Die Entwicklung neuer Medikamente ist ein langwieriger, kostspieliger und fehleranfälliger Prozess. Insbesondere bei biologischen Medikamenten, die aus speziell entwickelten Proteinen anstelle synthetischer Chemikalien bestehen und zur Behandlung vieler akuter und chronischer Krankheiten eingesetzt werden, ist die Komplexität hoch. Künstliche Intelligenz (KI) beschleunigt diese Prozesse nun erheblich und etabliert sich als fester Bestandteil der Infrastruktur in der pharmazeutischen Forschung und Entwicklung (F&E).
Effizienzsteigerung in der Medikamentenentwicklung
Wissenschaftler untersuchen riesige Mengen potenzieller Moleküle, um jene wenigen zu finden, die an das richtige Ziel binden, im menschlichen Körper stabil bleiben und in großem Maßstab hergestellt werden können. KI-gestützte Designmethoden werden zunehmend zur Entwicklung biologischer Wirkstoffkandidaten eingesetzt. Unternehmen wie AstraZeneca bauen ihre Engineering-Teams aktiv aus, um diese Ansätze voranzutreiben. Puja Sapra, Senior Vice President und Leiterin für F&E Biologics Engineering und Oncology Targeted Discovery bei AstraZeneca, erklärt: „Alles, was wir tun – sei es Design, Herstellung, Test oder Analyse – ist jetzt computergestützt. Die Zykluszeiten verkürzen sich, während Produktivität und Innovation steigen.“
AstraZenecas Ansatz folgt einem „Build-Measure-Learn“-Zyklus. KI generiert oder priorisiert rechnerisch potenzielle Moleküle und prognostiziert, welche Designs am wahrscheinlichsten erfolgreich sein werden. Wissenschaftler konzentrieren ihre Laborressourcen dann ausschließlich auf die am höchsten bewerteten Kandidaten. Dies führt zu einem engeren Feedback-Zyklus mit weniger Sackgassen, schnellerer Iteration und der Möglichkeit, Krankheitsziele anzugehen, die zuvor als medizinisch unbehandelbar galten. Da die Anzahl möglicher molekularer Kombinationen die Möglichkeiten eines menschlichen Teams bei weitem übersteigt, ist der Einsatz von KI zur Eingrenzung und Verfeinerung der Testoptionen zu einem Schwerpunkt im Design biologischer Medikamente geworden.
Neue Medikamentenklassen und Multi-Target-Ansätze
Über die Beschleunigung von Zeitplänen hinaus wird KI auch zur Entdeckung völlig neuer Medikamentenklassen eingesetzt. Traditionelle Biologika zielen typischerweise auf einen einzigen Krankheitspfad ab. Die nächste Generation von Medikamenten könnte mehrere Ziele gleichzeitig erreichen oder therapeutische Nutzlasten präzise an bestimmte Zellen liefern. Dies erfordert eine Optimierung über viele Variablen hinweg. Zukunftsweisende KI-gesteuerte Modelle könnten helfen, diese zunehmend komplexen, multispezifischen Biologika zu entwerfen, so Puja Sapra. Sie führt aus: „Solche Modelle könnten beispielsweise dabei helfen, welche zwei oder drei Ziele basierend auf der zugrunde liegenden Biologie zu priorisieren sind, und dann über mehrere Parameter hinweg optimieren, um die Wirksamkeit, Stabilität, Herstellbarkeit und Sicherheit eines Moleküls auszugleichen.“ Sapra betont, dass die Behandlung von bisher „nicht behandelbaren“ Krankheiten zur Realität wird und das Potenzial für Patienten bemerkenswert sei.
McKinsey schätzt, dass generative KI in Kombination mit anderen computergestützten Tools die Zeitpläne für die Medikamentenentdeckung um bis zu 50 Prozent verkürzen könnte.
