Wie KI die Medikamentenentwicklung verändert – Vom Ziel zur klinischen Studie

Der Billionen-Dollar-Engpass

Die Entwicklung eines neuen Medikaments war lange Zeit eines der teuersten und risikoreichsten Unterfangen in der Wissenschaft. Im Durchschnitt dauert es 10 bis 15 Jahre und kostet etwa 2,8 Milliarden Dollar, um ein einzelnes Medikament von der ersten Idee bis ins Apothekenregal zu bringen. Nur etwa einer von zehn Kandidaten, die in klinische Studien eintreten, erhält jemals eine behördliche Zulassung. Der Rest scheitert – oft spät im Prozess, nach jahrelangen Investitionen.

Künstliche Intelligenz greift diesen Engpass nun in jeder Phase an. Mehr als 200 KI-basierte Medikamente sind in die klinische Entwicklung eingetreten, verglichen mit nur drei im Jahr 2016. Hier erfahren Sie, wie die Technologie tatsächlich funktioniert, wo sie Ergebnisse liefert und was ihr noch im Wege steht.

Wie der Prozess funktioniert

Zielidentifizierung

Jedes Medikament beginnt mit einem biologischen Ziel – in der Regel einem Protein, das an einer Krankheit beteiligt ist. Traditionell verbringen Forscher Jahre damit, genomische Daten und Laborexperimente zu durchforsten, um ein lohnendes Ziel zu finden. Modelle des maschinellen Lernens beschleunigen dies, indem sie riesige Datensätze von Genexpressionen, Proteininteraktionen und Patientenakten analysieren, um vielversprechende Ziele in Wochen statt in Jahren zu identifizieren.

Wirkstoffdesign und -screening

Sobald ein Ziel ausgewählt wurde, benötigen Wissenschaftler ein Molekül, das auf präzise Weise daran bindet. Der konventionelle Ansatz beinhaltet das Screening von Millionen bestehender Verbindungen aus chemischen Bibliotheken – ein langsamer, teurer Prozess. Generative KI kehrt dieses Paradigma um: Anstatt zu testen, was bereits existiert, entwirft sie völlig neue Moleküle von Grund auf und optimiert sie hinsichtlich Eigenschaften wie Bindungsstärke, Löslichkeit und geringe Toxizität, bevor auch nur ein einziges Reagenzglas berührt wird.

Lead-Optimierung und Eigenschaftsvorhersage

Vielversprechende Kandidaten – sogenannte „Leads“ – müssen verfeinert werden. KI-Modelle sagen wichtige Eigenschaften voraus, z. B. wie sich ein Molekül im Körper verhält, ob es Nebenwirkungen verursacht und wie leicht es hergestellt werden kann. Diese Vorhersagen ermöglichen es Forschern, schwache Kandidaten frühzeitig auszusortieren und Ressourcen auf die vielversprechendsten Optionen zu konzentrieren, wodurch die präklinischen Kosten um schätzungsweise 25 bis 50 Prozent gesenkt werden.

Design klinischer Studien

KI verändert auch die Studien selbst. Algorithmen helfen, die richtigen Patientenpopulationen zu identifizieren, die optimale Dosierung vorherzusagen und Sicherheitssignale schneller zu erkennen als herkömmliche Überwachungsmethoden. Das Ergebnis sind Studien, die kürzer, billiger sind und mit größerer Wahrscheinlichkeit eindeutige Antworten liefern.

Ergebnisse aus der Praxis

Die Zahlen sind beeindruckend. KI-basierte Medikamente erzielen in Phase-I-Studien Erfolgsraten von 80 bis 90 Prozent, verglichen mit 40 bis 65 Prozent bei konventionell entdeckten Verbindungen, so Industrieanalysen. Die Zeitspanne von der Entdeckung bis zur Klinik hat sich von einem historischen Durchschnitt von vier bis sechs Jahren auf bis zu 18 Monate in einigen Fällen verkürzt.

Das prominenteste Beispiel ist Insilico Medicines Rentosertib, eine Behandlung für idiopathische Lungenfibrose. Sowohl das Krankheitsziel als auch das Wirkstoffmolekül wurden durch generative KI identifiziert, und die Verbindung erreichte in weniger als 30 Monaten die Phase-II-Studien. Die Ergebnisse der Phase IIa, veröffentlicht in Nature Medicine, zeigten eine deutliche Verbesserung der Lungenfunktion im Vergleich zu Placebo.

Unterdessen führt Recursion Pharmaceuticals KI-gestützte Programme für Dutzende von Krankheiten gleichzeitig durch, und Unternehmen wie Amgen und Moderna integrieren spezialisierte KI-Modelle – darunter das neu eingeführte GPT-Rosalind von OpenAI – in ihre Forschungsabläufe.

Was noch im Wege steht

Trotz aller Versprechen bleiben erhebliche Hürden bestehen. Bisher hat kein KI-basiertes Medikament eine Phase-III-Studie abgeschlossen und eine vollständige behördliche Zulassung erhalten. Mehrere Analysten schätzen die Wahrscheinlichkeit, dass die erste solche Zulassung bis 2027 erfolgt, auf etwa 60 Prozent, aber dieser Meilenstein ist noch nicht erreicht.

Die Datenqualität stellt eine weitere Herausforderung dar. KI-Modelle sind nur so gut wie die Datensätze, aus denen sie lernen. Wenn die Trainingsdaten auf bestimmte Bevölkerungsgruppen ausgerichtet sind, können die resultierenden Medikamente für unterrepräsentierte Bevölkerungsgruppen weniger wirksam – oder weniger sicher – sein. Auch Bedenken hinsichtlich des Datenschutzes sind groß, da die Modelle oft Zugriff auf sensible Patientendaten benötigen.

Es gibt auch Bedenken hinsichtlich der biologischen Sicherheit. Modelle, die mit biologischen Daten trainiert wurden, könnten theoretisch missbraucht werden, um schädliche Krankheitserreger zu entwickeln, was Unternehmen wie OpenAI dazu veranlasst, den Zugang zu ihren Life-Sciences-Modellen durch vertrauenswürdige Zugangsprogramme einzuschränken, die auf qualifizierte Forschungseinrichtungen beschränkt sind.

Warum es wichtig ist

Die Pharmaindustrie gibt weltweit über 250 Milliarden Dollar jährlich für Forschung und Entwicklung aus, doch die Misserfolgsraten bei Medikamenten sind nach wie vor hartnäckig hoch. Wenn KI die Zeitpläne zuverlässig verkürzen, die Kosten senken und die Erfolgsraten verbessern kann, geht die Auswirkung weit über die Bilanzen der Unternehmen hinaus. Eine schnellere Entdeckung bedeutet, dass Patienten mit seltenen Krankheiten, antibiotikaresistenten Infektionen und neu auftretenden Pandemien Jahre früher als im alten System wirksame Behandlungen erhalten könnten.

Der Markt für KI-basierte Medikamentenentwicklung, der im Jahr 2025 auf rund 1,9 Milliarden Dollar geschätzt wird, wird im Jahr 2026 voraussichtlich 2,6 Milliarden Dollar erreichen und weiterhin mit einer jährlichen Rate von 27 Prozent wachsen. Ob die Technologie ihre kühnsten Versprechen einlöst, wird sich wahrscheinlich in den nächsten Jahren zeigen – wenn die erste Welle von KI-basierten Medikamenten die ultimative Prüfung in Phase-III-Studien und der behördlichen Überprüfung besteht.