KI entlang der pharmazeutischen Wertschöpfungskette

# KI entlang der pharmazeutischen Wertschöpfungskette

2021 veröffentlichte DeepMind AlphaFold, ein System, das die 3D-Struktur von Proteinen aus ihrer Aminosäuresequenz vorhersagt. Innerhalb von zwei Jahren enthielt die Datenbank vorhergesagte Strukturen für nahezu jedes der Wissenschaft bekannte Protein, rund 200 Millionen. Probleme der Strukturbiologie, für deren experimentelle Lösung ein Doktorand früher Jahre brauchte, ließen sich nun in Sekunden annähern.

Diese eine Veröffentlichung hat die Erwartungen an KI in der Pharmaindustrie neu justiert. Aber die Proteinfaltung ist nur ein schmaler (wenn auch wichtiger) Schritt. Die eigentliche Frage für jeden, der über Investitionen entscheidet: Wo auf dem langen Weg vom Molekül zum Medikament bewegt KI heute tatsächlich etwas, und wo ist sie noch Marketing?

Gehen wir die Wertschöpfungskette ab.

Die zwei Enden, an denen KI zuerst auftaucht

Arzneimittelentwicklung ist notorisch langsam und teuer. Eine häufig zitierte Schätzung beziffert die Kosten, ein neues Medikament auf den Markt zu bringen, auf über 1 Milliarde Dollar und mehr als ein Jahrzehnt Arbeit, auch wenn diese Zahlen umstritten sind und je nach Therapiegebiet stark schwanken. Die meisten Kandidaten scheitern.

KI wird über die gesamte pipelinepipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen → hinweg eingesetzt, aber zwei Enden ziehen das meiste seriöse Geld an:

1. Discovery und Design: Kandidatenmoleküle finden und entwickeln.

2. Klinische Entwicklung: die Studien am Menschen gestalten und durchführen, die Sicherheit und Wirksamkeit eines Medikaments belegen.

Wir nehmen beide der Reihe nach und trennen, was funktioniert, von dem, was überverkauft wird.

KI in der Arzneimittelforschung

Wo sie echten Wert schafft

Zielidentifikation. Bevor Sie ein Medikament designen, brauchen Sie ein biologisches „Target“, in der Regel ein Protein, das an einer Krankheit beteiligt ist. KI-Modelle, die auf Genomik, Fachliteratur und Labordaten trainiert sind, helfen dabei, die vielversprechendsten Targets zu ranken. Das verengt einen riesigen Suchraum.

Molekülgenerierung und Screening. Modelle der „generativen Chemie“ schlagen neue Molekülstrukturen mit gewünschten Eigenschaften vor (bindet an das Target, ist stabil, ist nicht toxisch). Statt physisch Millionen Verbindungen zu testen, nutzen Teams Modelle, um die wenigen Tausend zu priorisieren, deren Synthese im Labor sich lohnt. Das ist *virtuelles Screening*, und es verkürzt die frühen Zeitpläne tatsächlich.

Strukturvorhersage. AlphaFold und seine Nachfolger zeigen Chemikern, wie ein Molekül in die Bindungstasche eines Zielproteins passen 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 →önnte. Sie 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 die frei zugängliche AlphaFold Protein Structure Database direkt durchsuchen.

Wo der Hype die Realität überholt

Hier die Einschränkung, auf die es ankommt: Vorherzusagen, dass ein Molekül vielversprechend aussieht, ist nicht dasselbe wie ein Medikament zu haben.

Mehrere KI-native Biotech-Unternehmen haben in den letzten Jahren Kandidaten in Studien am Menschen gebracht, einige haben klinische Rückschläge gemeldet. Stand 2026 hat kein primär durch KI entdecktes Medikament den vollständigen Weg bis zur breiten Zulassung und Markteinführung abgeschlossen. Das heißt nicht, dass KI gescheitert ist. Es heißt, dass der schwierige Teil, die menschliche Biologie, sich weiter sperrt. Ein Molekül, das in der Simulation wunderbar bindet, kann dennoch toxisch sein, zu schnell vom 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 →örper ausgeschieden werden oder bei einem realen Patienten einfach nicht wirken.

