KI-designte Arzneimittel erreichen 90% Erfolgsquote in Phase I – fast doppelt so hoch wie der Branchendurchschnitt
Branchendaten aus Anfang 2026 zeigen, dass mittels generativer künstlicher Intelligenz entwickelte Wirkstoffkandidaten in Phase-I-Sicherheitsstudien eine Erfolgsquote von rund 90% erreichen – nahezu doppelt so hoch wie der historische Branchendurchschnitt von etwa 50%. Gleichzeitig verkürzen rechnergestützte Plattformen in einigen Fällen den Zeitraum von der Entdeckung bis zur klinischen Prüfung von sechs Jahren auf unter 18 Monate.
Aktuelle Branchendaten aus Anfang 2026 deuten darauf hin, dass über generative künstliche Intelligenz entwickelte Wirkstoffkandidaten in Phase-I-Sicherheitsstudien eine Erfolgsquote von 90% erreichen. KI-native Biotechnologieunternehmen berichten von Phase-I-Erfolgsraten zwischen 80% und 90% und liegen damit nahezu doppelt so hoch wie der historische Branchendurchschnitt von etwa 50%.
Dieser Referenzwert liegt deutlich über den historischen Durchschnittswerten, bei denen traditionelle Small Molecules häufig erhebliche Ausfallraten aufwiesen – bedingt durch unerwartete Toxizität beim Menschen oder eine schlechte Bioverfügbarkeit. Diese rechnergestützt entwickelten Kandidaten werden mithilfe generativer adversarial networks und Deep Learning erstellt, um Bindungsaffinität und Sicherheitseigenschaften gleichzeitig zu optimieren, bevor überhaupt eine physische Synthese stattfindet.
Computational Platforms verkürzen die Zeitspanne von der Wirkstoffentdeckung bis zur Klinik erheblich; in einigen Fällen erreichen Kandidaten Studien am Menschen in weniger als 18 Monaten. Ein detaillierter Primärbericht hebt hervor, dass diese Plattformen den traditionellen Zeitraum von der Entdeckung bis zur Klinik in manchen Fällen von 6 Jahren auf unter 18 Monate verkürzen können. Diese Effizienz deutet auf einen grundlegenden Wandel hin, bei dem Arzneimittelentwicklung eher als präzise ingenieurwissenschaftliche Aufgabe denn als Trial-and-Error-Screeningprozess verstanden wird.
Für die pharmazeutische Pipeline könnte diese hohe Übergangsrate von Phase I zu Phase II das „valley of death“ deutlich verkleinern, das typischerweise die Hälfte aller Assets in frühen Entwicklungsstadien aus dem Rennen nimmt. Der Einsatz von in silico ADMET prediction ermöglicht es Forschenden, reaktive oder toxische Gruppen zu eliminieren, lange bevor eine Verbindung überhaupt einen menschlichen Probanden erreicht. Zudem wurde berichtet, dass die Kosten, mithilfe dieser Methoden einen präklinischen Kandidaten zu nominieren, um mehrere Größenordnungen niedriger liegen als beim traditionellen High-Throughput-Screening.
Die traditionelle Wirkstoffforschung ist bekanntermaßen langsam und teuer. Unter Berücksichtigung der hohen Ausfallraten kann die Entwicklung eines neuen Arzneimittels mehr als 2,5 Milliarden $ kosten. Nur etwa 35% der Wirkstoffkandidaten überstehen die frühe Entwicklung und gelangen in klinische Studien. Noch besorgniserregender ist, dass lediglich 9–14% der Arzneimittel den Weg von Phase-1-Studien bis zur behördlichen Zulassung schaffen. Der gesamte Prozess dauert typischerweise 12 bis 15 Jahre. Die Ausfallrate während klinischer Studien liegt bei etwa 90%, was bedeutet, dass letztlich nur ein kleiner Teil der Wirkstoffe, die in die klinische Entwicklung eintreten, eine Zulassung erhält.
So außergewöhnlich diese frühen Sicherheitsdaten auch sind, der entscheidende Test bleibt, ob diese Moleküle in größeren und vielfältigeren Patientenkollektiven eine überlegene therapeutische Wirksamkeit zeigen. Ein klinischer Kommentar merkt an, dass Phase-I-Sicherheit zwar Voraussetzung ist, die Phase-II-Wirksamkeitshürde jedoch der letztliche Validierungsmaßstab für KI-abgeleitete Chemie bleibt. Zudem fehlen Langzeitdaten zur Dauerhaftigkeit der Ansprechraten für diese neuartigen rechnergestützten Strukturen im Vergleich zu traditionellen Scaffolds.
Derzeit beobachtet die Branche mehrere führende Assets in den Bereichen Onkologie und Fibrose genau, während sie in pivotal testing übergehen. Ob sich das verbesserte Sicherheitsprofil in eine höhere Wahrscheinlichkeit einer finalen behördlichen Zulassung übersetzt, ist noch nicht bekannt. Die aktuellen Daten unterstreichen jedoch das Potenzial, mit KI die Produktivität der F&E-Wertschöpfungskette drastisch zu verbessern. Dieser Sicherheitsschub könnte langfristig die Kosten für Spezialpharmazeutika senken, sofern diese F&E-Einsparungen letztlich an das Gesundheitssystem weitergegeben werden.
Der globale Markt für Artificial Intelligence (AI) in der Wirkstoffforschung wird in den nächsten fünf Jahren voraussichtlich mit einer Rate von 25–30% wachsen. Zu den wichtigsten Treibern dieses Wachstums gehören der zunehmende Bedarf, Kosten und Zeitpläne der Arzneimittelentwicklung zu senken, die steigende Einführung von KI-Technologien im Gesundheitswesen und in den Life-Sciences-Sektoren, das wachsende Datenvolumen in den Life Sciences, Fortschritte bei der Rechenleistung sowie die zunehmenden Kooperationen zwischen Pharmaunternehmen und KI-Firmen.