Die Zukunft der Arzneimittelforschung
Im Jahr 2025 steht die Entwicklung von Arzneimitteln vor immer größeren Herausforderungen: Pipelines sind teuer, die Fristen lang und die Misserfolgsquoten weiterhin erschreckend hoch. Oft kostet es mehr als ein Jahrzehnt und rund 2,6 Milliarden Dollar, bis ein neues Medikament die Patient*innen erreicht1, und weniger als 10 % der Arzneimittelkandidaten werden letztendlich zugelassen. Vor diesem Hintergrund hat sich die künstliche Intelligenz (KI) von einem Modebegriff zu einem wichtigen Faktor in der biotechnologischen und pharmazeutischen Forschung und Entwicklung gewandelt. Anders als der Marketing-Hype schaffen die heutigen KI-Anwendungen einen greifbaren Wert, indem sie die Entwicklungszeiten deutlich verkürzen.
Zu den wichtigsten KI-Anwendungen in der Arzneimittelforschung gehören:
- Prädiktive Modellierung und virtuelles Screening – Einsatz von maschinellem Lernen (ML) zur Prognose molekularer Eigenschaften (z. B. Aktivität oder ADMET) und zur Erstellung sehr großer Libaries2, 3.
- Datengesteuerte Target-Identifikation – Auswertung von Genomik-, Proteomik-, Bildgebungs- und Literaturdaten, um neue Arzneimittel-Targets vorzuschlagen4.
- Generatives Moleküldesign – KI-gesteuerte Entwicklung neuer Molekülstrukturen, Antikörper und anderer Modalitäten, die auf spezifische Targets zugeschnitten sind5, 6.
- Präklinische Lead-Optimierung – In-silico-Prognose von ADME (Absorption, Verteilung, Metabolismus, Exkretion), Toxizität, Wirksamkeit usw., um die besten Arzneimittelkandidaten zu priorisieren3.
- Intelligente klinische Studien – KI-gestütztes Patientenmatching, prädiktive Simulation von Studienergebnissen und innovative Designs (z. B. Synthetic Control Arms (SCA), Digital Twins) zur Optimierung der Entwicklung7, 8.
Jeder dieser Bereiche bietet folgende konkrete Vorteile:
Prädiktive Modellierung und Datenanalyse
Die moderne Arzneimittelforschung produziert riesige Datenmengen. KI eignet sich hervorragend für die prädiktive Modellierung - das Erlernen komplexer, nichtlinearer Beziehungen in Daten, die mit herkömmlichen Methoden nicht erfasst werden können2, 9. So ermöglichen beispielsweise Deep-Learning-QSAR-Modelle jetzt sehr große virtuelle Screening-Kampagnen, die weit über das hinausgehen, was menschliche Analytiker*innen bewältigen könnten2. Neue Scoring-Funktionen mit neuronalen Netzen verbessern ebenfalls die Prognose der Bindungsaffinität und anderer Eigenschaften10. Diese Modelle können auch ADME- (Absorption, Verteilung, Metabolismus, Exkretion) und Toxizitätsprofile bereits in einem frühen Stadium der Entwicklung vorhersagen3 und helfen den Chemiker*innen, sich auf Verbindungen mit den vielversprechendsten arzneimittelähnlichen Eigenschaften zu konzentrieren. In der Praxis verkürzen diese Ergebnisse der Prognosen die Phasen des "Hit-Finding" und der "Hit-to-Lead"-Optimierung, indem sie die Ressourcen auf die besten Kandidaten fokussieren.
Führende Unternehmen der Branche gehen sogar noch weiter: Roche/Genentech beschreiben ein ML-„Dreiergespann“ - prädiktive, generative und interpretierbare Modelle -, das vorhersagen könnte, ob ein Molekül ein Target erreicht, ein Molekül zur Bindung dieses Targets generiert, und erklärt, wie diese miteinander interagieren11. Dieser integrierte Ansatz verspricht, die Hit-Findung und Lead-Optimierung als kontinuierliche,
datengesteuerte Prozesse neu zu gestalten; langwierige "Trial-and-Error"-Kampagnen könnten der Vergangenheit angehören.
