Analysegeräte erzeugen mehr Spektren, als Fachleute auswerten können. Tiefe Modelle lesen heute rohe MS/MS-, NMR-, IR- und Chromatographie-Signale direkt: Sie sequenzieren Peptide und Antikörper ohne Datenbank, priorisieren Strukturkandidaten für unbekannte Moleküle in der Metabolomik oder im Non-Target-Screening und integrieren Chromatographie-Peaks einheitlich. Der Nutzen ist eine schnellere, besser reproduzierbare Interpretation, wobei weiterhin die Chemikerin oder der Analytiker über Identität und Freigabe entscheidet.
Problem & Nutzen
- Heute: Die Peptididentifikation beruht auf Datenbanksuche (Protein-FASTA erforderlich), die Identifikation kleiner Moleküle auf dem Abgleich mit Spektralbibliotheken, die nur einen kleinen Teil der bekannten und möglichen Chemie abdecken, und die NMR-Aufklärung auf manueller Expertenarbeit. Chromatographie-Peaks in QC-Laboren werden oft von Hand neu integriert, ein klassischer Befund zur Datenintegrität.
- KI-Nutzen: (1) De-novo-Sequenzierung für Antikörper, neuartige Proteine, nicht sequenzierte Arten und Immunpeptidomik, wo keine Datenbank existiert; (2) „dunkle Materie" der Metaboliten und unbekannte Schadstoffe, die über Bibliothekstreffer hinaus annotiert werden; (3) einheitliche Peak-Integration und Prüfungen der Systemeignung; (4) erste Strukturvorschläge aus NMR/IR, um die Zeit der Fachleute zu verkürzen.
- Belege: Die offenen Modelle Casanovo und InstaNovo (Noble-Labor, InstaDeep/DTU) zeigen, dass Transformer von Spektrum zu Sequenz auf realen Proteomik-Daten funktionieren [1][2]; CSI:FingerID/SIRIUS und Modelle im Stil von MIST sagen molekulare Fingerprints und Strukturen aus MS/MS voraus [3][4]. Veröffentlichte Verbesserungen gelten benchmark-spezifisch; messen Sie daher auf Ihren eigenen Geräten und Matrices.
Varianten
- Proteomik / Biopharma: De-novo-Sequenzierung von Peptiden und Antikörpern, Entdeckung von Sequenzvarianten und PTMs, Immunpeptidomik, Charakterisierung von Biosimilars.
- Metabolomik & Naturstoffe: Annotation von Verbindungen, Klassenvorhersage, molekulare Vernetzung.
- Non-Target-Screening: Verunreinigungen in Wasser, Lebensmitteln, Futtermitteln und Verbraucherprodukten; unterstützt Arbeiten im Stil von REACH (siehe SCI-015).
- Strukturaufklärung per NMR/IR/Raman: Synthesechemie, Prozesschemie, Labore für Polymere und Werkstoffe; ergänzt SCI-004 und SCI-007.
- QC-Chromatographie: automatisierte Peak-Erkennung und -Integration in regulierten Laboren (GxP).
- Klinische/forensische Toxikologie: Screening auf Wirkstoffe und Metaboliten. Bleiben Sie auf der Ebene von Bibliothek und Annotation; die Ergebnisse fließen nur in von Menschen unterzeichnete Berichte ein.
So funktioniert es
- instrument raw data
- vendor-neutral conversion (ProteoWizard msConvert
- mzML; NMR
- JCAMP/nmrML)
- signal processing (centroiding, baseline/phase correction, deisotoping, alignment)
- model inference MS/MS peptides: spectrum
- sequence (transformer)
- FDR/rescoring MS/MS small molecules: spectrum
- formula
- fingerprint/structure candidates
- ranking NMR/IR: spectrum (+ formula)
- structure candidates
- predicted-vs-measured shift check chromatography: baseline + peak detection
- integration
- suitability flags
- confidence, FDR control and identification level (e.g. MSI levels 1–5)
- expert review (spectrum viewer, annotated evidence)
- report / LIMS / ELN
- Zentrale Modelle: Encoder-Decoder-Transformer auf Peaks (Casanovo, InstaNovo); Fingerprint- oder graphbasierte Vorhersagemodelle (SIRIUS/CSI:FingerID/CANOPUS, MIST); kontrastive Spektrum-Struktur- Einbettungen für bibliotheksfreie Suche; CNN-/Transformer-Modelle für NMR und IR; klassische Signalverarbeitung bleibt das Rückgrat der Chromatographie, ergänzt durch ML zur Peak-Klassifikation.
