Wie AI-native Biotech-Unternehmen die Regeln der Wirkstoffforschung neu schreiben

Einführung: Eine neue Art von Biotech entsteht

Jahrelang folgte die Wirkstoffforschung einem vertrauten Muster: Jahre von Laborversuchen, Milliarden an Investitionen und eine hohe Fehlerrate. Die durchschnittliche Zeit, um ein neues Medikament auf den Markt zu bringen, lag traditionell bei 10 bis 15 Jahren, wobei die Kosten für ein zugelassenes Molekül häufig $2 Milliarden übersteigen. Ein Großteil dieser Zeit und dieses Gelds wird für Misserfolge verwendet, indem Hypothesen getestet werden, die sich beim Menschen nicht bewähren.

Nun verändert eine neue Welle von Unternehmen diese Gleichung. Dabei handelt es sich um AI-native Biotech-Unternehmen, Organisationen, die von Anfang an um künstliche Intelligenz herum aufgebaut wurden und nicht solche, die AI-Tools erst später übernahmen.Sie verwenden AI nicht als Feature; AI ist ihre Grundlage.

Dieser Wandel ist weitreichender, als es zunächst klingt. Es geht nicht nur um Geschwindigkeit. Es geht darum, wie Biologie selbst verstanden, modelliert und angegangen wird. Und er formt die gesamte Wertschöpfungskette der Pharmaindustrie neu.

Was macht ein Unternehmen "AI-Native"?

Der Begriff AI-native ist kein Marketingetikett. Er beschreibt eine spezifische Art, ein Biotech-Unternehmen aufzubauen und zu betreiben. Traditionelle Biotechs wurden um Wet Labs herum gebaut, in denen Wissenschaftler physische Experimente durchführen, um jeweils eine Hypothese zu testen. AI-native Biotechs kehren dieses Modell um. Sie bauen zuerst die rechnerische Infrastruktur auf und nutzen dann Laborarbeit, um das zu validieren, was die Algorithmen bereits vorhergesagt haben.

Wesentliche Merkmale von AI-native Biotech-Unternehmen umfassen:

1. Daten als Kernvermögen: Diese Unternehmen investieren stark in die Erzeugung proprietärer biologischer Datensätze, weil die Qualität von AI-Vorhersagen nur so gut ist wie die Daten, aus denen sie lernen.
2. Integrierte Biologie- und Machine-Learning-Teams: Biologen und Datenwissenschaftler arbeiten in derselben Schleife, nicht in getrennten Abteilungen.
3. Iterative Design-Build-Test-Zyklen: Anstatt linearer F&E führen sie schnelle rechnerische Zyklen durch, die Tausende von Hypothesen erzeugen, und wählen dann die vielversprechendsten für physische Tests aus.
4. Plattform-zentrierte Geschäftsmodelle: Viele AI-native Biotechs basieren auf einer Kernplattform, einer universell einsetzbaren Engine, die in mehreren Krankheitsbereichen und Wirkstoffmodalitäten angewendet werden kann.

Unternehmen wie Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine und Absci sind Beispiele für dieses Modell geworden. Jedes von ihnen hat differenzierte Plattformen aufgebaut, die über das hinausgehen, was traditionelle rechnerische Chemie- oder Bioinformatik-Tools leisten konnten.

Der Technologie-Stack hinter AI-Native Biotech

Um zu verstehen, was diese Unternehmen antreibt, muss man die zugrunde liegenden Technologien untersuchen, auf die sie bauen.

Große biologische Modelle: Ähnlich wie große Sprachmodelle (LLMs) wie GPT auf Text trainiert wurden, trainieren Unternehmen nun Foundation Models auf biologischen Sequenzen, Proteinen, DNA, RNA und kleinen Molekülen. Diese Modelle lernen die zugrunde liegende Grammatik der Biologie. AlphaFold, entwickelt von DeepMind (jetzt Teil von Isomorphic Labs), ist das prominenteste Beispiel. Es kann die 3D-Struktur praktisch jedes Proteins aus seiner Aminosäuresequenz vorhersagen, ein Problem, das Wissenschaftler 50 Jahre lang beschäftigt hatte.