Seminarempfehlung
Heidelberg, Germany14/15 October 2025
GMP for ATMPs
KI-gesteuerte Target-Identifizierung
Die Auswahl des richtigen biologischen Targets ist von entscheidender Bedeutung: Ein falsches Target in der Anfangsphase führt häufig zum Scheitern von Versuchen in der Spätphase12. KI verbessert die Erkennung von Targets durch die Integration verschiedener Datenquellen, um verborgene Muster aufzudecken13. Die Plattform PandaOmics von Insilico Medicine beispielsweise kombinierte Multi-omics-Daten von Patient*innen (genomische und transkriptomische Daten), Netzwerkanalysen und die Auswertung der Literatur in natürlicher Sprache, um eine Rangfolge potenzieller Fibrose-Targets zu erstellen14, 15. Diese KI-Pipeline identifizierte TNIK - eine Kinase, die bisher nicht bei idiopathischer Lungenfibrose untersucht worden war - als die beste Prognose16. Dieses neue Ziel wird nun weiter erforscht und zeigt, wie KI therapeutische Hypothesen aufzeigen kann, die bei herkömmlichen Ansätzen übersehen worden wären.
Große Pharmaunternehmen wenden ähnliche Strategien an. Roche/Genentech haben sich mit Recursion zusammengetan, um High-Content-Zellbildgebung und Einzelzellgenomik zu vereinen: Durch die „Erzeugung und Analyse verschiedener Arten von zellulären und genetischen Daten – in enormem Umfang“ erstellen sie Karten der menschlichen Biologie, um neue medikamentöse Wege aufzudecken17. Das „Betriebssystem“ von Recursion nutzt seinen riesigen Bild- und Omics-Datenbestand, um kontinuierlich ML-Modelle zu trainieren. Auf diese Weise können sie, wie sie sagen, „schnell neue Targets identifizieren und hoch optimierte Moleküle entwerfen“18. Mit anderen Worten: Das phänotypische Hochdurchsatz-Screening in Verbindung mit ML schafft eine iterative Schleife aus Experiment und Design, die, wie die Roche-Wissenschaftler*innen anmerken, „das Potenzial hat, die Entdeckung von Targets und Medikamenten auf eine wirklich leistungsstarke Weise zu beeinflussen“19.
Generatives Moleküldesign
Sobald ein Target ausgewählt ist, kann KI die de novo-Molekülsynthese beschleunigen. Fortgeschrittene generative Algorithmen (Transformatoren, GANs, Reinforcement Learning) können völlig neue chemische Strukturen vorschlagen, die für ein gewünschtes Target optimiert sind5. Die Chemistry42-Engine von Insilico ist ein Beispiel dafür: Sie verwendete 500 ML-Modelle (Transformers, GANs, genetische Algorithmen usw.), um Millionen von Verbindungen zu generieren und zu bewerten, und wählte schließlich einen neuartigen niedermolekularen TNIK-Inhibitor für die Entwicklung aus20. Diese Art der KI-gesteuerten Suche erforscht den chemischen Raum weitaus effizienter als die Brute-Force-Suche.
KI-Design ist nicht auf klassische kleine Moleküle beschränkt. Bei der Erforschung biologischer Wirkstoffe sind neue generative Modelle auf dem Vormarsch. Diffusionsbasierte Werkzeuge (z. B. EvoDiff, DiffAb) können neuartige Antikörpersequenzen mit spezifischen strukturellen Merkmalen erzeugen21. So berichtete das Start-up-Unternehmen Nabla Bio kürzlich, dass seine KI-Plattform den ersten vollständig neu entwickelten Antikörper gegen einen G-Protein-gekoppelten Rezeptor (CXCR7) sowie Hunderte weiterer Antikörperkandidaten hervorgebracht hat22. Dies deutet darauf hin, dass selbst schwierige Zielmoleküle, die einst als „unbehandelbar“ galten, durch KI-Design in Reichweite sein könnten.