- Mensch-in-der-Schleife (Human-in-the-Loop): Alle neuartigen Identifikationen, Strukturvorschläge und jede Änderung der Integration in einem regulierten Labor werden geprüft; die KI-Ausgabe ist eine priorisierte Hypothese, kein Ergebnis.
- Orthogonale Prüfungen: Konsistenz der Summenformel, Isotopenmuster, Vorhersage der Retentionszeit, vorhergesagte gegenüber gemessenen NMR-Verschiebungen und, als abschließender Nachweis, Referenzstandards.
Datenaufbereitung
Spektren liegen auf Geräte-PCs, Datei-Servern des Labors und in Chromatographie-Datensystemen (CDS), LIMS oder ELN, oft in proprietären Herstellerformaten (.raw, .d, .wiff); die Probenmetadaten stehen in Excel oder auf Papier. Typische Lücken: fehlende oder uneinheitliche Probenmetadaten, kein gemeinsames Format, nicht dokumentierte Messmethoden, Geräte-Drift zwischen Batches, verstreute Referenzbibliotheken und unklare Zugriffsrechte auf gemeinsam genutzten Geräte-PCs.
Schritte der Aufbereitung: Geräte und Datenflüsse erfassen (PREP-001, PREP-005); mit ProteoWizard msConvert (mzML) oder JCAMP-DX/nmrML in offene Formate konvertieren (PREP-007); Laborbücher und Probenblätter aus Papier direkt an der Quelle digitalisieren (PREP-008, PREP-006); Probenmetadaten in saubere Tabellen strukturieren (PREP-011); Labels aus früheren bestätigten Identifikationen gewinnen (PREP-020); gerätegleiche Testdatensätze gemeinsam mit den Analytikerinnen und Analytikern aufbauen (PREP-018). Werkzeuge: msConvert, matchms, Nextflow, ein FAIR-Datenkatalog; in regulierten Laboren die Audit-Trails unversehrt lassen. Siehe DATA-003 und GUIDE-003.
Rechnen Sie mit 40-60 Prozent des Aufwands für Konvertierung, Pflege der Metadaten und Erstellung der Testdatensätze.
Umsetzungswege
Welcher Weg für wen
- Unternehmen (Enterprise): C - offene Workflows (OpenMS, SIRIUS, Casanovo) sind reproduzierbar, vermeiden Herstellerabhängigkeit bei Rohdaten und laufen auf HW2; kaufen (A), wo validierte GxP-Software für die Freigabeprüfung vorgeschrieben ist.
- Entwickler (Developer): C - offene Gewichte, Container und Workflow-Manager sind die natürliche Basis zum Bauen und Benchmarken.
- Öffentlicher Sektor (Public): C - Labore von Hochschulen und Behörden setzen auf offene Formate und offene Werkzeuge, und ein souveräner Umgang mit Daten lässt sich leicht nachweisen.
Weg A — Kaufen (Standardsoftware)
- Gerätehersteller: Thermo Fisher (Compound Discoverer, Proteome Discoverer, Chromeleon), Waters (UNIFI, waters_connect, Empower), Agilent (MassHunter, OpenLab), SCIEX (OS, Biologics Explorer), Bruker (MetaboScape, TopSpin, Compass).
- Spezialsoftware: Bioinformatics Solutions (PEAKS, Kanada), Protein Metrics Byos, Mnova von Mestrelab (Spanien, EU: NMR, MS), ACD/Labs (Spectrus, einschließlich Strukturaufklärung), Spectronaut und DIA-NN-basierte Pipelines (Biognosys, Schweiz), MSAID (Deutschland, EU, Ausgründung der TUM; Proteomik- Software mit ML-Rescoring), Genedata (Expressionist, Schweiz).
