Digitale Werkzeuge und prädiktive Modelle gewinnen in der Arzneimittelforschung an Bedeutung

Digitale Werkzeuge für das Arzneimitteldesign und KI werden zunehmend in die Arzneimittelforschung integriert, da die typischen Zeitspannen für erfolgreiche Medikamente von der Entdeckung bis zur Zulassung 10 bis 14 Jahre oder mitunter sogar noch länger betragen. Die Kosten, ein Medikament auf den Markt zu bringen, können von Hunderten Millionen bis zu mehreren Milliarden US-Dollar reichen, und nur etwa 12 % der Medikamente, die klinische Studien erreichen, erhalten eine FDA-Zulassung.

Veröffentlichte Schätzungen der F&E-Kosten pro zugelassenem Medikament variieren je nach Methodik und je nachdem, welche Posten einbezogen werden, erheblich. Eine einflussreiche Analyse schätzte die Kosten auf etwa 1,4 Milliarden US-Dollar an direkten Ausgaben und 2,6 Milliarden US-Dollar kapitalisiert in US-Dollar des Jahres 2013, während eine Analyse öffentlicher Daten zu FDA-Zulassungen die mediane kapitalisierte Forschungs- und Entwicklungsinvestition, um ein neues Medikament auf den Markt zu bringen, im Basisszenario auf 985,3 Millionen US-Dollar und die durchschnittliche Investition auf 1.335,9 Millionen US-Dollar bezifferte. Die finanziellen Verluste im Zusammenhang mit einer gescheiterten Spätphasenstudie, einschließlich bereits angefallener Entwicklungskosten, können zwischen 800 Millionen und 1,4 Milliarden US-Dollar liegen.

Die Erfolgsraten in der klinischen Entwicklung variieren je nach Erkrankung und Datensatz. Ein großer Benchmark von Programmen aus den Jahren 2011–2020 schätzte eine ungefähre 7,9%ige Wahrscheinlichkeit einer Zulassung von Phase I bis zur Zulassung insgesamt, wobei die Onkologie mit etwa 5,3 % niedriger lag. Nur ein kleiner Teil der Verbindungen, die in präklinische Tests eintreten, gelangt bis zu First-in-Human-Studien.

Die langen Zeitspannen und hohen Kosten der Arzneimittelforschung haben zu einer Versorgungslücke bei den medizinischen Bedürfnissen von Patientinnen und Patienten mit seltenen Erkrankungen geführt. Obwohl 3,5 % bis 5,9 % der Weltbevölkerung, also etwa 263 Millionen bis 446 Millionen Menschen, an seltenen Erkrankungen leiden, haben 95 % von ihnen in den USA keine von der FDA zugelassenen Behandlungsoptionen. Da solch hohe Misserfolgsraten zu verschwendetem Geld und Zeit führen, konzentrieren sich die meisten Studien auf häufigere Erkrankungen, die bei einer Markteinführung des Medikaments einen größeren Ertrag versprechen.

Heute umfasst das digitale Arzneimitteldesign molekulare Simulationen, die modellieren, wie Verbindungen mit biologischen Zielstrukturen interagieren, auf riesigen chemischen Bibliotheken trainierte Machine-Learning-Modelle zur Vorhersage von Wirkstoffkandidaten, generative KI, die völlig neuartige molekulare Strukturen vorschlägt, sowie Laborautomatisierungsplattformen, die computergestützte Vorhersagen mit physischen Experimenten verbinden. In den 2020er Jahren wurden KI und maschinelles Lernen in computerunterstützte Ansätze des Arzneimitteldesigns integriert, und Deep-Learning-Modelle ermöglichten eine bislang unerreichte Vorhersagegenauigkeit. AlphaFold und andere generative KI-Werkzeuge veränderten die Strukturvorhersage und das molekulare Design grundlegend.

Vor den 1970er Jahren wurde die Arzneimittelforschung von zufälligen Beobachtungen und Trial-and-Error-Screening dominiert. Ab den 1970er Jahren entstanden computerunterstützte Verfahren des Arzneimitteldesigns auf Basis rechnergestützter Techniken, und die Anwendungen nahmen im Verlauf der 1980er Jahre und darüber hinaus schrittweise zu. In den 2000er Jahren begannen Strukturbiologie, Genomik und Bioinformatik, die Entwicklung des computerunterstützten Arzneimitteldesigns voranzutreiben, Protein- und chemische Bibliotheken wuchsen exponentiell, und virtuelles Screening wurde zur Standardpraxis.

Die ersten von KI entwickelten Medikamente schreiten derzeit in klinischen Studien voran, und Unternehmen demonstrieren durchgängige KI-Pipelines. Einer Schätzung zufolge wird der Markt für KI-gestützte Arzneimittelforschung von 4,6 Milliarden US-Dollar im Jahr 2025 auf 49,5 Milliarden US-Dollar bis 2034 wachsen, bei einer durchschnittlichen jährlichen Wachstumsrate von 30 %.

Eine aktuelle Arbeit analysierte informationstheoretische prädiktive Modelle anhand eines Datensatzes biologischer Probenscreening-Ergebnisse für das Arzneimitteldesign. Im Gegensatz zu bestehenden Werkzeugen, die aus SMILES-Eingaben in erster Linie probabilistische Spektren biologischer Aktivität liefern, integriert das vorgeschlagene System ein hybrides neuronales Netzwerk, das mit informationstheoretischen prädiktiven Modellen verbunden ist, um pharmakokinetische und pharmakodynamische Prozesse mithilfe struktur- und biologischer Probendaten dynamisch zu simulieren. Auf Grundlage des Merkmalssets biologischer Proben wurden zwei aktive Proben ausgewählt, die mit hoher Zuverlässigkeit auch für die Entwicklung von Medikamenten auf Basis des formyl peptide receptor geeignet sind.

Der Arbeit zufolge können Forschende mithilfe von Klasseninformationsporträts die wichtigsten Eigenschaften von Bioproben auswählen, was den für die Arzneimittelentwicklung erforderlichen Aufwand senkt und die Prognosegenauigkeit verbessert. Eine Analyse der Merkmalsbeiträge identifizierte Merkmale, die den aktiven Zustand von Bioproben positiv beeinflussen, und bestimmte zudem die Stärke ihres Einflusses.