Die künstliche Intelligenz wird auch auf modernste Modalitäten ausgedehnt. Für Antikörper-Wirkstoff-Konjugate (ADCs) zeigen erste Studien, dass ML die optimalen Konjugationsstellen für die Wirksubstanz und das Transportverhalten in Zellen vorhersagen kann23. ADCs sind jedoch nach wie vor außerordentlich komplex: Es handelt sich um dreiteilige Hybride (Antikörper, Linker, zytotoxischer Wirkstoff), und die meisten be-stehenden KI-Modelle für kleine Moleküle oder Antikörper lassen sich aufgrund der besonderen Herausforderungen bei der Entwicklung noch immer nicht direkt auf ADCs übertragen24. Kurz gesagt, viele KI-Tools wurden für herkömmliche Modalitäten trainiert und müssen für Therapeutika der nächsten Generation angepasst werden. Dennoch zeigen diese Beispiele, wie KI neuartige Kandidaten – ob klein oder groß – vorschlagen kann, die Chemiker*innen und Biolog*innen einen viel besseren Ausgangspunkt bieten.
Seminarempfehlung
11./12. November 2025
GMP in der Biotechnologie und Biopharmazie - Live Online Seminar
Präklinische Lead-Optimierung
Nach dem Design wird die präklinische Entwicklung durch KI weiter optimiert. Sobald sich Leitkandidaten herauskristallisieren, können ML-Modelle ihre Pharmakokinetik und Sicherheit schneller vorhersagen als Laboruntersuchungen. So kann KI beispielsweise die Löslichkeit, die metabolische Stabilität, die Off-Target-Aktivität und vieles mehr in silico abschätzen und so mögliche ADME- oder Toxizitätsprobleme aufzeigen, bevor kostspielige Tierversuche durchgeführt werden3. In der Praxis bedeutet dies, dass Chemiker*innen schnelles Feedback darüber erhalten, welche chemischen Modifikationen die arzneimittelähnlichen Eigenschaften verbessern, wodurch die Anzahl der zu synthetisierenden und zu testenden Analoga reduziert wird.
Jüngste Erkenntnisse zeigen, dass sich diese KI-Ansätze auszahlen. Virtuelles Deep-Learning-Screening und ML-gestütztes Scoring übertreffen oft klassische QSAR- und Docking-Ansätze10. Modelle mit neuronalen Netzen können sogar vorhergesagte 3D-Strukturen (z. B. AlphaFold-Vorhersagen) einbeziehen, um die Bindungsstellenanalyse zu verfeinern25. Unternehmen vermelden Effizienzsteigerungen: Recursion beispielsweise berichtet von „signifikanten Verbesserungen in Bezug auf Geschwindigkeit, Effizienz und reduzierte Kosten von der Hit-Identifizierung bis hin zu IND-zulassenden Studien“ im Vergleich zu Industrienormen26. Mit anderen Worten: KI hilft dabei, besser charakterisierte Moleküle in den Tierversuch zu bringen, was kostspielige Misserfolge in der Spätphase reduzieren sollte. Insgesamt macht maschinelles Lernen die Lead-Optimierung schneller und präziser, indem es den experimentellen Aufwand auf die vielversprechendsten Kandidaten konzentriert 27, 10.
Beschleunigung klinischer Studien mit KI
Der Einfluss von KI erstreckt sich nun auch auf die klinische Entwicklung. Große Datenbanken mit elektronischen Gesundheitsdaten sind ein fruchtbarer Boden. KI-Tools können Patient*innen schnell den passenden Studien zuordnen – zum Beispiel durch das Scannen von Patientenakten, um in Frage kommende Teilnehmer*innen zu markieren oder Standorte mit geeigneten Kohorten zu identifizieren28. Dies beschleunigt die Rekrutierung und kann die Diversität der Populationen verbessern, indem Kandidat*innen erfasst werden, die bei herkömmlichen Screenings möglicherweise übersehen werden.
