5 Fallstudien, die zeigen, wie KI die Vorhersagbarkeit in der Arzneimittelentwicklung verbessert

Künstliche Intelligenz wird zu einer der einflussreichsten Technologien in der pharmazeutischen Industrie, insbesondere wenn es darum geht, die Vorhersagbarkeit zu verbessern. Die Arzneimittelentwicklung war schon immer ein langer, teurer und komplexer Prozess, der oft mehr als ein Jahrzehnt und Milliarden von Dollar benötigt, um eine einzige Therapie auf den Markt zu bringen. KI in der Arzneimittelentwicklung wird zunehmend eingesetzt, um Entscheidungsfindung in F&E zu verbessern.

Einer der größten Beiträge zu diesen Herausforderungen ist Unvorhersehbarkeit — unvorhersehbare Wirkungen von Arzneimitteln, unvorhersehbare klinische Ergebnisse, unvorhersehbare Toxizitätsrisiken und unvorhersehbare Studienabbrüche. KI trägt dazu bei, das zu ändern.

,Durch die Analyse massiver Datensätze, das Erkennen verborgener Muster und die Erstellung datengetriebener Vorhersagen macht KI es möglich, Ergebnisse früher und genauer vorherzusehen als traditionelle Methoden. 

Viele Pharmaunternehmen, Forschungseinrichtungen und Biotech-Startups haben dies bereits in realen Szenarien demonstriert. Nachfolgend sind fünf überzeugende Fallstudien aufgeführt, die zeigen, wie KI die Vorhersagbarkeit in der Wirkstoffforschung und -entwicklung deutlich verbessert. Maschinelles Lernen-Modelle spielen eine zentrale Rolle bei der Verbesserung der Vorhersagegenauigkeit.

1) Vorhersage von Wirkstoff-Ziel-Interaktionen mit KI: Der BenevolentAI-Fall

Eine große Herausforderung in der frühen Wirkstoffentwicklung besteht darin festzustellen, ob ein Molekül in der gewünschten Weise mit einem biologischen Ziel interagiert. Traditionell erforderte dies Monate an Laborversuchen und mehrere Runden von Versuch und Irrtum. BenevolentAI, ein führendes AI-gesteuertes Unternehmen für Wirkstoffentdeckung, hat gezeigt, wie maschinelles Lernen diesen Prozess beschleunigen und verbessern kann. 

Die KI-Plattform des Unternehmens integriert große Mengen wissenschaftlicher Literatur, klinischer Daten, biochemischer Informationen und Genomdatensätze, um neue Zusammenhänge zwischen Krankheiten, Zielen und Molekülen zu identifizieren. Eines ihrer bemerkenswertesten Ergebnisse war während der COVID-19-Pandemie.

Mithilfe ihres KI-Systems sagte BenevolentAI schnell voraus, dass baricitinib, ein ursprünglich zur Behandlung von rheumatoider Arthritis zugelassenes Medikament, den viralen Eintritt von SARS-CoV-2 durch die gezielte Beeinflussung bestimmter an der Infektion beteiligter Signalwege hemmen könnte. 

Innerhalb weniger Tage identifizierte das KI-System den Wirkstoffkandidaten, der später in klinischen Studien positive Ergebnisse zeigte und in mehreren Regionen eine Zulassung zur Behandlung von COVID-19 erhielt. Dieser Fall verdeutlicht, wie KI die Hypothesengenerierung erheblich beschleunigen, die Genauigkeit von Wirkstoff-Ziel-Vorhersagen verbessern und die Identifikation vielversprechender Therapien in Rekordzeit ermöglichen kann. KI-Zielidentifikation verbessert zunehmend die Vorhersagbarkeit in der frühen Wirkstoffforschung.

2) Verbesserung klinischer Studienergebnisse mit KI: Die Medidata Rave Omics-Studie

Klinische Studien sind eine der riskantesten und unvorhersehbarsten Phasen der Arzneimittelentwicklung. Die meisten Misserfolge treten auf, weil Patienten anders als erwartet reagieren. Medidata, ein Unternehmen von Dassault Systèmes, zeigte in einer Fallstudie mit seiner Rave Omics-Plattform, wie KI die Vorhersagbarkeit in Studien erhöhen kann.

In Krebsstudien sind Patientenpopulationen oft genetisch vielfältig, was bedeutet, dass dasselbe Medikament bei einigen Patienten sehr gut wirken kann und bei anderen gar nicht.  Medidata nutzte KI, um genomische und klinische Daten von Studienparticipant:innen zu analysieren und molekulare Untergruppen zu identifizieren, die wahrscheinlich auf die Behandlung ansprechen.

In einer Studie zu einem Onkologie-Wirkstoff, der zuvor seine Endpunkte nicht erreicht hatte, entdeckte das Rave Omics-System spezifische genetische Signaturen, die stark mit einer positiven Wirkstoffreaktion assoziiert waren. Als die Forschenden die Daten neu auswerteten, stellten sie fest, dass das Medikament in dieser Untergruppe hochwirksam war. 

