Wie KI Wissenschaftlern dabei hilft, Medikamente der nächsten Generation zu entwickeln

Künstliche Intelligenz revolutioniert die Arzneimittelentwicklung – Chancen und Herausforderungen für europäische Pharmakonzerne

Die Entwicklung neuer Medikamente gehört zu den kapitalintensivsten und fehleranfälligsten Herausforderungen der Wissenschaft. Durchschnittlich dauert es über zehn Jahre, bis ein Wirkstoff die Zulassung erreicht. Bei biologischen Arzneimitteln – therapeutische Proteine statt synthetischer Chemikalien – verschärft sich die Komplexität erheblich. Wissenschaftler müssen aus Milliarden möglicher Moleküle jene wenigen identifizieren, die an das richtige Zielprotein binden, im menschlichen Körper stabil bleiben und im großen Maßstab herstellbar sind.

Hier setzt ein Paradigmenwechsel an: Computergestützte Optimierungsverfahren verkürzen Entwicklungszyklen drastisch. Der britisch-schwedische Konzern AstraZeneca funktioniert seine Forschung nach einem „Build-Measure-Learn"-Prinzip um: Algorithmen generieren oder priorisieren Kandidaten, Wissenschaftler konzentrieren Laborressourcen nur auf die vielversprechendsten Varianten. Das Ergebnis: Weniger Sackgassen, schnellere Iterationen, neue therapeutische Ansätze gegen bislang als „undruggable" geltende Ziele.

Datenqualität als strategischer Wettbewerbsvorteil

McKinsey prognostiziert, dass computergestützte Verfahren die Entwicklungszeiten um bis zu 50 Prozent verkürzen könnten. Doch jedes Modell ist nur so leistungsfähig wie seine Trainingsdaten. In der Pharmaforschung bedeutet das: umfangreiche, hochwertige biologische Datensätze. AstraZeneca hat hier einen klaren Vorsprung aufgebaut – proprietäre, multimodale Datenbestände mit Molekülstrukturen, Bindungsmessungen, Sicherheitsprofilen und Herstellungsergebnissen aus mehreren Indikationsbereichen. Diese Daten ermöglichen die Optimierung von Frontier-Modellen mit deutlich aussagekräftigeren Trainingssets.

Für europäische Pharmakonzerne – insbesondere in Deutschland, Österreich und der Schweiz – ergibt sich hier eine strategische Frage: Wie lässt sich eine vergleichbare Datenbasis aufbauen, ohne in einen technologischen Rückstand zu geraten? Die Investition in tiefgreifende Screening-Technologien und standardisierte Dateninfrastrukturen wird zum Erfolgsfaktor.

Vom autonomen Labor zur „De-novo"-Medikamentenentwicklung

AstraZeneca errichtet in Cambridge ein „Lab of the Future" – ein geschlossenes System, in dem Algorithmen Hypothesen generieren, Robotersysteme Experimente ausführen und Instrumente Daten erfassen. Diese Daten fließen unmittelbar zurück in die Modelle. Auf Wochen- oder Monatsbasis könnten solche Systeme tausende molekulare Interaktionen evaluieren.

Das Endziel ist die Generierung völlig neuer Proteinsequenzen „from scratch" – ein Ansatz, der Struktur, Sicherheitsprofil, Bioverfügbarkeit und Herstellbarkeit in einem Zug optimiert. Dafür sind jedoch mindestens drei Komponenten notwendig: standardisierte, reichhaltige Trainingsdaten über Industrien hinweg, robuste Evaluierungsbenchmarks und multidisziplinäre Teams. Das kritischste Element: verlässliche Sicherheitsvorhersagen. AstraZeneca adressiert dies mit virtuellen klinischen Studien – fortgeschrittene Zellsysteme und Organ-Modelle im Miniaturformat, gekoppelt mit Lernalgorithmen.

Fazit: Technologie braucht menschliche Governance

Trotz aller Automation bleibt die menschliche Überwachung zentral. Wissenschaftler werden nicht ersetzt, sondern arbeiten mit autonomen Systemen zusammen – als kritische Partner, die Ergebnisse kontextualisieren, ethische Standards sichern und strategische Prioritäten setzen. Für Entscheider in der Pharmabranche bedeutet das: Die nächste Wettbewerbsrunde wird nicht allein von Technologie entschieden, sondern von der Fähigkeit, Maschinen- und Humankapital sinnvoll zu integrieren.