Noch weitreichender ist, dass KI virtuelle Studiensimulationen und neuartige Studiendesigns ermöglicht. Prognosemodelle können Studienergebnisse unter verschiedenen Szenarien (unterschiedliche Dosierungen, Patientenuntergruppen, Endpunkte usw.) simulieren, um die Protokolle zu optimieren, bevor ein/e Patient/in aufgenommen wird29. Zwei Innovationen sind Synthetic Control Arms und Digital Twins30, 8. Bei einem Synthetic Control Arm wird aus realen oder historischen Daten eine virtuelle „Placebo“-Gruppe gebildet, so dass weniger neue Patient*innen der Kontrollgruppe zugewiesen werden müssen, was Kosten und ethische Bedenken verringert. Bei Digital Twins erstellt die KI computergestützte Avatare von Patient*innen (unter Verwendung molekularer und klinischer Daten) und testet virtuell Therapien an ihnen. Beide Methoden werden bereits erprobt: Synthetische Kontrollen können die Studiendauer verkürzen, indem sie auf frühere Daten zurückgreifen, während "Digital Twin"-Simulationen helfen, Dosierungsstrategien zu verfeinern, bevor die/der erste Patient/in behandelt wird8.
Herausforderungen und realistische Erwartungen
Dennoch ist die KI kein Wundermittel. Ihre Fähigkeiten sind mit gewissen Vorbehalten verbunden. Datenqualität und Verzerrungen sind die Hauptprobleme: KI-Modelle sind nur so zuverlässig wie ihre Trainingsdaten. Wenn Datensätze unvollständig, verfälscht oder in Bezug auf bestimmte demografische Merkmale verzerrt sind, können die Vorhersagen irreführend sein31, 32. Beispielsweise sind in Daten aus onkologischen Studien bestimmte Bevölkerungsgruppen oft überrepräsentiert, so dass eine KI, die auf diesen Daten trainiert wurde, möglicherweise weltweit nicht gut verallgemeinert werden kann. Ein weiteres Risiko ist die Überanpassung: Die Modelle könnten falsche Muster erkennen, die bei neuen Molekülen oder Patient*innen nicht mehr zutreffen. Kurz gesagt, historische und reale Daten können die Entdeckung beschleunigen, aber sie müssen mit Bedacht eingesetzt werden.
Bestimmte Modalitäten zeigen die Grenzen der KI auf. Wie bereits erwähnt, stellen ADCs (und andere fortgeschrittene Biokonjugate oder Zell-/Gentherapien) außergewöhnliche Hürden dar, die die meisten aktuellen Modelle nicht sofort erfassen können24. Viele KI-Tools wurden auf der Grundlage klassischer kleiner Moleküle oder Antikörper entwickelt und müssen für wirklich neuartige Therapieformate erweitert werden. Die Biotech-Branche arbeitet aktiv an der Entwicklung neuer Algorithmen, um diese Fälle zu bewältigen, aber die Arbeit ist noch lange nicht abgeschlossen.
Wichtig ist, dass jede KI-Prognose immer noch eine experimentelle Validierung erfordert. Ein In-silico-„Treffer“ muss synthetisiert, in vitro und in vivo getestet und von menschlichen Expert*innen optimiert werden. Kein Algorithmus ersetzt die Notwendigkeit, die Sicherheit und Wirksamkeit im Labor zu charakterisieren. Darüber hinaus wirft die „Blackbox“-Natur vieler Deep-Learning-Modelle praktische Fragen auf: Die Zulassungsbehörden verlangen Transparenz und solide Nachweise. In der Praxis bilden Unternehmen funktionsübergreifende Teams aus Computerwissenschaftler*innen, Chemiker*innen, Biolog*innen und Ärzt*innen, um KI-Vorschläge zu interpretieren und sicherzustellen, dass sie in etablierte Validierungspipelines passen.