Diese Erkenntnis erlaubte eine bessere Patientenselektion und ein neu gestaltetes Studiendesign, das verbesserte Ergebnisse zeigte. Der Fall demonstriert, wie KI vorhersagen kann, welche Patient:innen von einer Therapie profitieren, wodurch Studienausfälle reduziert und die Effizienz der klinischen Entwicklung verbessert werden. KI in klinischen Studien ermöglicht bessere Patientenselektion und Ergebnisvorhersage.

3) Vorhersage von Toxizität und Sicherheitsrisiken: Das Beispiel Insilico Medicine

Unerwartete Toxizität ist einer der häufigsten Gründe, warum Wirkstoffkandidaten in präklinischen und klinischen Phasen scheitern. Insilico Medicine hat gezeigt, wie KI-gestützte Toxizitätsvorhersage diese Unsicherheit verringern kann. Das Unternehmen verwendet Deep-Learning-Modelle, die auf umfangreichen Toxikologie-Datensätzen trainiert wurden, um potenzielle Sicherheitsprobleme lange bevor ein Molekül Tierstudien oder klinische Versuche erreicht, vorherzusagen. 

In einer ihrer Fallstudien entwickelte Insilico ein Modell, das Hepatotoxizität (Lebertoxizität) anhand biologischer, chemischer und Genexpressionsdaten vorhersagen konnte. Bei Tests an neuen Verbindungen markierte das KI-Modell genau diejenigen Moleküle, die wahrscheinlich leberbedingte Nebenwirkungen verursachen würden.

Dies ermöglichte es Forschenden, kostspielige Fehlschläge zu vermeiden, indem unsichere Kandidaten frühzeitig eliminiert und sicherere Alternativen priorisiert wurden. 

Dasselbe KI-System wurde auch verwendet, um neuartige Moleküle mit verringerten Toxizitätsrisiken zu entwerfen. Dieses Praxisbeispiel zeigt, wie KI die Vorhersagbarkeit in der Sicherheitsbewertung verbessert und letztlich Pharmaunternehmen dabei hilft, klügere Entscheidungen zu treffen und das Wohl der Patient:innen zu schützen. KI-Toxizitätsvorhersage trägt dazu bei, Sicherheitsausfälle in späten Phasen zu reduzieren.

4) Verbesserung des Erfolgs bei der Zielidentifikation: Der Genentech–GNS Healthcare-Fall

Die Auswahl des richtigen Wirkstoffziels ist einer der wichtigsten Erfolgsfaktoren in der Arzneimittelentwicklung. Wenn das Ziel wenig verstanden oder biologisch irrelevant ist, werden selbst die besten Wirkstoffkandidaten scheitern. Genentech, ein Mitglied der Roche Group, ging eine Partnerschaft mit GNS Healthcare (jetzt bekannt als Aitia) ein, um KI und kausales Modellieren zur Untersuchung von Multiple Sklerose (MS) einzusetzen. 

Das Ziel war, biologische Signalwege zu identifizieren, die zur Krankheitsprogression beitragen, und potenzielle therapeutische Zielstrukturen zu bestimmen. Mithilfe kausaler KI-Modelle, die mit realen Patientendaten, Genomik, Laborergebnissen, Bildgebung und longitudinalen Informationen zur Krankheitsprogression trainiert wurden, entdeckten Genentech und GNS eine Reihe zuvor übersehener Biomarker, die stark mit dem Fortschreiten von MS assoziiert sind. 

Das KI-Modell sagte voraus, wie die Modifikation bestimmter Signalwege den Krankheitsverlauf verändern könnte, und half Forschern dabei, Zielstrukturen mit der höchsten Erfolgsaussicht zu priorisieren. Diese Arbeit lieferte umsetzbare Erkenntnisse, die traditionelle statistische Modelle nicht erkennen konnten.

Es ist ein eindrückliches Beispiel dafür, wie KI die Vorhersagbarkeit bereits in einem frühen Stadium verbessert, indem sie die Zielauswahl optimiert, die wissenschaftliche Unsicherheit reduziert und Forschungsanstrengungen dort fokussiert, wo sie am wichtigsten sind.

5) Beschleunigung der End-to-End-Wirkstoffforschung: Der Exscientia–Sumitomo Dainippon-Fall

Exscientia, ein auf KI basierendes Unternehmen für Wirkstoffdesign, hat wiederholt gezeigt, dass KI Zeitplanung, Genauigkeit und Vorhersagbarkeit über die gesamte Wirkstoffforschung hinweg verbessern kann. Eine ihrer bekanntesten Fallstudien ist die Partnerschaft mit Sumitomo Dainippon Pharma, die zum weltweit ersten, von KI entworfenen Wirkstoffkandidaten führte, der in klinische Studien eintrat. 

Das KI-System analysierte Millionen von Moleküldesigns, sagte deren Eigenschaften voraus, bewertete potenzielle Off-Target-Effekte und simulierte, wie sich jedes Molekül im menschlichen Körper verhalten könnte. Dadurch konnten Forschende viel schneller vielversprechende Kandidaten identifizieren als mit traditionellen Methoden.

