gånger snabbare än traditionella simuleringar.
Kan förutsäga molekylers framtid
Forskarna döpte modellen till TITO, vilket står för:
Transferable Implicit Transfer Operators
Under träningen fick AI-systemet analysera stora mängder simulerad molekylär data.
Modellen lärde sig då inte specifika molekyler utantill.
Istället identifierade den de fysikaliska principer som styr molekylära rörelser.
Det innebär att TITO kan användas på molekyler som den aldrig tidigare har sett.
Enligt forskarna är detta en av modellens viktigaste styrkor.
Över 12 500 molekyler analyserades
I studien testades modellen på ett omfattande dataset.
Forskarna analyserade:
- Mer än 12 500 organiska molekyler
- Över 1 000 peptider
- Molekyler innehållande kol, väte, syre och kväve
AI-systemet kunde identifiera hur molekylerna förändrades över tid och förutsäga framtida konformationer med hög precision.
Resultaten jämfördes därefter med traditionella molekylsimuleringar.
Överensstämmelsen var mycket god.
Från nanosekunder till mycket längre tidsperioder
En särskilt imponerande egenskap är att modellen kan göra förutsägelser långt bortom de tidsperioder den tränats på.
Forskarna observerade molekyler under några tiotals nanosekunder.
Trots detta kunde modellen korrekt förutsäga processer som inträffade tusentals gånger längre fram i tiden.
Det innebär att AI i praktiken kan uppskatta vad som kommer att hända i den molekylära framtiden.
Kan hjälpa till att hitta nya läkemedel snabbare
Läkemedelsutveckling handlar i stor utsträckning om att hitta rätt molekyl bland miljontals möjliga kandidater.
Ju snabbare forskare kan simulera hur molekyler beter sig, desto fler alternativ kan analyseras.
Det kan leda till:
- Kortare utvecklingstider
- Lägre forskningskostnader
- Färre misslyckade projekt
- Mer träffsäkra läkemedelskandidater
Forskarna ser därför ett stort intresse från läkemedelsindustrin.
Inte bara för läkemedel
Tekniken kan även användas inom andra områden där molekylära processer spelar en central roll.
Exempel inkluderar:
Materialvetenskap
Utveckling av nya batterimaterial, halvledare och nanomaterial.
Kemisk industri
Optimering av kemiska processer och katalysatorer.
Bioteknik
Design av proteiner och biologiska molekyler.
Klimatforskning
Förståelse av komplexa molekylära processer i atmosfären.
Fortfarande i ett tidigt skede
Trots de lovande resultaten finns begränsningar.
Den nuvarande versionen av TITO har främst testats på:
- Relativt små molekylsystem
- Förenklade lösningsmedelsmodeller
- En specifik temperaturmiljö
Forskargruppen arbetar nu med att anpassa tekniken för större och mer realistiska biologiska system.
Målet är att kunna simulera betydligt mer komplexa molekyler och proteinstrukturer.
AI och fysik möts i nästa generation forskning
Under de senaste åren har AI redan förändrat flera områden inom biologin.
Google DeepMinds AlphaFold revolutionerade proteinforskningen genom att förutsäga proteiners tredimensionella struktur.
Den svenska modellen representerar nästa steg.
Istället för att bara beskriva hur en molekyl ser ut kan den förutsäga hur molekylen förändras över tid.
Det innebär att forskare inte bara får en statisk bild – utan en film av molekylens framtida beteende.
Kan förändra framtidens medicin
Om tekniken fortsätter att utvecklas kan den bli ett kraftfullt verktyg för att förstå sjukdomar på molekylär nivå.
Forskarna hoppas att framtida versioner ska hjälpa till att identifiera nya behandlingar snabbare än vad som är möjligt idag.
Även om klinisk användning fortfarande ligger flera år fram i tiden visar resultaten hur artificiell intelligens håller på att förändra grunden för modern läkemedelsutveckling.
Istället för att vänta veckor eller månader på simuleringar kan framtidens forskare få svar på några minuter – och därmed snabbare hitta de läkemedel som kan rädda liv.
Publikationsuppgifter
Juan Viguera Diez m.fl., Överförbara generativa modeller överbryggar molekylärdynamik med tidssteg från femtosekunder till nanosekunder, Science Advances (2026). DOI: 10.1126/sciadv.aed2333
