Biotech & MedTech · KI-gestützte Wirkstoffsuche und molekulares Design

Das Problem, für das man früher eine Karriere brauchte

1972 erhielt Christian Anfinsen den Nobelpreis für den Nachweis, dass die Aminosäuresequenz eines Proteins dessen 3D-Form bestimmt. Damit begann ein 50 Jahre altes Rätsel, bekannt als „Protein-Folding-Problem“: Kann man aus einer Sequenz die Faltung vorhersagen? Labore verbrachten Jahre und kleine Vermögen mit Röntgenkristallografie, um 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 nahezu jedes bekannte Protein veröffentlicht, rund 200 Millionen, in einer frei zugänglichen Datenbank. Eine Aufgabe, die Karrieren prägte, wurde zur Datenbankabfrage.

Genau darum geht es in dieser Lektion: wo KI die Zeitpläne der Wirkstoffforschung tatsächlich verkürzt und wo sie Sie weiter im Stich lässt.

Die Wirkstoff-PipelinePipelineAlle aktiven Verkaufschancen über die Phasen des Vertriebsprozesses hinweg, zusammen mit ihrem gesamten potenziellen Wert und ihrer Abschlusswahrscheinlichkeit.Vollständige Definition ansehen →, einfach erklärt

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

• Target-Identifikation: ein biologisches Molekül finden (meist ein Protein), dessen Beeinflussung eine Krankheit behandelt. Beispiel: ein Kinase-Enzym, das in einem Tumor überaktiv ist.
• Lead-Optimierung: ein kleines Molekül entwerfen (eine „Lead-Verbindung“), das gut an dieses Target bindet, gesundes Gewebe nicht schädigt und sich tatsächlich herstellen lässt.

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

Wo AlphaFold den Unterschied macht

Um ein Medikament zu entwerfen, das zu einem Protein passt, brauchen Sie die Form des Proteins. AlphaFold liefert eine glaubwürdige Ausgangsstruktur in Stunden statt in Jahren.

Konkrete Auswirkungen:

• „Undruggable“ Targets kommen wieder in Betracht. Viele krankheitsrelevante Proteine wurden nie kristallisiert, also ignorierte man sie bei der Wirkstoffsuche. Vorhergesagte Strukturen bringen Tausende zurück auf den Tisch.
• Strukturbasiertes Design startet am ersten Tag. Chemiker kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Kandidatenmoleküle sofort in eine vorhergesagte Bindetasche docken.

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

Der Haken: eine Vorhersage ist kein Experiment

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

1. Statische Momentaufnahmen. Proteine bewegen sich. AlphaFold liefert typischerweise eine dominante Konformation, aber die Wirkstoffbindung hängt oft von seltenen „offenen“ Zuständen oder flexiblen Loops ab, die das Modell übersehen kann.
2. Die Konfidenz ist ungleich verteilt. AlphaFold gibt einen Konfidenzwert pro Aminosäurerest aus (pLDDT). Regionen mit niedriger Konfidenz, oft die beweglichen Teile, sind genau dort, wo die 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 Wet Lab, das Struktur und Bindung bestätigt.

Generative Chemie: das Molekül selbst entwerfen

Sobald Sie eine Bindetasche haben, brauchen Sie Moleküle, die sie ausfüllen. Traditioneller Ansatz: riesige physische oder virtuelle Bibliotheken bestehender Verbindungen durchscreenen. Generativer Ansatz: **ein Modell soll neue Moleküle für Ihre Bindetasche *erfinden***.

Diese Modelle lernen die „Grammatik“ arzneistoffartiger 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 Zeichenkette, die eine chemische Struktur codiert. Aspirin sieht zum Beispiel so aus:

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

Ein generatives Modell kann Tausende solcher Strings ausgeben, jeder ein vorgeschlagenes Molekül, die Chemiker anschließend filtern und priorisieren.

Was das verkürzt

• Ideengenerierung dauert Minuten statt Wochen. Ein Modell kann über Nacht Zehntausende Kandidatenstrukturen vorschlagen.
• Multikriterielle Optimierung. Modelle lassen sich gleichzeitig auf mehrere Eigenschaften steuern (Potenz, Löslichkeit, metabolische Stabilität), also genau den Balanceakt, der früher viele manuelle Designzyklen kostete.

