Vijay Pande, der vergangenes Jahr die rund 4 Milliarden US-Dollar schwere Biotechnologie-Sparte von a16z verlassen hat, um die deutlich kleinere, KI-native Firma VZVC zu gründen, fokussiert sich auf eine geringere Anzahl konzentrierter Investitionen pro Jahr. Gemeinsam mit Zach Werner gründete er VZVC, um die Entwicklung der Biologie von einer Entdeckungs- zu einer Ingenieurwissenschaft voranzutreiben, maßgeblich unterstützt durch Künstliche Intelligenz.
Pandas Weg und die Neuausrichtung
Vor seiner Zeit als Investor war Vijay Pande vor allem in akademischen Kreisen bekannt. Er war Professor für Chemie in Stanford und entwickelte Folding@home, ein Projekt für verteiltes Rechnen, das Millionen von Heim-PCs zu einem Supercomputer für die Krankheitsforschung verband. Vor etwa zwölf Jahren übernahm Pande die Leitung der neu gegründeten Biotechnologie- und Biowissenschaftssparte von a16z, die er über ein Jahrzehnt hinweg zu einem Bereich mit einem verwalteten Vermögen von fast 4 Milliarden US-Dollar ausbaute. Sein Wechsel im Juni des letzten Jahres zu VZVC war daher unerwartet. Die neue Firma zeichnet sich durch eine geringe Anzahl konzentrierter Investitionen pro Jahr aus, verzichtet auf Juniorpartner und integriert KI stark in ihre täglichen Abläufe.
Biologie als Ingenieurwissenschaft durch KI
Pande sieht die Biologie im Wandel von einer reinen Entdeckungswissenschaft zu einer Ingenieurwissenschaft. Künstliche Intelligenz und maschinelles Lernen ermöglichen es Computern, komplexe biologische Prozesse zu verstehen. Dies beinhaltet die Identifizierung von Zielstrukturen für Medikamente bei spezifischen Krankheiten, die Entwicklung dieser Medikamente und die Unterstützung bei klinischen Studien. Letztere stellen den teuersten Teil des Entwicklungsprozesses dar.
Herausforderungen bei klinischen Studien
Obwohl KI die Kosten und den Zeitaufwand bis zum Beginn klinischer Studien reduziert, können die Studien selbst immer noch Hunderte von Millionen US-Dollar kosten. Die Wahrscheinlichkeit, dass ein Medikament von der ersten bis zur dritten Studienphase erfolgreich ist, liegt bei lediglich 20 Prozent. Die hohe Misserfolgsquote, bei der acht von zehn Medikamenten scheitern, treibt die amortisierten Kosten in die Höhe. Ein Hauptgrund für das Scheitern ist, dass Tierversuche, wie an Mäusen, oft keine zuverlässigen Vorhersagen für den Menschen liefern. KI-Modelle versprechen hier eine deutlich höhere Vorhersagekraft.
Präzisionsmedizin für individuelle Behandlungen
Ein weiteres zentrales Anwendungsfeld der KI ist die sogenannte Präzisionsmedizin. Anstatt Medikamente basierend auf populationsweiten Durchschnittswerten zu verschreiben, ermöglicht die KI eine individualisierte Behandlung. Sie kann erkennen, ob bestimmte Werte für eine Person ungewöhnlich sind und so das „richtige“ Medikament beim ersten Versuch finden, was in Bereichen wie der Krebsbehandlung von großer Bedeutung wäre. Dieser Fortschritt wird durch die Messung weiterer biologischer Marker jenseits der Genomik, wie etwa in der Proteomik, sowie durch Automatisierung und Robotik in der Messung ermöglicht.
Daten als Schlüssel und Herausforderung
Im Gegensatz zu Textdaten, die sich leicht aus dem Internet sammeln lassen, können biologische Daten nicht einfach „abgeschöpft“ werden. Dies führt dazu, dass viele Unternehmen eigene, isolierte Datensätze aufbauen. Pande sieht hierin eine Herausforderung, aber auch eine Chance. Er prognostiziert einen Trend hin zu geteilten, offenen Datensätzen – sogenannten biologischen Informations-Atlanten oder Foundation Models. Ähnlich wie offene Large Language Models (LLMs) im Vergleich zu proprietären Modellen erfolgreich sind, könnten offene Foundation Models in der Biologie eine breite Wirkung entfalten und die Grenzen zwischen medizinischen Fachgebieten überwinden, indem sie Muster erkennen, die für einzelne Ärzte nicht sichtbar wären.
Thema: Technologie / KI allgemein. Quelle/Inspiration: TechCrunch.