KI-gestützte Wirkstoffsuche und molekulares Design

# KI-gestützte Wirkstoffsuche und molekulares Design

Das Problem, das früher eine ganze Karriere füllte

1972 erhielt Christian Anfinsen den Nobelpreis für den Nachweis, dass die Aminosäuresequenz eines Proteins dessen 3D-Struktur bestimmt. Damit begann ein 50 Jahre altes Rätsel, bekannt als „Proteinfaltungsproblem“: Lässt sich aus einer Sequenz die Faltung vorhersagen? Labore verbrachten Jahre und gaben kleine Vermögen aus, um mit Röntgenkristallographie eine einzige Struktur aufzulösen.

2020 sagte AlphaFold von DeepMind in einem öffentlichen Wettbewerb namens CASP Strukturen mit nahezu experimenteller Genauigkeit vorher. Bis 2022 hatten DeepMind und EMBL vorhergesagte Strukturen für fast jedes bekannte Protein veröffentlicht, rund 200 Millionen, in einer frei zugänglichen öffentlichen Datenbank. Eine Aufgabe, die Karrieren geprägt hatte, wurde zur Datenbankabfrage.

Genau darum geht es in dieser Lektion: wo KI die Zeitpläne der Wirkstoffsuche wirklich verkürzt und wo sie Sie weiterhin im Stich lässt.

Die PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → der Wirkstoffsuche, einfach erklärt

Ein Medikament auf den Markt zu bringen, durchläuft grobe Phasen. Zwei frühe sind hier besonders relevant:

• Target-Identifikation: das Finden eines biologischen Moleküls (meist ein Protein), dessen Beeinflussung eine Krankheit behandelt. Beispiel: ein Kinase-Enzym, das bei einer Krebserkrankung überaktiv ist.
• Lead-Optimierung: das Design eines kleinen Moleküls (einer „Leitstruktur“), das gut an dieses Target bindet, gesundes Gewebe nicht schädigt und tatsächlich herstellbar ist.

Historisch konnten allein diese zwei Schritte drei bis fünf Jahre dauern und Zehntausende synthetisierter Verbindungen verbrauchen. KI greift beide an.

Wo AlphaFold die Spielregeln ändert

Um einen Wirkstoff zu entwerfen, der zu einem Protein passt, brauchen Sie die Form des Proteins. AlphaFold liefert eine glaubwürdige Ausgangsstruktur in Stunden statt Jahren.

Konkrete Wirkung:

• „Undruggable“ Targets kommen wieder ins Spiel. Viele krankheitsrelevante Proteine wurden nie kristallisiert, also ignorierten Wirkstoffforscher sie. Vorhergesagte Strukturen bringen Tausende zurück auf den Tisch.
• Strukturbasiertes Design beginnt am ersten Tag. Chemiker kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen sofort damit anfangen, Kandidatenmoleküle in eine vorhergesagte Bindetasche zu docken.

AlphaFold3, 2024 veröffentlicht, ging weiter: Es sagt vorher, wie Proteine mit anderen Molekülen interagieren, darunter DNA, RNA und niedermolekulare Wirkstoffe (genannt Liganden). Damit verschiebt sich das Werkzeug von „hier ist das Protein“ in Richtung „hier ist das Protein mit Ihrem Wirkstoffkandidaten darin“.

Der Haken: eine Vorhersage ist kein Experiment

Eine vorhergesagte Struktur ist eine Hypothese. Zwei Fehlerquellen sind für Fachleute relevant, die solche Aussagen bewerten:

1. Statische Momentaufnahmen. Proteine bewegen sich. AlphaFold liefert typischerweise eine dominante Konformation, aber die Bindung eines Wirkstoffs hängt oft von seltenen „offenen“ Zuständen oder flexiblen Loops ab, die das Modell übersehen kann.

2. Die Konfidenz ist ungleichmäßig. AlphaFold gibt einen Konfidenzwert pro Aminosäurerest aus (pLDDT). Regionen mit niedriger Konfidenz, oft die beweglichen Teile, sind genau dort, wo Bindung manchmal stattfindet. Einer Bindetasche mit niedriger Konfidenz zu vertrauen, ist ein klassischer Anfängerfehler.

Unterm Strich: AlphaFold beschleunigt den *Start* des strukturbasierten Designs. Es ersetzt nicht das Nasslabor, das Struktur und Bindung bestätigt.