- A wählen, wenn: das Labor bereits Geräte eines Herstellers betreibt, validierte Software braucht (GxP, 21 CFR Part 11 / EU-Annex 11) und kein Data-Science-Team hat.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Cloud-Speicher und Batch-Rechenleistung in EU-Regionen (AWS, Azure, Google; oder EU-Anbieter wie OVHcloud, IONOS, STACKIT) führen Konverter und offene Werkzeuge im großen Maßstab aus; verwaltete ELN-/LIMS-Data-Lakes (z. B. Benchling, Genedata, TetraScience Data Platform) liefern harmonisierte Daten.
- Ein führendes Reasoning-LLM (Claude, GPT, Gemini, Mistral) agiert als Orchestrator und Erklärer über Werkzeug- aufrufe: Es startet SIRIUS/Casanovo, entwirft Prüfzusammenfassungen und schreibt Analyseskripte. Es darf nicht allein als Spektreninterpret behandelt werden: Allgemeine LLMs sind beim Lesen roher Spektren unzuverlässig.
- B wählen, wenn: Sie Pipeline-Integration und elastische Rechenleistung brauchen, aber kein eigenes Modelltraining.
Weg C — Selbst betreiben (Open Source)
- MS-Peptide: Casanovo, InstaNovo (offene Gewichte), dazu Sage, MSFragger, MaxQuant, DIA-NN, Percolator/Mokapot für das Rescoring; OpenMS und pyOpenMS als Workflow-Basis; Nextflow/nf-core (z. B. nf-core/quantms) für reproduzierbare Läufe.
- MS-Kleinmoleküle: SIRIUS (CSI:FingerID, CANOPUS, Open Source; Friedrich-Schiller-Universität Jena, Deutschland, EU), MZmine, MS-DIAL, matchms, GNPS und MassBank (öffentliche Bibliotheken), MassBank of North America; NMR: nmrglue, NMRium (Web, Open Source), dazu offene Vorhersagemodelle.
- Chromatographie: Open-Source-Bibliotheken (pybaselines, scipy-basierte Peak-Finder, OpenChrom).
- Hardware: HW2 (eine GPU mit 24 GB) genügt für Inferenz und Feintuning von Modellen in der Größe von Casanovo; Speicher für Rohdaten und CPU-Suche dominieren meist (zig TB im Maßstab einer Einrichtung).
- Betriebsaufwand: erfordert Personal für Bioinformatik/Chemoinformatik; Reproduzierbarkeit über Container und Workflow-Manager.
Weg D — Eigenes Training
Lohnt sich bei laborspezifischen Geräten, ungewöhnlicher Chemie (Glykane, Quervernetzungen, Lipide, Polymere) oder nicht standardmäßiger Fragmentierung. Erfordert Tausende bis Millionen annotierter Spektren (öffentlich: MassIVE, PRIDE, GNPS, MassBank, NIST-lizenzierte Bibliotheken), synthetische Daten aus Simulatoren/Vorhersagemodellen und zurückgehaltene, gerätegleiche Testdatensätze. Feintunen Sie zuerst vorhandene offene Modelle.
Stand der Technik (2026)
- De-novo-Peptidsequenzierung ist von der Kuriosität zur Routine für Antikörper und Immunpeptidomik geworden; Transformer-Modelle (Casanovo, InstaNovo) sind offen, und kommerzielle Werkzeuge (PEAKS) bauen Deep Learning ein [1][2]. Die Präzision auf Peptidebene sinkt weiterhin bei langen Peptiden, PTMs, Spektren mit geringer Intensität und anderen Geräten als in den Trainingsdaten.
- Annotation kleiner Moleküle: Strukturabruf/-generierung aus MS/MS verbessert sich gegenüber der Bibliothekssuche, doch die Quote korrekter Top-1-Strukturen bleibt bei neuartigen Verbindungen bescheiden; Community-Wettbewerbe wie CASMI zeigen das ehrlich [4]. Behandeln Sie Ausgaben als Kandidatenlisten mit Konfidenzstufen der Identifikation (Schymanski-Skala).