Die Rolle von Daten und Automatisierung
Jedes KI-Modell ist nur so gut wie seine Trainingsdaten. In der Medikamentenentdeckung bedeutet dies umfangreiche Mengen an hochwertigen biologischen Daten. Experimente liefern eine reichhaltige Quelle solcher Daten; sowohl erfolgreiche als auch fehlgeschlagene Experimente generieren Signale darüber, was funktioniert und was nicht. Sapra erklärt, dass AstraZenecas Datensätze proprietär und multimodal sind und molekulare Strukturen, Bindungsmessungen, Sicherheitsprofile und Herstellungsergebnisse umfassen. „Wir haben ein bewusst vielfältiges Portfolio über mehrere Krankheitsbereiche und Medikamententypen hinweg aufgebaut. All diese Daten ermöglichen es uns, führende KI-Modelle mit reichhaltigeren, repräsentativeren Trainingssätzen zu verfeinern.“ Das Unternehmen investiert zudem in Tiefen-Screening-Technologien, um zusätzliche Datensätze in großem Umfang zu generieren und die Modelle kontinuierlich zu verfeinern und zu validieren.
Um all diese Daten an einem Ort zusammenzuführen, baut AstraZeneca eine „Labor der Zukunft“-Einrichtung in Kendall Square, Cambridge, Massachusetts. Dort werden KI und Robotik eine kontinuierliche, geschlossene Entdeckungssystem bilden können. „Wo ein selbstfahrendes Auto Sensoren und Modelle zur Navigation seiner Umgebung nutzt, verwendet dieses System KI, um Vorhersagen zu treffen, Robotersysteme zur Durchführung von Experimenten und Instrumente zur Datengenerierung“, erklärt Sapra. Diese Daten fließen direkt in die Modelle zurück und beschleunigen jeden nachfolgenden Zyklus. Wissenschaftler bleiben dabei zentral im Prozess, indem sie die Aufsicht, das Urteilsvermögen und die strategische Ausrichtung bieten, um sicherzustellen, dass die Ergebnisse erklärbar, tolerierbar und auf den potenziellen Patientennutzen ausgerichtet sind.
Letztendlich werden automatisierte Hochdurchsatzsysteme wöchentlich Tausende molekularer Interaktionen erstellen und bewerten können. Dies wird KI-fähige Daten in einem Umfang generieren, den traditionelle Arbeitsabläufe nicht erreichen können. Robotische Probenhandhabung, automatisierte Qualitätskontrollen und integrierte Datenpipelines haben das Potenzial, die frühen Phasen der Medikamentenentwicklung erheblich zu beschleunigen.
Vision: De-novo-Design und Sicherheitsherausforderungen
Die Endvision für KI in der biologischen Medikamentenentdeckung ist das sogenannte „De-novo-Design“. Hierbei ist das Ziel, dass KI völlig neue Proteinsequenzen generiert, die präzise den gewünschten Medikamenteneigenschaften entsprechen. Dies umfasst das Design der Struktur, die Vorhersage der Sicherheit, des Verhaltens im Körper und der Herstellbarkeit. „Das Feld macht große Fortschritte in Richtung eines vollständig KI-generierten Biologikums, das von Grund auf bis zu einem klinischen Kandidaten entworfen wird“, sagt Sapra. Es ist eine Frage der Zeit, bis diese Realität erreicht wird.
Um diesen Punkt zu erreichen, sind mehrere Schlüsselelemente erforderlich: reichhaltigere und standardisierte Trainingsdaten in der gesamten Branche, robuste Bewertungsmaßstäbe für KI-generierte Kandidaten und Teams, die an der Schnittstelle von maschinellem Lernen und Biologie arbeiten können. Von allen Voraussetzungen ist jedoch die Sicherheitsprognose die vielleicht wichtigste und am wenigsten diskutierte, so Sapra. AstraZeneca geht dieses Problem mit „virtuellen klinischen Studien“ an. Dabei handelt es sich um fortschrittliche Zellsysteme und Mikromaßstabs-Organmodelle, die als physische Testumgebungen dienen und mit KI gekoppelt sind, die aus deren Ergebnissen lernt.
Thema: Technologie / KI allgemein. Quelle/Inspiration: MIT Technology Review.