Generative Chemie: das Molekül selbst entwerfen

Sobald Sie eine Bindetasche haben, brauchen Sie Moleküle, die sie füllen. Klassischer Ansatz: riesige physische oder virtuelle Bibliotheken bestehender Verbindungen screenen. Generativer Ansatz: ein Modell *erfindet* neue Moleküle, zugeschnitten auf Ihre Tasche.

Diese Modelle lernen die „Grammatik“ wirkstoffähnlicher Chemie aus Millionen bekannter Moleküle und erzeugen dann neue Kandidaten, konditioniert auf Ziele: binde dieses Target, bleibe löslich, vermeide Toxizitätssignale.

Eine gängige Art, Moleküle für ein Modell darzustellen, ist SMILES, eine Textzeichenfolge, die die chemische Struktur codiert. Aspirin sieht zum Beispiel so aus:

CC(=O)OC1=CC=CC=C1C(=O)O

Ein generatives Modell kann Tausende solcher Zeichenfolgen ausgeben, jede ein vorgeschlagenes Molekül, die Chemiker dann filtern und priorisieren.

Was sich dadurch verkürzt

• Die Ideengenerierung geht von Wochen auf Minuten. Ein Modell kann über Nacht Zehntausende Kandidatenstrukturen vorschlagen.
• Multikriterielle Optimierung. Modelle lassen sich gleichzeitig auf mehrere Eigenschaften steuern (Potenz, Löslichkeit, metabolische Stabilität), also genau die Balanceakte, die früher viele manuelle Designzyklen erforderten.

Unternehmen wie Insilico Medicine und Recursion haben öffentlich berichtet, dass KI-generierte Kandidaten in klinische Studien vorgerückt sind, was ein echter Meilenstein ist. Beachten Sie die ehrliche Einschränkung: Eine Studie zu erreichen beweist, dass die PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → ein testbares Molekül liefern kann, nicht dass KI den gesamten Weg bis zum zugelassenen Medikament verkürzt. Klinische Studien bleiben lang, teuer und weitgehend außerhalb des Einflussbereichs von KI.

Die zwei Mauern: Synthetisierbarkeit und Bindungsaffinität

Hier trifft der Hype auf die Laborbank. Generative Modelle scheitern regelmäßig an zwei Fronten.

Mauer 1: Synthetisierbarkeit

Ein Modell kann ein wunderschönes Molekül zeichnen, das kein Chemiker tatsächlich herstellen kann, oder nur in 30 kostspieligen Schritten. Das Modell hat auf eine Form optimiert, nicht auf einen Weg, sie aufzubauen.

Das Feld misst das mit Synthetic-Accessibility-(SA)-Scores und zunehmend mit Retrosynthese-Modellen, die versuchen, eine Schritt-für-Schritt-Rezeptur aus kaufbaren Ausgangsstoffen zu planen. Werkzeuge wie IBM RXN for Chemistry sagen Reaktionen und Routen vorher und sind kostenlos testbar.

Aber die Retrosynthese-Vorhersage ist selbst unvollkommen. Eine vorgeschlagene Route kann scheitern, weil eine Reaktion, die auf dem Papier funktioniert, an Ihrem spezifischen Molekül nicht funktioniert, oder weil ein Reagenz nicht verfügbar ist. Echte Teams bauen Synthetisierbarkeitsbeschränkungen heute direkt in die Generierung ein und bestrafen Moleküle, die das Modell nicht plausibel herstellen kann. Das hilft, löst das Problem aber nicht vollständig.

Mauer 2: Bindungsaffinität

Bindungsaffinität beschreibt, wie fest ein Molekül an seinem Target haftet, oft angegeben als Wert wie IC50 oder Kd (niedriger bedeutet festere Bindung). Sie allein aus der Struktur genau vorherzusagen, ist weiterhin schwer.

Warum es schwer bleibt:

• Wasser und Entropie. Bindung passiert in einer feuchten, wackelnden Umgebung. Wassermoleküle zu verdrängen und Flexibilität zu berücksichtigen, erfordert Physik, die schnelle KI-Scoring-Funktionen nur grob annähern.
• Kleine Fehler, große Folgen. Ein Fehler von ein paar Kilokalorien pro Mol in der vorhergesagten Bindungsenergie kann den Unterschied zwischen einem vielversprechenden Wirkstoff und einem nutzlosen ausmachen.
• Datenverzerrung. Modelle lernen aus veröffentlichten Bindungsdaten, die zu Verbindungen tendieren, die funktioniert haben. Sie sehen weniger saubere Beispiele für Beinahe-Treffer und überschätzen daher den Erfolg.

