KI in der Arzneimittelforschung: Warum die Revolution noch auf sich warten lässt. Blog#287

Künstliche Intelligenz wird die Arzneimittelforschung verändern. Aber wahrscheinlich nicht dort, wo derzeit am lautesten darüber gesprochen wird.

Künstliche Intelligenz hat unser Leben in erstaunlich kurzer Zeit verändert. Ob Spracherkennung, Übersetzung oder generative Bild- und Sprachmodelle: Was vor wenigen Jahren Spezialforschung war, ist heute Alltag. Auch in den Naturwissenschaften liefert KI beachtliche Ergebnisse – prominente Beispiele sind der Durchbruch von AlphaFold bei der Vorhersage von Proteinstrukturen und die Lösung des Navier-Stokes-Problem, an dem sich führende Mathematiker seit Jahrzehnten vergeblich die Zähne ausbissen.

Angesichts dieser Dynamik schien die Schlussfolgerung zwingend: Wenn Algorithmen Muster in gigantischen Datenmengen erkennen und Molekülstrukturen vorhersagen können, müssen sie doch auch die Entwicklung neuer Medikamente drastisch beschleunigen.

Sie müsste neue Wirkstoffe schneller finden, Leitstrukturen effizienter optimieren und damit die Entwicklung neuer Medikamente erheblich beschleunigen.

Genau das wird seit Jahren versprochen. Tatsächlich beschleunigt KI bestimmte Aufgaben in der frühen Wirkstofffindung messbar. Trotzdem ist der Nachweis eines echten Nutzens in der Klinik bislang erstaunlich schwach. Eine Perspektive in Nature Reviews Drug Discovery zieht ein ernüchterndes Fazit: Die Evidenz für einen klinisch relevanten Nutzen sei bisher "enttäuschend begrenzt" ("disappointingly limited").

Das ist kein Widerspruch zur Rechenleistung moderner Systeme. Es zeigt vielmehr, dass wir das eigentliche Nadelöhr der Arzneimittelentwicklung betrachten müssen.

Der größte Hebel liegt nicht dort, wo die KI bisher am erfolgreichsten ist

Die Entwicklung eines Medikaments ist eine lange Kette von Entscheidungen – vom Target über Hit-Findung und Leitstrukturoptimierung bis zur Präklinik und klinischen Erprobung. 

Biotech- und TechBio-Unternehmen fokussieren sich bisher vor allem auf den Anfang: Molekülgenerierung, virtuelle Screenings und Bindungsaffinitäten. Hier ist die Datendichte hoch, und Erfolge lassen sich schnell publizieren.

Das Problem: Der größte ökonomische und therapeutische Hebel liegt ganz woanders.

Wie die Analyse in Nature Reviews Drug Discovery vorrechnet, bestimmt vor allem die Erfolgswahrscheinlichkeit in der klinischen Phase II die Gesamtkosten eines zugelassenen Wirkstoffs. Eine Verringerung der Ausfallquote in dieser Phase senkt die Entwicklungskosten um ein Vielfaches stärker als jede Beschleunigung der frühen Forschungsstufen.

Die Industrie optimiert mit KI derzeit vor allem dort, wo es methodisch am einfachsten ist – nicht dort, wo es am meisten brächte. Ein Molekül mit gewünschten Bindungseigenschaften am isolierten Target zu finden, ist eine vergleichsweise überschaubare Aufgabe. Die entscheidende Frage lautet jedoch: Wird dieses Molekül im komplexen System Mensch wirken, und das im richtigen Dosisbereich?

Das biologische Nadelöhr: Die Heterogenität des Patienten

In der klinischen Phase II trifft das Labormodell auf die unberechenbare biologische Realität. Hier entscheidet sich, ob der präklinisch beobachtete Mechanismus tatsächlich zu einem klinisch relevanten Nutzen führt. Genau hier bricht die Vorhersagekraft oft ein, denn Patienten sind keine standardisierten In-vitro-Assays:

• Patientenheterogenität: Patienten unterscheiden sich in Krankheitsstadium, Komorbiditäten, Organfunktion und genetischer Ausstattung.
• Dynamische Pharmakokinetik & ADME: Die Exposition im Zielgewebe folgt keinem einfachen Schema. Induktion oder Hemmung von CYP-Enzymen, genetische Polymorphismen, Begleitmedikationen und das intestinale Mikrobiom beeinflussen Wirkstoffspiegel und Abbau dynamisch.

Diese Variabilität macht Phase-II-Studien groß, teuer und riskant. Eine KI kann in historischen Datensätzen zwar Korrelationen aufspüren. Für die klinische Translation hilft eine statistische Assoziation der Vergangenheit jedoch wenig: Gefragt ist eine verlässliche Extrapolation auf neue Wirkstoffe in einem heterogenen Patientenkollektiv. Dafür fehlen den Modellen schlicht die passenden mechanistischen Daten.

Warum "einfach mehr Daten" das Problem nicht löst

Oft hört man das Argument: "Die Pharmaindustrie sitzt auf riesigen Datenbergen aus Jahrzehnten – füttern wir die Algorithmen einfach damit."