Generative AI für Moleküldesign: Generative Modelle werden nun genutzt, um neuartige Wirkstoffmoleküle von Grund auf zu entwerfen. Anstatt eine Bibliothek bestehender Verbindungen zu screenen, können Unternehmen ein Modell bitten, ein Molekül zu erzeugen, das zu einem bestimmten biologischen Ziel mit gewünschten Eigenschaften, Löslichkeit, Toxizitätsprofil und Bindungsaffinität passt, alles in die Spezifikation integriert.

Multimodale Integration biologischer Daten: AI-native Unternehmen kombinieren Bildgebungsdaten, Genomik, Proteomik und klinische Befunde zu einheitlichen rechnerischen Modellen. Recursion Pharmaceuticals hat beispielsweise ein System aufgebaut, das zelluläre Bildgebungsdaten in massivem Umfang erfasst, Milliarden von Bildern, und Deep Learning nutzt, um krankheitsrelevante Muster zu identifizieren, die kein menschliches Auge erkennen könnte.

Autonome Laborsysteme: Einige Unternehmen koppeln AI-Vorhersagen mit robotischer Laborautomation. Das schafft einen geschlossenen Kreislauf, in dem AI ein Experiment vorschlägt, ein Roboter es ausführt und das Ergebnis mit minimalem menschlichen Eingriff wieder in das Modell zurückfließt.

Wo AI den größten Unterschied macht

AI-native Biotech-Unternehmen wirken sich auf den gesamten Wirkstoffentwicklungsprozess aus, aber die Fortschritte sind nicht in allen Phasen gleich verteilt.

Zielidentifikation und -validierung ist der Bereich, in dem AI wohl den größten Fortschritt erzielt hat. Die Identifizierung, welches biologische Ziel — ein Protein, Rezeptor oder Gen — für eine Krankheit verantwortlich ist, ist die erste und oft folgenreichste Entscheidung in der Wirkstoffentwicklung. Auf Genom- und Proteomdaten trainierte AI-Modelle können nun Ziele aufzeigen, die Forschern zuvor verborgen waren.

Moleküldesign und Optimierung ist der zweite Bereich schnellen Fortschritts. Ein Molekül zu entwerfen, das effektiv an ein Ziel bindet, im Körper stabil ist und keine Toxizität verursacht, ist ein Optimierungsproblem mit mehreren Zwängen. AI-Modelle, insbesondere solche, die Verstärkungslernen und diffusionbasierte generative Ansätze nutzen, eignen sich gut für diese Art von multiobjektivem Suche.

Design klinischer Studien und Patientensegmentierung sind eine aufkommende Grenze. AI beginnt Unternehmen dabei zu helfen, diejenigen Patienten zu identifizieren, die am ehesten auf eine Behandlung ansprechen, wodurch Studien kleiner, schneller und erfolgversprechender werden. Dies ist besonders relevant in der Onkologie, wo die Tumorbiologie zwischen Patienten stark variiert.

Vorhersage von Toxizität und ADMET-Eigenschaften, Absorption, Distribution, Metabolism, Excretion und Toxicity, früher im Prozess vorherzusagen, ist ebenfalls ein großer Gewinn. Historisch sind viele Wirkstoffkandidaten in späten Studien wegen Sicherheitsproblemen gescheitert, die erst in teuren Humanstudien entdeckt wurden. AI-Modelle können diese Risiken nun bereits in der Designphase erkennen.

Das Geschäftsmodell im Wandel

AI-native Biotech-Unternehmen verändern auch, wie die Branche über Wertschöpfung denkt.

Viele dieser Unternehmen verfolgen ein duales Modell: Sie entwickeln intern eigene Medikamentenpipelines und lizenzieren gleichzeitig ihre Plattform als Dienstleistung an große Pharmaunternehmen. Das schafft zwei Einnahmequellen: Meilensteinzahlungen und Lizenzgebühren aus Partnerschaften sowie schließlich Medikamentenverkäufe aus dem eigenen Portfolio.

Pharma-Giganten wie Pfizer, Merck, Sanofi und AstraZeneca haben in den letzten Jahren alle bedeutende Partnerschaften mit AI-native Biotech-Unternehmen geschlossen. Diese Vereinbarungen sind oft als Co-Development-Arrangement strukturiert, bei dem das AI-Unternehmen Zielidentifikation oder molekulares Design liefert und das Pharmaunternehmen die klinische Entwicklung und Kommerzialisierung finanziert.

Dieses Partnerschaftsmodell beschleunigt auch den Zugang zu realen klinischen Daten, die eine der wertvollsten und knappsten Ressourcen für das Training biologischer AI-Modelle sind. Große Pharmaunternehmen verfügen über Jahrzehnte klinischer Daten, die AI-native Startups nicht leicht replizieren können.

AI-native Biotech beschleunigt die Entdeckung, aber Moleküle müssen dennoch komplexe regulatorische Wege vom IND bis zur Zulassung durchlaufen.

Den Prozess zu verstehen hilft.

→ Lesen: Regulatorische Wege für Biopharmazeutika erkunden

Herausforderungen, die weiterhin bestehen

Trotz des Schwungs steht AI-native Biotech vor realen und ernsten Herausforderungen.

Datenqualität und biologische Störsignale: Biologie ist von Natur aus verrauscht. Experimentelle Ergebnisse variieren zwischen Laboren, Zelllinien und Bedingungen. Das Training von AI-Modellen mit minderwertigen oder inkonsistent erzeugten Daten kann zu übermäßig sicheren Vorhersagen führen, die in der Klinik versagen.

Generalisation auf die menschliche Biologie: Die meisten Trainingsdaten stammen aus Zelllinien oder Tiermodellen. Vorhersagen auf die menschliche Biologie zu übertragen, bleibt eines der schwierigsten Probleme in der gesamten Medizin, und AI hat es noch nicht gelöst.

Regulatorische Unsicherheit: Regulierungsbehörden wie die FDA und EMA entwickeln weiterhin Rahmenwerke zur Bewertung von AI-generierten Nachweisen in Arzneimittelanmeldungen. Fragen zur Interpretierbarkeit von Modellen, zur Herkunft von Daten und zu algorithmischer Voreingenommenheit sind noch ungeklärt.

Kosten für Talente und Infrastruktur: Der Aufbau und Betrieb dieser Plattformen erfordert spezialisiertes Personal an der Schnittstelle von Machine Learning, Biologie und Chemie, ein weltweit kleines Reservoir. Die für das Training großer biologischer Modelle benötigte Recheninfrastruktur ist ebenfalls kostenintensiv.

AI-native Plattformen stehen für eine Grenze der digitalen Transformation.

Erfahren Sie, wie Pharmaunternehmen AI in allen Bereichen verankern, nicht nur in der Entdeckung.

→ Lesen: Digitale Transformation in der Pharmaindustrie: Anwendungsfälle

Wie die Zukunft aussehen könnte

Die wichtigste Entwicklung in diesem Bereich steht vielleicht noch bevor: die Konvergenz von AI-native Wirkstoffentdeckung mit AI-native klinischer Entwicklung. Wenn AI nicht nur die Entdeckungsphase komprimieren, sondern auch die Planung und Durchführung klinischer Studien beschleunigen kann, könnte der traditionelle Zeitrahmen von 10 bis 15 Jahren dramatisch schrumpfen.

Mehrere Unternehmen experimentieren bereits mit adaptiven Studiendesigns, die von AI gesteuert werden und Echtzeitpatientendaten nutzen, um Studienparameter zu ändern, ohne die statistische Integrität zu gefährden. Andere entwickeln digitale Biomarker und AI-gestützte Diagnostika, die eine kontinuierliche Patientenüberwachung außerhalb traditioneller klinischer Umgebungen ermöglichen könnten.

Es besteht auch wachsendes Interesse an dem, was einige Forscher "programmierbare Biologie", nennen — die Idee, dass Zellen selbst schließlich mithilfe von AI-gestützten genetischen Werkzeugen wie CRISPR entworfen und angepasst werden könnten, sodass Behandlungen hochspezifisch auf die Biologie eines einzelnen Patienten zugeschnitten sind.

Fazit

AI-native Biotech-Unternehmen sind kein Trend. Sie stellen einen strukturellen Wandel dar, wie Medikamente entdeckt und entwickelt werden. Indem sie Biologie als Datenproblem behandeln und AI in jeder Schicht ihrer Aktivitäten verankern, erzielen diese Unternehmen Ergebnisse, die noch vor fünf Jahren nicht möglich waren. Sie finden Ziele, die übersehen wurden, entwerfen Moleküle, die besser zur Biologie passen, und kommen in der frühen Entwicklung schneller voran als jede vorherige Generation von Pharmaunternehmen.

Der Weg vor uns hat weiterhin große Hindernisse — regulatorische, wissenschaftliche und kommerzielle. Aber die Richtung ist klar. Die nächste Generation bahnbrechender Medikamente wird aller Wahrscheinlichkeit nach zunehmend einen Algorithmus an ihrer Quelle haben.

Häufig gestellte Fragen (FAQs)

1. Was ist ein AI-native Biotech-Unternehmen? 

Ein AI-native Biotech-Unternehmen ist eines, das von Grund auf um künstliche Intelligenz aufgebaut ist, das heißt AI treibt die Zielentdeckung, das Moleküldesign und Forschungsworkflows an, statt nur auf traditionelle Laborprozesse aufgesetzt zu werden.

2. Wie beschleunigt AI die Wirkstoffentdeckung? 

AI kann umfangreiche biologische Datensätze analysieren, Proteinstrukturen vorhersagen, Wirkstoffmoleküle rechnerisch entwerfen und Toxizitätsrisiken frühzeitig identifizieren, wodurch Zeit und Kosten der frühen F&E-Phase im Vergleich zu herkömmlichen experimentellen Ansätzen erheblich reduziert werden.

3. Welche AI-native Biotech-Unternehmen gehören zu den führenden Akteuren? 

Bemerkenswerte Unternehmen sind Recursion Pharmaceuticals, Isomorphic Labs, Insilico Medicine, Absci und Exscientia, jeweils mit differenzierten AI-Plattformen, die unterschiedliche Teile des Wirkstoffentwicklungsprozesses adressieren.

4. Was ist AlphaFold und warum ist es für die Biotech-Branche wichtig? 

AlphaFold ist ein Deep-Learning-Modell, das von DeepMind entwickelt wurde und die 3D-Struktur von Proteinen aus ihren Aminosäuresequenzen vorhersagt. Die genaue Vorhersage von Proteinstrukturen ist die Grundlage für das Wirkstoffdesign, und AlphaFold hat dies erstmals in großem Umfang zugänglich gemacht.

5. Gibt es regulatorische Rahmenbedingungen für mit KI entdeckte Arzneimittel? 

Regulierungsbehörden wie die FDA und die EMA erarbeiten aktiv Leitlinien zur Nutzung von KI in der Arzneimittelentwicklung. Derzeit durchlaufen mit KI entdeckte Arzneimittel dieselben klinischen Prüfungen und Zulassungsverfahren wie konventionell entwickelte, doch stehen Modelltransparenz und Datenqualität zunehmend unter strengerer Prüfung.