Das praktische Ergebnis: KI schlägt vor und priorisiert, aber Sie synthetisieren weiterhin die besten Kandidaten und messen die Bindung in einem Assay (einem Labortest). Die KI verkleinert den Heuhaufen; sie liefert nicht die vorab verifizierte Nadel.

Wie ein moderner Discovery-Loop tatsächlich läuft

Der ausgereifte Workflow von 2026 lautet nicht „KI ersetzt Wissenschaftler“. Es ist ein enger Loop:

1. Vorhersagen der Target-Struktur (AlphaFold oder eine experimentelle Struktur).

2. Generieren von Kandidatenmolekülen mit einem generativen Modell, eingeschränkt auf Synthetisierbarkeit.

3. Bewerten der Kandidaten mit Docking und Affinitätsvorhersagen; Priorisierung.

4. Synthetisieren einer kleinen, klug gewählten Teilmenge im Labor.

5. Assay auf tatsächliche Bindung und frühe Toxizität.

6. Ergebnisse zurückführen, um die Modelle neu zu trainieren oder per Fine-tuningFine-tuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → anzupassen.

Dieser Zyklus aus „design, make, test, analyze“ existierte schon vor KI. Was KI verändert, sind *Umfang und Geschwindigkeit* des Designschritts und die Qualität der Priorisierung, sodass Chemiker weniger, aber bessere Kandidaten synthetisieren.

Ein nützliches Denkmodell für nicht technische Führungskräfte: KI ist ein sehr schneller, sehr belesener Praktikant, der Tausende Ideen vorschlägt und sie plausibel priorisiert, aber noch nie ein Becherglas angefasst hat. Sie brauchen weiterhin erfahrene Chemiker und ein Nasslabor, um zu entscheiden, was echt ist.

Was das für das Geschäft bedeutet

• Der Bottleneck verschiebt sich. Wenn Ideengenerierung billig wird, verlagert sich die Beschränkung auf Labordurchsatz und Assay-Qualität. Firmen, die in automatisierte Hochdurchsatzlabore investieren (manchmal „self-driving labs“ genannt), passen gut zu generativen Modellen.
• Daten werden zum Burggraben. Öffentliche Modelle sind breit verfügbar. Der Vorteil kommt aus proprietären Assay-Daten, mit denen Vorhersagen für Ihre spezifischen Targets per Fine-tuningFine-tuningFine-tuning adapts a pre-trained model to a specific task or domain by continuing training on a smaller, targeted dataset, improving accuracy and style for that use case.Vollständige Definition ansehen → angepasst und validiert werden.
• Zeitpläne verkürzen sich vorne, nicht hinten. KI kann die Arbeit von Target zu Lead von Jahren auf Monate schrumpfen. Für die klinischen Studien, die Kosten und Zeit dominieren, bewirkt sie wenig. Seien Sie skeptisch bei jeder Behauptung, KI reduziere die gesamte Time-to-Market drastisch.

Die wichtigsten Erkenntnisse

• AlphaFold hat die Proteinstruktur von einem mehrjährigen Experiment in eine schnelle Vorhersage verwandelt und damit bisher „undruggable“ Targets wieder geöffnet, aber Vorhersagen sind statische Hypothesen, die Laborbestätigung brauchen, besonders in Regionen mit niedriger Konfidenz und hoher Flexibilität.
• Generative Chemiemodelle erfinden in Minuten neue Kandidatenmoleküle und optimieren mehrere Eigenschaften gleichzeitig, was die Ideenphase der Wirkstoffsuche drastisch verkürzt.
• Die zwei bleibenden Mauern sind Synthetisierbarkeit (können wir es tatsächlich herstellen?) und Bindungsaffinität (wird es fest genug haften?), beide erfordern weiterhin Synthese im Nasslabor und Assays zur Verifizierung.
• Der echte Workflow ist ein schneller Design-Make-Test-Analyze-Loop, in dem KI den Heuhaufen verkleinert und Wissenschaftler die Nadel finden; proprietäre Assay-Daten, nicht die Modelle selbst, sind der dauerhafte Vorteil.
• KI verkürzt die frühen Phasen, nicht die klinischen Studien. Mit einem KI-designten Molekül eine Studie zu erreichen, ist ein Meilenstein, kein Beweis für einen kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzeren Weg zu einem zugelassenen Medikament.