Trotz dieser Einschränkungen ist das Tempo des Fortschritts beeindruckend. Vor nicht allzu langer Zeit war die Entwicklung von KI-Arzneimitteln noch rein spekulativ; heute befinden sich einige von KI entdeckte Moleküle in klinischen Studien33, 34, und große Pharmaunternehmen investieren umfassend in KI-Fähigkeiten. Die Technologie ist nicht statisch - die Modelle werden kontinuierlich verbessert, wenn mehr Daten anfallen. Es ist zu erwarten, dass die derzeitigen Schwachpunkte der KI (z. B. unterrepräsentierte Datenbereiche, Probleme mit der Interpretierbarkeit) mit der Zeit schrumpfen werden.
Blick in die Zukunft
In 2025 hat die KI in der Arzneimittelforschung längst bewiesen, dass sie mehr ist als nur eine Marketingfloskel. Sie trägt bereits jetzt auf greifbare Weise zur Entdeckung von Targets, zur Molekülgenerierung und sogar zur Planung klinischer Studien bei. Die eigentliche Frage ist, wie das Feld auf diesem Fundament aufgebaut wird. Technische Herausforderungen – wie bessere KI-Modelle für ADCs, Nukleinsäuren oder sogar personalisierte Therapien – bleiben zentrale Themen. Auch nicht-technische Fragen (Praktiken des Datenaustauschs, IP-Strategie, regulatorische Rahmenbedingungen) verlangen Aufmerksamkeit (auch wenn eine ausführliche Erörterung dieser Fragen hier den Rahmen sprengen würde).
Klar ist, dass kluge Unternehmen in der Biotech- und Pharmabranche nicht mehr fragen, ob KI helfen kann, sondern wie man sie am besten nutzt. Die Integration von KI erfordert robuste Datenpipelines und eine interdisziplinäre Zusammenarbeit, aber sie birgt ein transformatives Potenzial. Wie es in einem Branchenbericht heißt, birgt die Kombination von ML mit experimentellen Feedbackschleifen „das Potenzial, die Entdeckung von Targets und Arzneimitteln auf sehr wirkungsvolle Weise zu beeinflussen“19. In der Praxis wird die Synergie aus menschlichem Fachwissen und maschineller Intelligenz wahrscheinlich die nächste Welle der biotechnologischen Innovation bestimmen.
Über den Autor:
Dr. Mohamad Toutounji
... Dr. Mohamad Toutounji war in den vergangenen Jahren in verschiedenen Positionen in den Bereichen F&E, CMC und Produktion bei Molgenium, Sanofi und GE Healthcare tätig. Er ist außerdem der CEO und Gründer von Molgenium.
Fußnoten:
1, 2, 3, 4, 5, 7, 8, 9, 10, 13, 25, 27, 28, 29, 30, 31, 32
Integrating artificial intelligence in drug discovery and early drug development: a transformative approach | Biomarker Research | Full Text
https://biomarkerres.biomedcentral.com/articles/10.1186/s40364-025-00758-2
6, 22
Scratch That? De Novo Antibody Design Enters the AI Drug Discovery Toolbox
https://www.genengnews.com/topics/artificial-intelligence/scratch-that-de-novo-antibody-design-enters-the-ai-drug-discovery-toolbox/
11, 17, 19
Roche | Harnessing the power of AI
https://www.roche.com/stories/harnessing-the-power-of-ai
12, 15, 16, 34
A small-molecule TNIK inhibitor targets fibrosis in preclinical and clinical models | Nature Biotechnology
https://www.nature.com/articles/s41587-024-02143-0?error=cookies_not_supported&code=ff484f9d-f252-451d-89b5-21cdd6a04401
14, 20, 33
First Generative AI Drug Begins Phase II Trials with Patients | Insilico Medicine
https://insilico.com/blog/first_phase2
18, 26
Pioneering TechBio Solutions in Drug Discovery | Recursion
https://www.recursion.com/
21, 23, 24
frontiersin.org
https://www.frontiersin.org/journals/drug-discovery/articles/10.3389/fddsv.2025.1628789/pdf