Der Bottleneck hat sich verschoben, er ist nicht verschwunden. KI macht den *frühen* funnelfunnelThe customer journey from awareness to purchase, typically Awareness, Interest, Consideration, Decision, Action, with prospects narrowing at each stage.Vollständige Definition ansehen → schneller und günstiger. Aber rund 90 % der Medikamente, die in klinische Studien eintreten, scheitern weiterhin, und KI hat diese Ausfallrate in späten Phasen bislang nachweislich nicht verändert. Wenn ein Anbieter verspricht, KI werde klinisches Scheitern „lösen“, seien Sie skeptisch.

KI in der klinischen Entwicklung

In der Klinik stecken die meisten Kosten und die meisten Fehlschläge. Deshalb ist die Optimierung von Studien möglicherweise die wertvollere Anwendung, auch wenn Discovery die Schlagzeilen bekommt.

Studiendesign und Simulation

Eine Studie zu designen bedeutet, Dosis, Patientenpopulation, Endpunkte (die messbaren Ergebnisse, die Erfolg definieren) und Stichprobengröße festzulegen. Liegen Sie hier falsch, verbrennen Sie Jahre.

KI hilft auf konkrete Weise:

• Prognose von Zentren und Rekrutierung: vorhersagen, welche Kliniken Patienten tatsächlich rechtzeitig rekrutieren. Langsame Rekrutierung ist eine Hauptursache für Studienverzögerungen.
• Synthetische Kontrollarme: historische Patientendaten nutzen, um eine Vergleichsgruppe zu modellieren, und so die Zahl der Patienten reduzieren, die ein Placebo erhalten müssen. Regulierer sind hier vorsichtig, aber interessiert.
• Protokolloptimierung: überkomplexe Protokolle markieren, die Patienten und Personal erschöpfen.

Patientenidentifikation und Rekrutierung

KI-Modelle durchsuchen anonymisierte elektronische Patientenakten, um Patienten zu finden, die strenge Einschlusskriterien erfüllen. Für eine Studie zu einer seltenen Erkrankung ist es ein echtes Nadel-im-Heuhaufen-Problem, 40 geeignete Patienten auf einem Kontinent zu finden, und dies ist ein reales, im Einsatz befindliches Anwendungsfeld.

Monitoring und Sicherheit

Während einer Studie markiert KI Auffälligkeiten in eingehenden Daten (ein Zentrum, das verdächtig saubere Zahlen meldet, ein Muster von unerwünschten Ereignissen, das eine Untersuchung verdient). Das unterstützt die Pharmakovigilanz, die laufende Überwachung der Arzneimittelsicherheit, die lange nach der Zulassung weitergeht.

Die regulatorische Realität

Die US-amerikanische Food and Drug Administration (FDA) und die Europäische Arzneimittelagentur (EMA) befassen sich inzwischen beide aktiv mit KI in der Arzneimittelentwicklung. Die FDA hat ein framework zur Bewertung von KI veröffentlicht, die regulatorische Entscheidungen zu Sicherheit und Wirksamkeit von Medikamenten unterstützt. Die Richtung ist klar: KI ist als Werkzeug willkommen, aber der Sponsor muss erklären und begründen 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, wie das Modell eingesetzt wurde. „Der Algorithmus hat das gesagt“ ist keine akzeptable Einreichung.

Wenn Sie die Primärquelle wollen, die FDA unterhält eine öffentliche Seite zu Artificial Intelligence in Drug Development.

Ein einfacher Weg, eine KI-Behauptung zu bewerten

Wenn Ihnen jemand ein KI-Pharma-Investment präsentiert, besteht der typische Fehler darin, *Geschwindigkeit in den günstigen frühen Phasen* mit *Erfolg in den teuren späten Phasen* zu verwechseln. Nutzen Sie ein grobes mentales Wertmodell:

Expected value of an AI application =
   (time or cost saved at that step)
 × (how often that step is the real bottleneck)
 × (whether the output is trusted by scientists AND regulators)

Angewendet:

• Generative Chemie punktet hoch bei eingesparten Kosten, aber das Ergebnis muss immer noch den vollständigen klinischen Hürdenlauf bestehen. Hoher Wert, aber keine Abkürzung zur Zulassung.
• Rekrutierungsprognosen sparen Zeit an einem Schritt, der die meisten Studien tatsächlich verzögert, und Regulierer müssen die Prognose selbst nicht abnicken. Unauffällig exzellenter Wert.
• Ein Chatbot, der „die gesamte Literatur liest“ spart vielleicht Analystenstunden, liegt aber selten auf dem kritischen Pfad. Nützlich, nicht transformativ.

