Die Entwicklung neuer Medikamente ist ein langwieriger und kostspieliger Prozess, der im Durchschnitt 10 bis 15 Jahre dauert und zwischen 1 Milliarde und 2,5 Milliarden US-Dollar kostet. Die Misserfolgsquote liegt bei über 90 Prozent. Seit den 1950er-Jahren haben sich die Entwicklungskosten für neue Pharmazeutika etwa alle neun Jahre verdoppelt, ein Phänomen, das als Eroom’s Law bekannt ist. Vor diesem Hintergrund setzt die pharmazeutische Industrie verstärkt auf Künstliche Intelligenz (KI), um die Erfolgsraten zu erhöhen und die Entwicklungszeiten zu verkürzen.
KI als Beschleuniger in der Frühphase
KI verspricht, das Risiko kostspieliger Fehlschläge zu minimieren, indem sie die Identifizierung, Testung und Optimierung neuer chemischer Verbindungen beschleunigt. Paul Belcher, Direktor für Proteinforschungsstrategie beim globalen Life-Science-Unternehmen Cytiva, betont, dass die Hauptkosten in der klinischen Phase anfallen. KI soll hier nicht nur Zeit sparen, sondern auch die Qualität der Kandidaten verbessern, die in die klinischen Studien gelangen.
Ein vielversprechendes frühes Anwendungsgebiet der KI ist die sogenannte Hit-Identifizierung. Dabei werden Moleküle aus umfangreichen Bibliotheken gegen ein krankheitsbezogenes Ziel, wie ein Protein, gescreent, um Bindungspartner zu finden. KI ermöglicht hier einen Wandel vom empirischen Screening zum prädiktiven Design: Statt physisch zu screenen, entwerfen Unternehmen Wirkstoffkandidaten von Grund auf neu und prognostizieren deren Interaktion mit Krankheitszielen, bevor sie in Forschung und Entwicklung (F&E) investieren. Dies eliminiert die Beschränkungen des physischen Screenings und kann minderwertige Kandidaten frühzeitig aussortieren, was Zeit und Ressourcen spart.
Grenzen der KI und Datenprobleme
Trotz der Fortschritte kann KI die Kinetik oder die Entwickelbarkeit neuer Verbindungen noch nicht zuverlässig vorhersagen. Jeder KI-generierte Kandidat muss daher weiterhin im Labor validiert werden. Die traditionellen Screening-Verfahren, die auf die Identifizierung von Hits im großen Maßstab ausgelegt sind und oft binäre „Ja-oder-Nein“-Antworten liefern, sind nicht für die detaillierte Profilierung großer Mengen komplexer, KI-generierter Verbindungen optimiert. Dies erhöht den Druck auf Laborteams und erfordert höher durchsatzfähige, informationsreiche Technologien zur Validierung und Charakterisierung.
Die „Datenwand“ und ihre Auswirkungen
Die zunehmende Nutzung von KI hat einen grundlegenden Bedarf an besseren und vollständigeren Daten offengelegt. Viele frühe KI-Modelle wurden mit öffentlich verfügbaren Datensätzen trainiert und stoßen nun an eine „Datenwand“. Da Modelle Zugriff auf dieselben Daten haben, erreichen sie ähnliche Schlussfolgerungen, was zu abnehmenden Erträgen führt. Zudem wurden diese Datensätze nicht für KI konzipiert; es fehlt ihnen an Struktur, Beschriftung und Vielfalt, um Modelle präzise und frei von Verzerrungen zu halten.
Ein weiteres Problem ist der Publikationsbias: Öffentliche Datensätze und wissenschaftliche Publikationen konzentrieren sich fast ausschließlich auf positive Ergebnisse. Misserfolge werden selten geteilt. Dieser Mangel an sogenannten „negativen Daten“ – also Informationen über gescheiterte Experimente oder nicht bindende Verbindungen – erschwert es KI-Modellen, ein umfassendes Verständnis zu entwickeln und zuverlässigere Vorhersagen zu treffen. Die Leistung eines Modells hängt stark von der Qualität und dem Umfang seiner Trainingsdaten ab.
Datenintegrität und die Zukunft autonomer Labore
Die Integrität von Daten ist eine wachsende Sorge, da die Manipulation von Informationen durch KI erleichtert wird. Als Beispiel nennt Belcher Western Blots, eine Standardtechnik zur Identifizierung von Proteinen, die häufig manipuliert werden. Eine Studie aus dem Jahr 2016 zeigte, dass fast 4 Prozent der biomedizinischen Arbeiten duplizierte oder manipulierte Bilder enthielten, noch bevor generative KI diese Art der Fälschung trivialisierte. Manipulierte Daten könnten, wenn sie zur Schulung von KI-Modellen verwendet werden, katastrophale Folgen haben. Daher sind Tools zur Verifizierung der Datenintegrität dringend erforderlich.
Einige Anbieter gehen dieses Problem bereits an. Cytiva bietet beispielsweise den Image Integrity Checker an, der mithilfe sicherer Hash-Algorithmen – derselben Technologie, die in der Blockchain verwendet wird – Bildmanipulationen erkennt. Verlage zeigen großes Interesse an dieser Technologie, um die Echtheit publizierter wissenschaftlicher Bilder zu gewährleisten.
Belcher beschreibt die Zukunft der Medikamentenentwicklung mit vollständig autonomen Laboren, sogenannten „Dark Labs“ oder „Labs-in-the-Loop“. Diese rund um die Uhr arbeitenden Systeme durchlaufen Zyklen von Vorhersage, Testung und Optimierung und speisen die Ergebnisse zurück in die KI-Modelle. Dies soll die Erfolgsraten von Wirkstoffkandidaten in klinischen Studien verbessern und letztlich zu besseren Medikamenten mit weniger Nebenwirkungen führen. Eine konsistente Daten- und Infrastruktur ist dabei entscheidend.
Thema: Technologie / KI allgemein. Quelle/Inspiration: MIT Technology Review.