KI in der Arzneimittelforschung: Meilensteine, Grenzen und das Streben nach klinisch relevanten Daten

Künstliche Intelligenz wird in der gesamten Wirkstoffforschung eingesetzt – von der Identifizierung biologischer Zielstrukturen und dem generativen Design von Molekülen bis hin zu Laborautomatisierung und der Optimierung klinischer Studien. Das Feld ist inzwischen in vier verschiedene Ebenen gegliedert. Zu den jüngsten Meilensteinen gehören die regulatorische Qualifizierung einer Digital-Twin-Methodik durch europäische Behörden, die Placeboarme in klinischen Studien verkleinert, sowie positive Phase-2a-Daten für einen KI-designierten Wirkstoffkandidaten.

Die Ebene der klinischen Studienoptimierung, der neueste und am wenigsten erprobte Teil des Stacks, umfasst Unlearn.AI, dessen PROCOVA-Methodik digitale Zwillings-Kontrollpatienten erzeugt, um den Placeboarm einer Studie zu verkleinern. Die Methode wurde von den europäischen Regulierungsbehörden für Phase-2- und Phase-3-Studien formell qualifiziert, mit bestätigter Übereinstimmung durch die FDA, und hat Berichten zufolge die erforderlichen Kontrollarmgrößen um etwa 30 Prozent reduziert.

Im Bereich des generativen Moleküldesigns ist das rentosertib-Programm von Insilico Medicine zu einem der deutlichsten End-to-End-Erfolge des Feldes geworden: von einem KI-identifizierten Ziel über ein KI-generiertes Molekül bis zu positiven Phase-2a-Daten. Isomorphic Labs, aus Google DeepMind ausgegründet und mit der AlphaFold-Linie verbunden, hat Partnerschaften mit Eli Lilly im Wert von mehr als 1,7 Milliarden US-Dollar und mit Novartis von rund 1,2 Milliarden US-Dollar, zusätzlich zu einer externen Finanzierung von 600 Millionen US-Dollar. Xaira Therapeutics startete 2024 mit mehr als einer Milliarde US-Dollar an Finanzierung – der größte KI-Biotech-Start aller Zeiten –, während Chai Discovery, Genesis Therapeutics und Iambic Therapeutics jeweils bei der Strukturvorhersage, der translationalen Chemie und dem generativen Design konkurrieren.

Auf der Ebene der Zielidentifizierung wendet Recursion Pharmaceuticals Deep Learning auf Millionen von Mikroskopiebildern zellulärer Assays an, um Krankheitsbiologie im großen Maßstab zu kartieren, und hat sich mit Exscientia fusioniert, während Insitro Genomik, Bildgebung und klinische Daten kombiniert, um heterogene Erkrankungen in Subtypen zu stratifizieren. Zur Ebene der Laborautomatisierung gehören Emerald Cloud Lab, Strateos und Arctoris, die ferngesteuerte, robotisierte Labore als On-Demand-Dienstleistung anbieten. Unternehmen, die automatisierte Design-Make-Test-Analyse-Zyklen nennen, berichten, dass sie den Weg von der ersten Hypothese bis zu einem präklinischen Kandidaten auf etwa 13 bis 18 Monate verkürzen, verglichen mit einem traditionellen Branchendurchschnitt von eher drei bis vier Jahren.

Trotz dieser Fortschritte scheitern weiterhin 90 bis 95 Prozent der Wirkstoffkandidaten während der Entwicklung, typischerweise nach jahrelangen Investitionen. In der Onkologie liegt das Problem nicht in der Datenmenge oder der angewandten Rechenleistung, sondern darin, inwieweit die Daten die Tumorbiologie bei echten Patienten widerspiegeln. Patientenstammdaten sind sehr relevant, aber begrenzt, während Modellsysteme wie Zelllinien, Organoide und patientenabgeleitete Xenotransplantate Skalierbarkeit auf Kosten des Patientenzusammenhangs bieten. Die Genomprofilierung hat sich nicht in breiten klinischen Erfolg übersetzt; nur ein kleiner Teil der Patienten kommt allein auf der Grundlage genomischer Biomarker für bestehende Präzisionsmedikamente infrage, und Transkriptionssignaturen sind häufig schwache Prädiktoren für Proteinexpression oder Therapieansprechen. Es gibt zunehmende Bestrebungen, funktionale Daten – Messungen, wie Tumoren auf Medikamente reagieren – mit molekularer Profilierung zu integrieren, um Biomarkersignaturen zu identifizieren, die phänotypisch prädiktiv sind.

Forscher betonen außerdem, dass biomedizinische KI höhere Einsätze birgt als KI in vielen kommerziellen Umgebungen, da Fehler wissenschaftliche Schlussfolgerungen, Entscheidungen in der Arzneimittelentwicklung oder die Patientenversorgung beeinträchtigen können. Biomedizinische Daten sind oft verrauscht und unvollständig, und KI-Vorhersagen müssen weiterhin experimentell und klinisch validiert werden. Datenintegration ist eine damit verbundene Herausforderung: Die Wirkstoffforschung wird zunehmend multimodal und umfasst kleine Moleküle, Protein-Degrader, Antikörper-Wirkstoff-Konjugate, RNA-Therapeutika sowie Zell- und Gentherapien, die jeweils einzigartige Datensätze in Chemie, Biologie und translationaler Forschung erzeugen. Viele Organisationen verlassen sich auf getrennte Informatiksysteme; Wissensgraphen haben sich als eine Möglichkeit herauskristallisiert, fragmentierte Daten und Evidenz in einen einheitlichen, nachvollziehbaren Rahmen zu integrieren. Eine biomedizinische Wissensgraph-Lösung integriert Datensätze wie MetaBase, Cortellis Drug Discovery Intelligence und OFF-X, die mehr als 1 Million chemische Verbindungen, mehr als 1 Million Medikamente, fast 87.000 biologische Einheiten und Tausende von Konzepten zu Krankheiten, Signalwegen, Biomarkern und Sicherheit umfassen.

In einer fünfwöchigen Zusammenarbeit zwischen EU-OPENSCREEN-Partnerstandorten wechselte ein Postdoktorand vom CIB-CSIC in Madrid zu einer Forschungsgruppe am Karolinska Institutet in Schweden, um KI- und maschinenlernbasierte Ansätze für das De-novo-Design von Verbindungen zu erkunden. Die Arbeit konzentrierte sich auf Synthon-basierte Designstrategien und Thompson-Sampling-Ansätze zur Generierung und Priorisierung molekularer Kandidaten und führte zu einer neuen Serie potenzieller Mac1-Inhibitoren – einem Schlüsselziel bei viraler Replikation und Immunantwort-Umgehung – und bietet einen Ausgangspunkt für zukünftige Synthese und In-vitro-Tests.