Die unglamourösen operativen Anwendungen schlagen bei dieser Rechnung oft die schlagzeilenträchtigen aus der Discovery.

Daten: die eigentliche Restriktion

Nichts davon funktioniert ohne Daten, und Pharmadaten sind unordentlich. Discovery-Modelle brauchen hochwertige experimentelle Ergebnisse, einschließlich der Fehlschläge (die Unternehmen selten publizieren). Klinische Modelle brauchen Patientendaten, die über Kliniken verstreut, inkonsistent kodiert und datenschutzrechtlich streng reguliert sind.

Zwei praktische Konsequenzen:

1. Proprietäre Daten sind der Burggraben. Die eigenen Screening-Ergebnisse oder Studienunterlagen eines Unternehmens aus Jahrzehnten sind oft wertvoller als die Modellarchitektur, die zunehmend zur Commodity wird.

2. Garbage in, garbage out ist hier keine Floskel. Ein Modell, das auf verzerrten oder unvollständigen Patientendaten trainiert wurde, kann einen Kandidaten oder ein Studiendesign hervorbringen, das in Populationen scheitert, die es nie gesehen hat. Das ist sowohl ein wissenschaftliches als auch ein ethisches Risiko.

Wo Sie 2026 Ihre Wetten platzieren

Für einen Profi, der über Investitionen entscheidet, sieht das Bild so aus:

• Discovery-KI ist real und wird besser, aber die Renditen liegen weit in der Zukunft und sind an der Ziellinie unbewiesen. Behandeln Sie Behauptungen über unmittelbar bevorstehende „KI-designte Blockbuster“ als unvalidiert, bis ein Medikament Spätphasenstudien und Zulassung passiert hat.
• KI in klinischen Operations (Rekrutierung, Monitoring, Prognosen) bietet kurzfristigere, messbare Einsparungen und trifft auf niedrigere regulatorische Hürden, weil sie menschliche Entscheidungen unterstützt statt Evidenz zu ersetzen.
• Dateninfrastruktur trägt alles und ist oft der dauerhafteste Vermögenswert.

Dies ist eine Analyse, keine Anlage- oder medizinische Beratung. Jedes Therapiegebiet und jedes Unternehmen ist anders, und klinische Ergebnisse sind von Natur aus unsicher.

Die wichtigsten Erkenntnisse

• KI verkürzt das frühe, günstige Ende der Pharmakette (Targetauswahl, Molekülgenerierung, Strukturvorhersage), aber das Scheitern in späten klinischen Phasen bleibt der dominante Kostenblock, und KI hat noch nicht bewiesen, dass sie ihn senken kann.
• Stand 2026 hat kein KI-entdecktes Medikament den vollständigen Weg bis zur breiten Zulassung abgeschlossen. Vielversprechende Simulationen sind keine zugelassenen Medikamente. Rechnen Sie Pitches herunter, die diese Grenze verwischen.
• Die unauffällig wertvollen Anwendungen sind oft operativ: Patientenrekrutierung, Rekrutierungsprognosen und Sicherheitsmonitoring sparen Zeit an echten Bottlenecks bei geringerem regulatorischem Risiko.
• Regulierer (FDA, EMA) akzeptieren KI als Werkzeug, verlangen aber Erklärbarkeit. Der Output eines Modells muss begründet werden, nicht nur präsentiert.
• Proprietäre, hochwertige Daten sind der eigentliche Burggraben, und verzerrte oder unvollständige Daten sind ein echtes wissenschaftliches und ethisches Risiko, keine Fußnote.