Der Wirkstoffkandidat DSP-1181, der auf Zwangsstörung (OCD) abzielt, wechselte in weniger als 12 Monaten vom Projektbeginn bis zum Eintritt in klinische Studien — ein Prozess, der normalerweise vier bis fünf Jahre dauert. 

Diese dramatische Beschleunigung war möglich, weil das KI-Modell die Vorhersagbarkeit an jedem Entscheidungspunkt verbesserte, von der Moleküldesign- und -optimierung bis zur präklinischen Bewertung. Dieser Meilenstein zeigte, wie KI die Zeitpläne der Wirkstoffforschung transformieren und die Wahrscheinlichkeit erhöhen kann, dass ausgewählte Kandidaten in der weiteren Entwicklung erfolgreich sind.

Fazit

In diesen fünf Fallstudien wird ein Thema deutlich: KI verändert die Wirkstoffentwicklung, indem sie die Vorhersagbarkeit erhöht. Ob es darum geht, die richtigen Zielstrukturen zu identifizieren, sicherere Moleküle zu entwerfen, die passenden Patientengruppen auszuwählen oder klinische Ergebnisse vorherzusagen – KI hilft Forschenden, bereits früher im Prozess fundiertere Entscheidungen zu treffen.

Diese Verbesserungen senken die hohen Ausfallraten, die in der pharmazeutischen F&E traditionell auftreten, und führen zu einer schnelleren, effizienteren Entwicklung neuer Therapien. Prädiktive Analytik in der Pharmaindustrie wird zu einem treibenden Faktor für Effizienz in der F&E. 

Wenn mehr Unternehmen KI-Technologien implementieren und qualitativ hochwertigere Daten erzeugen, wird die Vorhersagbarkeit in der Wirkstoffentwicklung weiter zunehmen. Was früher Jahre manueller Forschung erforderte, kann jetzt in Tagen erreicht werden, und was zuvor auf Annahmen beruhte, kann nun datenbasiert gesteuert werden. Digitale Transformation in der Pharmaindustrie ermöglicht es, KI organisationsweit zu skalieren.

KI ist nicht nur ein Automatisierungswerkzeug, sondern ein Katalysator für intelligentere, verlässlichere und innovativere Wirkstoffentwicklung. Die Zukunft der pharmazeutischen F&E wird auf prädiktiver Intelligenz aufgebaut sein, und diese Fallstudien zeigen, dass die Transformation bereits begonnen hat.

Häufig gestellte Fragen

1: Wie verbessert KI die Vorhersagbarkeit in der Wirkstoffentwicklung?

KI erhöht die Vorhersagbarkeit, indem sie massive Datensätze wie Genomdaten, Aufzeichnungen klinischer Studien, chemische Strukturen und Real-World-Evidence analysiert, um verborgene Muster zu erkennen, die Menschen möglicherweise übersehen. Mithilfe von Machine-Learning-Modellen können Forschende vorhersagen, wie ein Wirkstoff mit einem Ziel interagiert, wie Patienten reagieren könnten und ob ein Molekül Toxizität verursachen kann. Das verringert die Unsicherheit in jeder Phase, von der frühen Entdeckung bis zu klinischen Studien, und hilft Unternehmen, schnellere, datengetriebene Entscheidungen zu treffen.

2: Warum ist KI wichtig, um Ausfälle in der Wirkstoffentwicklung zu reduzieren?

Ein Hauptgrund für Misserfolge in der Wirkstoffentwicklung ist Unvorhersehbarkeit, insbesondere in Bezug auf Sicherheit, Wirksamkeit und Patientenreaktionen. KI-Tools können Wirkstoff-Ziel-Interaktionen vorhersagen, genetische Subgruppen identifizieren, die wahrscheinlich von einer Behandlung profitieren, und Toxizitätsrisiken frühzeitig erkennen. Durch das Erkennen von Problemen, bevor sie eskalieren, hilft KI dabei, schwache Kandidaten früher auszusondern und klinische Studiendesigns zu verfeinern. Das senkt letztlich die Ausfallraten und spart erhebliche Zeit und Kosten.

3: Was sind einige reale Beispiele für KI, die die Wirkstoffentwicklung verbessert?

Mehrere reale Fallstudien zeigen die Auswirkungen von KI. BenevolentAI identifizierte binnen Tagen ein zugelassenes Arzneimittel (baricitinib) als potenzielle COVID-19-Therapie. Medidata nutzte KI, um genetische Subgruppen zu finden, die besser auf bestimmte Krebstherapien ansprechen, und verbesserte so die Ergebnisse klinischer Studien. Insilico Medicine sagte Toxizitätsrisiken frühzeitig voraus, während Genentech kausale KI einsetzte, um neue MS-Biomarker zu identifizieren. Exscientia produzierte sogar den weltweit ersten von KI entworfenen Wirkstoffkandidaten, der in klinische Studien eintrat. Diese Beispiele zeigen, wie KI die Genauigkeit erhöht, Zeitpläne beschleunigt und die Entscheidungsfindung über die gesamte Pipeline hinweg stärkt.