Die Wirkstoffforschung war schon immer ein Spiel mit unwahrscheinlichen Chancen. Die Entwicklung eines neuen Medikaments kann viele Jahre dauern, erhebliche Investitionen verschlingen und dennoch scheitern, bevor es auch nur einen einzigen Patienten erreicht. Bei Biologika – Therapien, die auf maßgeschneiderten Proteinen statt auf synthetischer Chemie basieren – ist die Herausforderung noch größer. Die Anzahl möglicher molekularer Kombinationen ist so riesig, dass kein menschliches Team sie systematisch erforschen könnte. Dies ist das Problem, das KI nun lösen soll, und der Ansatz ist ausgeklügelter, als die meiste Berichterstattung vermuten lässt.
Die Build-Measure-Learn-Schleife, die Zeitpläne in der Arzneimittelentwicklung verkürzt
Der grundlegende Wandel in der pharmazeutischen R&D besteht nicht einfach darin, dass KI zu bestehenden Arbeitsabläufen hinzugefügt wird. Es ist vielmehr so, dass KI die Logik des gesamten Entdeckungsprozesses umstrukturiert.
Bei AstraZeneca folgt der Ansatz dem, was Puja Sapra, Senior Vice President und Head of R&D Biologics Engineering and Oncology Targeted Discovery, als Build-Measure-Learn-Schleife beschreibt. KI generiert oder bewertet Kandidatenmoleküle rechnerisch und prognostiziert, welche Designs am ehesten erfolgreich sein werden, bevor überhaupt ein physisches Experiment stattfindet. Wissenschaftler lenken die Laborressourcen dann ausschließlich auf die am höchsten bewerteten Kandidaten. Das Ergebnis ist ein engerer Feedback-Zyklus: weniger Sackgassen, schnellere Iteration und die Möglichkeit, Krankheitsziele zu verfolgen, die zuvor als unerreichbar galten.
McKinsey schätzt, dass generative KI in Kombination mit anderen rechnergestützten Werkzeugen die Zeitpläne der Wirkstoffforschung um bis zu 50 % verkürzen könnte. Diese Zahl verdient Kontext. Sie bedeutet nicht, dass KI die wissenschaftliche Urteilskraft ersetzt. Sie bedeutet, dass sich das Verhältnis von produktiven zu vergeudeten Experimenten verbessert und sich die Zeit zwischen Hypothese und Ergebnis verkürzt.
Was dies möglich macht, sind Daten. Die Datensätze von AstraZeneca sind proprietär und multimodal; sie beinhalten Molekularstrukturen, Bindungsmessungen, Sicherheitsprofile und Herstellungsergebnisse. Das Unternehmen hat außerdem in Deep-Screening-Technologien investiert, um zusätzliche Datensätze in dem Umfang zu generieren, der erforderlich ist, um seine Modelle kontinuierlich zu verfeinern und zu validieren. Wie Sapra es ausdrückt: „Daten sind unser Unterscheidungsmerkmal.“
Das Design von Medikamenten, die es zuvor nicht gab
Über die Beschleunigung von Zeitplänen hinaus eröffnet KI eine Kategorie von Arzneimitteln, die traditionelle Methoden überhaupt nicht erreichen konnten.
Konventionelle Biologika richten sich in der Regel gegen einen einzelnen Krankheitspfad. Die nächste Generation, manchmal als multispezifische Biologika bezeichnet, kann mehrere Targets gleichzeitig angreifen oder therapeutische Nutzlasten mit Präzision an spezifische Zellen liefern. Das Design dieser Moleküle erfordert die zeitgleiche Optimierung über viele Variablen hinweg: Wirksamkeit, Stabilität, Herstellbarkeit und Sicherheit. Genau bei dieser Art der multidimensionalen Optimierung haben KI-Modelle einen strukturellen Vorteil gegenüber manuellen Ansätzen.
Sapra beschreibt ein Szenario, in dem KI-Modelle identifizieren könnten, welche zwei oder drei biologischen Targets priorisiert werden sollten, und dann über alle relevanten Parameter hinweg parallel optimieren. „Das Nicht-Therapierbare therapierbar zu machen, wird Realität“, sagt sie. Targets, die einst als unerreichbar galten, liegen nun in Reichweite.