- NMR/IR: ML-Vorhersagen der Verschiebung sind genau genug, um Kandidaten zu priorisieren; die vollständige De-novo-Aufklärung komplexer Naturstoffe aus 2D-NMR wird besser, bleibt aber von Fachleuten geführt.
- Chromatographie: Automatisierte Integration funktioniert bei gut verhaltenen Peaks; Koelution, Drift und verrauschte Basislinien müssen geprüft werden; Aufsichtsbehörden erwarten Audit-Trails für Neuberechnungen.
- Grenzen und Fehlerbilder: Verteilungsverschiebung zwischen Geräten, halluzinierte, aber plausible Sequenzen/Strukturen, überzuversichtliche Scores, per MS nicht unterscheidbare Isomere, durchgesickerte Testdaten in Benchmarks, proprietäre Rohdatenformate und Lizenzbeschränkungen für Bibliotheken.
Gemeinsame Bausteine & Kombinationen
- Hardware/Stack: teilt sich die HW2-GPU und die Workflow-Infrastruktur mit SCI-008, SCI-009, SCI-017.
- Vor- und nachgelagert: SCI-007 (selbstfahrende Labore erzeugen und nutzen Spektren), SCI-004 (Retrosynthese plus Produktbestätigung), SCI-002 (Metabolitenidentifikation in der Wirkstoffforschung), SCI-015 (Sicherheitsbewertung nachgewiesener Stoffe), SCI-017 (Proteomik-Biomarker), SCI-022 (Analytik von Testdaten), PRED-014 (Soft Sensors nutzen Spektren, z. B. NIR, klären aber keine Struktur auf).
- Datenschicht: Offene Formate (mzML, nmrML, AnIML, Allotrope) und ein FAIR-Datenkatalog sind die gemeinsame Voraussetzung für all diese Anwendungsfälle.
Aufwand, Kosten & Kennzahlen
- Weg A: Wochen bis zur Einführung; Lizenzen je Arbeitsplatz/Gerät, Validierungsaufwand für GxP.
- Weg B: 2–4 Monate; Rechenleistung und Datenabfluss (Egress) dominieren die Kosten.
- Weg C: 3–6 Monate mit 1–2 Fachleuten; GPU bescheiden, Speicher und Kuratierung erheblich.
- Weg D: 6–12+ Monate; Datenkuratierung und Annotation sind der Hauptkostenfaktor.
- Kennzahlen: Identifikationsrate bei festem FDR, Top-k-Strukturgenauigkeit auf einem gelabelten Testdatensatz, Prüfzeit je Probe durch Fachleute, Quote von Neuintegrationen/manuellen Änderungen, Reproduzierbarkeit über Batches, Durchlaufzeit, Anteil annotierter Unbekannter.
Menschen & Veränderung
Beginnen Sie mit der Laborleitung und den Analytikerinnen und Analytikern, die täglich Spektren interpretieren: Sie kennen die Fehlerbilder und müssen die Abnahmeregeln verantworten. Beziehen Sie die IT früh ein für Speicher, Zugriff auf Geräte-PCs und Container, und die IT-Sicherheit für vernetzte Geräte. In GxP-Laboren sind Qualitätssicherung sowie Recht und Compliance für Validierung, Audit-Trail und die Erwartungen von Annex 11 / Part 11 einzubeziehen. Die oder der Datenschutzbeauftragte (DSB) wird nur gebraucht, wenn die Proben klinisches, forensisches oder Biobank-Material sind; dann ist voraussichtlich eine Datenschutz-Folgenabschätzung (DSFA, Art. 35 DSGVO) nötig, und Cloud-Anbieter benötigen einen Auftragsverarbeitungsvertrag (AVV, Art. 28).
Betriebsrat: kommt darauf an. Chromatographie- und Gerätesoftware protokollieren Benutzeraktionen, und nach der Rechtsprechung des Bundesarbeitsgerichts genügt für die Mitbestimmung die objektive Eignung zur Verhaltensüberwachung (§ 87 Abs. 1 Nr. 6 BetrVG). Informieren Sie den Betriebsrat rechtzeitig (§ 90 Abs. 1 Nr. 3) und vereinbaren Sie, dass die Protokolle nur der Datenintegrität dienen, nicht der Leistungsbeurteilung. Öffentliche Labore beteiligen den Personalrat.