Doch mehr Daten bedeuten nicht automatisch mehr Wissen:

1. Inkonsistente Quellen: Historische Daten wurden nie für KI-Training erhoben. Unterschiedliche Assays, uneinheitliche Versuchsbedingungen und abweichende Schwellenwerte führen dazu, dass scheinbar identische Messgrößen über verschiedene Projekte hinweg nicht vergleichbar sind.
2. Selektionsbias: Projektdaten spiegeln nur wider, was Unternehmen explizit erforscht haben – nicht das, was unberührt blieb. Ein Modell kann aus solchen Daten nur die Historie früherer Forschungsstrategien reproduzieren, nicht aber fehlende biologische Realität interpolieren.

Deshalb ist ein Spitzenwert auf einem Standard-Benchmark-Datensatz noch lange kein Beleg für klinischen Nutzen. Ein Algorithmus kann auf einem Testset hervorragend abschneiden, indem er statistische Artefakte nutzt, die in der Laborumgebung korrelieren, im lebenden Organismus aber biologisch bedeutungslos sind.

Technology Push vs. Science Pull

Das Grunddilemma lässt sich als klassischer Konflikt zwischen Technology Push und Science Pull beschreiben:

• Technology Push: Tech-Unternehmen und Methodenentwickler treiben Algorithmen und Rechenkapazitäten voran und suchen nach Anwendungsfeldern. Sie lösen mit Vorliebe Aufgaben, für die bereits strukturierte Daten vorliegen – etwa Moleküldesign, QSAR-Modelle oder Docking-Simulationen. Das Werkzeug diktiert hier die Fragestellung.
• Science Pull: Die reale pharmazeutische Forschung benötigt jedoch Antworten auf die Kernfragen des Scheiterns: Warum versagt ein Wirkstoff im Tiermodell oder in Phase II trotz perfekter Target-Affinität? Welche Patientensubgruppe profitiert wirklich? Welcher Biomarker reflektiert die klinische Wirksamkeit?

Solange die Entwicklung primär von einem technologiegetriebenen "Push" dominiert wird, optimiert man Werkzeuge an peripheren Problemen vorbei. Ein echter Durchbruch erfordert einen konsequenten "Science Pull": Die ungelösten biologischen Hürden der klinischen Translation müssen definieren, welche Modelle gebaut und welche – oft völlig neuen – Daten überhaupt erst experimentell generiert werden müssen.

Die Voraussetzung für einen substanziellen KI-Effekt ist deshalb nicht einfach ein noch größeres Modell. Erforderlich ist vielmehr eine Verbindung aus besserem biologischem Verständnis, gezielt erzeugten Daten und klinisch relevanten Fragestellungen. Daten müssten so erzeugt werden, dass sie tatsächlich einen späteren klinischen Endpunkt vorhersagen können. Assays und experimentelle Bedingungen müssten stärker standardisiert und ihre Zusammenhänge mit der menschlichen Biologie besser verstanden werden. Noch wichtiger wäre eine stärkere Verbindung zwischen präklinischen Messungen und späteren klinischen Ergebnissen.

Dafür sind neue Formen der Zusammenarbeit erforderlich. Die Nature-Autoren sehen beispielsweise Potenzial in großen industrieübergreifenden Konsortien, die nicht einfach historische Daten nachträglich zusammenwerfen, sondern Daten von Anfang an gezielt für bestimmte prädiktive Fragestellungen erzeugen. Und schließlich muss sich auch die Erfolgsmessung verändern. Der entscheidende Benchmark für KI in der Arzneimittelforschung sollte nicht sein, ob ein Modell einen bestehenden Datensatz etwas besser vorhersagt. Der entscheidende Benchmark lautet: Verbessert die KI die Wahrscheinlichkeit, dass ein neues Arzneimittel in der klinischen Entwicklung erfolgreich ist?

Erst wenn diese Frage mit belastbaren prospektiven Daten beantwortet werden kann, haben wir einen echten Nachweis für einen substanziellen Beitrag der KI zur Arzneimittelentwicklung.

Fazit

Künstliche Intelligenz wird die pharmazeutische Industrie verändern. Doch die eigentliche Revolution wird sich nicht daran messen lassen, wie viele Millionen Moleküle in Sekunden generiert werden. Sie beginnt erst dort, wo wir aufhören, KI als schnelles Screening-Werkzeug zu behandeln, und anfangen, sie vom klinischen Bedarf her zu denken: für bessere Krankheitsmechanismen, verlässlichere Biomarker und prädiktivere Phase-II-Entscheidungen.

-----------------------------------------------------------------------------------------------------------------

Transparenzhinweis zur Texterstellung: Die Idee, die inhaltliche Struktur sowie alle Kernaussagen dieses Beitrags beruhen vollständig auf meiner eigenen intellektuellen Leistung. Für die finale sprachliche Ausformulierung wurde ein KI-Modell als Werkzeug genutzt. Das Ergebnis wurde im Anschluss von mir nochmals sorgfältig auf fachliche und inhaltliche Korrektheit geprüft.

Verantwortlicher: Klaus Rudolf; Kommentare und Fragen bitte an: rudolfklausblog@gmail.com. Auf diesem Blog teile ich meine persönlichen Meinungen und Erfahrungen. Es ist wichtig zu betonen, dass ich weder Arzt noch Finanzberater bin. Jegliche Informationen, die ich in meinem Blog vorstelle, stellen weder Anlageempfehlungen noch Therapieempfehlungen dar. Für fundierte Entscheidungen in Bezug auf Gesundheitsfragen oder Finanzanlagen empfehle ich, sich umfassend zu informieren und bei Bedarf einen professionellen Experten zu konsultieren.