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 Pipeline ein testbares Molekül hervorbringen kann, nicht, dass KI den gesamten Weg bis zur Zulassung verkürzt. Klinische Studien bleiben lang, teuer und weitgehend außerhalb der Kontrolle von KI.

Die zwei Wände: Synthetisierbarkeit und Bindungsaffinität

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

Wand 1: Synthetisierbarkeit

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

Das Feld misst das mit Synthetic-Accessibility-Scores (SA) und zunehmend mit Retrosynthese-Modellen, die ein Schritt-für-Schritt-Rezept aus käuflichen Ausgangsstoffen planen. Tools wie IBM RXN for Chemistry sagen Reaktionen und Routen vorher und sind kostenlos ausprobierbar.

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

Wand 2: Bindungsaffinität

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

Warum es schwierig bleibt:

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

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

Wie ein moderner Discovery-Loop tatsächlich läuft

Der ausgereifte Workflow von 2026 lautet nicht „KI ersetzt Wissenschaftler“. ErErDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → 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. Scoren der Kandidaten mit Docking und Affinitätsvorhersagen; Priorisierung.
4. Synthetisieren einer kleinen, klug gewählten Teilmenge im Labor.
5. Assay auf reale Bindung und frühe Toxizität.
6. Ergebnisse zurückspeisen, um die Modelle neu zu trainieren oder per Fine-TuningFine-TuningFine-Tuning passt ein vortrainiertes Modell an eine bestimmte Aufgabe oder Domäne an, indem das Training auf einem kleineren, gezielten Datensatz fortgesetzt wird. Das verbessert Genauigkeit und Stil für den jeweiligen Anwendungsfall.Vollständige Definition ansehen → anzupassen.

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

Ein brauchbares mentales Modell für nicht-technische Führungskräfte: KI ist ein sehr schneller, extrem belesener Praktikant, der Tausende Ideen vorschlägt und sie plausibel priorisiert, aber noch nie ein Becherglas angefasst hat. Sie brauchen weiterhin erfahrene Chemiker und ein Wet Lab, um zu entscheiden, was echt ist.

Was das für das Geschäft bedeutet

• Der Engpass 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 Moat. Öffentliche Modelle sind breit verfügbar. Der Vorteil entsteht aus proprietären Assay-Daten, mit denen Vorhersagen für Ihre spezifischen Targets feinabgestimmt 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, bringt sie wenig. Seien Sie skeptisch bei jeder Behauptung, KI senke die gesamte Time-to-Market drastisch.

Wichtigste Erkenntnisse

• AlphaFold hat die Proteinstruktur von einem mehrjährigen Experiment in eine schnelle Vorhersage verwandelt und damit zuvor „undruggable“ Targets wieder geöffnet, aber Vorhersagen sind statische Hypothesen, die eine Laborbestätigung brauchen, besonders in Regionen mit niedriger Konfidenz und hoher Flexibilität.
• Generative Chemiemodelle erfinden neue Kandidatenmoleküle in Minuten und optimieren mehrere Eigenschaften gleichzeitig, was die Ideenphase der Wirkstoffsuche drastisch verkürzt.
• Die zwei bleibenden Wände sind Synthetisierbarkeit (können wir es tatsächlich herstellen?) und Bindungsaffinität (bindet es fest genug?), für beide sind weiterhin Synthese im Wet Lab und Assays zur Überprüfung nötig.
• Der reale Workflow ist ein schneller Design-Make-Test-Analyze-Loop, in dem KI den Heuhaufen verkleinert und Wissenschaftler die Nadel finden; der dauerhafte Vorteil liegt in proprietären Assay-Daten, nicht in den Modellen selbst.
• KI verkürzt die frühen Phasen, nicht die klinischen Studien. Mit einem KI-entworfenen Molekül eine Studie zu erreichen, ist ein Meilenstein, kein Beweis für einen kürzeren Weg zu einem zugelassenen Medikament.