Die längerfristige Vision ist das, was in der Fachwelt als „De-novo“-Design bezeichnet wird: KI generiert völlig neue Proteinsequenzen von Grund auf, maßgeschneidert auf ein präzises Set von Arzneimitteleigenschaften, wobei Sicherheit und Herstellbarkeit von Anfang an in die Vorhersage einbezogen werden. AstraZeneca steuert mit einer „Lab of the Future“-Einrichtung in Kendall Square, Cambridge, Massachusetts, genau darauf zu. Die Einrichtung ist als Closed-Loop-Entdeckungssystem konzipiert, bei dem KI Vorhersagen trifft, Robotersysteme Experimente ausführen und Instrumente Daten generieren, die direkt wieder in die Modelle zurückfließen. Automatisierte Hochdurchsatzsysteme werden schließlich wöchentlich Tausende von molekularen Interaktionen auswerten und KI-ready Daten in einem Maßstab liefern, den traditionelle Arbeitsabläufe nicht erreichen können.
Die Sicherheitsvorhersage ist der schwierigste ungelöste Baustein. Vorherzusagen, ob ein computergeneriertes Molekül im menschlichen Körper sicher ist, bleibt eine der folgenreichsten Herausforderungen beim De-novo-Design. AstraZeneca geht dies durch fortschrittliche Zellsysteme und Mikro-Organ-Modelle an, die als physische Testumgebungen fungieren, kombiniert mit KI, die aus deren Ergebnissen lernt. Dies sind im Grunde virtuelle klinische Studien.
Warum dies über das Labor hinaus von Bedeutung ist
Die Transformation, die sich bei den Biologika vollzieht, ist nicht primär eine Geschichte über Technologie. Es ist eine Geschichte darüber, was möglich wird, wenn sich der Flaschenhals verschiebt.
Jahrzehntelang lag die Einschränkung in der Wirkstoffforschung nicht in der wissenschaftlichen Vorstellungskraft. Es waren die schieren Kosten und der Zeitaufwand, die das Testen von Ideen erforderte. Die meisten vielversprechenden Kandidaten wurden nie erforscht, weil die Pipeline sie nicht aufnehmen konnte. KI beseitigt diese Einschränkung nicht vollständig, verändert aber das Verhältnis dramatisch. Es können mehr Kandidaten evaluiert werden, mehr Krankheitsziele werden tragfähig, und die Feedback-Schleife zwischen Experiment und Erkenntnis wird enger.
Drei Voraussetzungen stehen derzeit noch dem vollständig realisierten De-novo-Wirkstoffdesign im Wege: umfangreichere und standardisiertere Trainingsdaten in der gesamten Branche, robuste Evaluierungs-Benchmarks für KI-generierte Kandidaten und Teams, die an der Schnittstelle von maschinellem Lernen und Biologie arbeiten können. Keine dieser Aufgaben ist trivial. Aber die Richtung ist klar.
Entscheidend ist, dass die Rolle des Menschen in diesem Prozess nicht an Bedeutung verliert. Wissenschaftler bleiben zentral für die Aufsicht, die Beurteilung und die strategische Ausrichtung. Das Ziel ist nicht ein autonomes Wirkstoffdesign ohne menschliches Zutun. Es ist ein System, in dem KI das kombinatorische Volumen bewältigt, das Menschen nicht bewältigen können, während sich Wissenschaftler auf die Entscheidungen konzentrieren, die biologische Intuition, ethische Abwägung und Verantwortung gegenüber den Patienten erfordern.
Kurz gesagt
KI ersetzt nicht die Wirkstoffforschung. Sie strukturiert deren Logik um. Indem der Suchraum rechnerisch eingegrenzt, das Multi-Target-Wirkstoffdesign ermöglicht und Closed-Loop-Systeme aufgebaut werden, in denen jedes Experiment die nächste Vorhersage verbessert, bewegt sich die pharmazeutische R&D auf ein Modell zu, bei dem der begrenzende Faktor nicht mehr die Anzahl der Experimente ist, die ein Team durchführen kann. Das Ziel – das sich noch in der Entwicklung befindet – ist ein vollständig KI-generiertes Biologikum, das von Grund auf bis hin zum klinischen Kandidaten entwickelt wird. Die Voraussetzungen dafür sind erheblich, aber die Richtung ist nicht mehr spekulativ.
Basierend auf Berichten von MIT Technology Review.