KI-Kompetenz: Art. 4 der KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; führen Sie eine kurze Schulung zu Konfidenzstufen, FDR und Fehlern bei Daten außerhalb der Trainingsverteilung durch. Wählen Sie ein Gerät und eine Fragestellung als Pilot. Typische Befürchtung: „Die Peak-Integration wird automatisiert, und mein Job gleich mit" - begegnen Sie ihr, indem jede Identifikation und jede Neuintegration unter der Freigabe der Analytikerin oder des Analytikers bleibt.
Leitfäden: GUIDE-008, GUIDE-009, GUIDE-004.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): in der Regel minimales Risiko (Forschungs- und Analysewerkzeuge); Pflicht zur KI-Kompetenz (Art. 4). Höhere Klassen gelten nur, wenn die Ausgabe zu einer Sicherheitskomponente oder zu einem Teil eines regulierten Medizin- produkts oder IVD wird (Anhang I; MDR/IVDR) oder in klinischen Entscheidungskontexten. Durch normale analytische Nutzung wird kein Verbot nach Art. 5 berührt.
- DSGVO: meist keine personenbezogenen Daten; klinische, Doping-, forensische oder Biobank-Proben (Proteomik, Metabolomik) können personenbezogene oder Gesundheitsdaten sein (Art. 9): erfordert Rechtsgrundlage, Pseudonymisierung, AVV mit Cloud-Anbietern und Hosting in der EU.
- GxP / Datenintegrität: EU-GMP Annex 11, FDA 21 CFR Part 11, ALCOA+-Prinzipien; validierte Software, Audit-Trail für jede Neuberechnung, gesperrte Methoden und dokumentierte Versionen der KI-Modelle.
- Branchenregeln: Akkreditierung (ISO/IEC 17025) und Methodenvalidierung für die Routineberichterstattung; die Identifikation muss den Berichtsstandards der Fachgemeinschaft folgen (MSI-/Schymanski-Stufen).
- Bewusstsein für Dual-Use: Die Identifikation unbekannter Verbindungen kann kontrollierte Substanzen berühren; wenden Sie die Exportkontroll- und Zugriffsrichtlinien Ihrer Einrichtung an.
- Gegenmaßnahmen: orthogonale Bestätigung, Referenzstandards, gesperrte Modellversionen, verblindete Wiederholungstests und Drift-Überwachung.
Erste Schritte
- Eine Fragestellung wählen (z. B. Bestätigung einer Antikörpersequenz, unbekannte Peaks in einem Wasser-Screening) und 50–200 gut annotierte Läufe als Testdatensatz zusammenstellen.
- In offene Formate konvertieren und Basislinien fahren: eine Datenbanksuche oder einen Bibliotheksabgleich, danach Casanovo/InstaNovo oder SIRIUS zum Vergleich.
- Bei festem FDR mit der Referenzwahrheit (Ground Truth) vergleichen; Fehlerbilder nach Gerät und Matrix protokollieren.
- Eine Prüfoberfläche (Spektrum plus Evidenz) ergänzen und Abnahmeregeln sowie Identifikationsstufen festlegen.
- Modelle, Daten und Workflow versionieren (Nextflow, Container); danach skalieren oder feintunen.
Quellen
- Casanovo project — https://github.com/Noble-Lab/casanovo
- InstaNovo — https://github.com/instadeepai/InstaNovo
- SIRIUS / CSI:FingerID / CANOPUS documentation — https://v6.docs.sirius-ms.io/
- CASMI contest (critical assessment of small molecule identification) — http://www.casmi-contest.org/
- OpenMS — https://openms.de/
- GNPS — https://gnps.ucsd.edu/
- MassBank — https://massbank.eu/
- EU GMP Annex 11 (EudraLex Vol. 4) — https://health.ec.europa.eu/medicinal-products/eudralex/eudralex-volume-4_en
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj