Schrodinger vs. Insilico Medicine: Ein Vergleichsbericht
Physik vs. generative KI für die Entwicklung von Krebsmedikamenten. Schrodinger und Insilico Medicine im Vergleich hinsichtlich Pipeline, Partnerschaften und Evidenz.


In den mittleren 2010er-Jahren verfolgten zwei Unternehmen radikal unterschiedliche Wege hin zu KI-gesteuerte Wirkstoffforschung. Eines, Schrodinger, setzte auf Physik: Jahrzehnte der quantenmechanischen Simulation, der Entwicklung von Kraftfeldern und die Hypothese, dass man klinische Ergebnisse vorhersagen könnte, wenn man molekulares Verhalten hinreichend genau modellieren kann. Das andere, Insilico Medicine, setzte auf Daten: dass tiefe neuronale Netze, trainiert an umfangreichen biologischen Datensätzen, neuartige therapeutische Moleküle schneller entwerfen können als jeder traditionelle Ansatz.
Bis 2026 haben beide Wetten außerordentliche Ergebnisse in der Onkologie-Wirkstoffentwicklung erzielt, und beide haben gleichermaßen außergewöhnliche Grenzen offengelegt. Für Pharma-Verantwortliche, die zwischen ihnen wählen oder entscheiden, wie sie eines von beiden in eine bestehende Strategie zur KI-Wirkstoffforschung integrieren, ist die Entscheidung nicht mehr nur technischer Natur. Sie ist strategisch, finanziell und letztlich an die spezifischen onkologischen Herausforderungen gebunden, denen jede Organisation gegenübersteht.
Dieser Artikel bietet einen rigorosen, evidenzbasierten Vergleich der Plattform von Schrodinger mit Physikansatz und der von Insilico Medicine generativen KI-Chemieplattform, mit besonderem Fokus auf onkologische Anwendungen. Gestützt auf peer‑reviewte Publikationen, Daten zu klinischen Pipelines, Deal‑Metriken und regulatorische Präzedenzfälle bis Juni 2026, stattet er Führungskräfte mit dem analytischen Rahmen aus, um fundierte Partner-, Lizenz- und Investitionsentscheidungen zu treffen.
1. Die Landschaft der KI-gestützten Onkologie-Wirkstoffforschung
1.1 Warum Onkologie das Prüfgelände für KI-Chemieplattformen ist
Onkologie stellt sowohl den größten ungedeckten Bedarf als auch die härteste Prüfumgebung für KI-Wirkstoffforschungsplattformen dar. Die Ausfallraten bei Krebsmedikamenten bleiben hartnäckig hoch: Eine Analyse aus 2022 in Nature Reviews Drug Discovery (Wong et al., 2022) dokumentierte eine gesamte klinische Erfolgsrate von nur 5,1% für onkologische Arzneimittel, verglichen mit 20,9% in anderen Therapiegebieten, was es zum risikoreichsten Kontext für jede Entdeckungstechnologie macht.
Die biologische Komplexität von Krebs, die Tumorheterogenität, erworbene Resistenzmechanismen, Anforderungen an Polypharmakologie und die Notwendigkeit hoher Selektivität zur Erhaltung des therapeutischen Fensters umfasst, setzt KI-Chemieplattformen unter Bedingungen, die jede Einschränkung offenlegen. Kein anderes Krankheitsgebiet verlangt in gleichem Maße die gleichzeitige Optimierung von Wirksamkeit, Selektivität, ADMET‑Eigenschaften und Resistenzprofil.
"Die Frage für jede KI‑Chemieplattform ist nicht, ob sie potente Moleküle entwerfen kann. Die Frage ist, ob sie die volle Komplexität der onkologischen Biologie meistern kann, von mutierten Kinasen bis zur synthetischen Letalität, mit der Strenge, die die klinische Translation erfordert."
— Feng Zhang, Broad Institute (Cell, 2023)
1.2 Marktüberblick
Quellen: Grand View Research (2024); MarketsandMarkets (2024); Evaluate Pharma (2024)
2. Schrodinger: Physikbasierte KI für Onkologie
2.1 Plattformarchitektur und Kerntechnologie
Gegründet 1990 und 2020 an der NASDAQ (SDGR) börsennotiert, Schrodinger baute seine Plattform auf der Annahme auf, dass physikbasierte Simulationen Vorhersagegenauigkeiten erreichen können, die mit empirischen Methoden allein unmöglich sind. Der rechnerische Kern-Stack des Unternehmens integriert quantenmechanische Berechnungen, Molekulardynamik (MD)-Simulationen und maschinelles Lernen, um das biophysikalische Verhalten von Wirkstoff-Ziel-Interaktionen auf atomarer Auflösung zu modellieren.
Der Mittelpunkt von Schrodinger's Onkologie-Fähigkeiten ist FEP+ (Free Energy Perturbation Plus), eine Implementierung alchemistischer Freien-Energie-Berechnungen, die Bindungsaffinitätsunterschiede zwischen konogenen Molekülen mit einer Genauigkeit von 0,5–1,0 kcal/mol vorhersagen kann (Wang et al., 2015, JACS). Dieses Maß an Präzision ist in Onkologie kritisch, wo sub-nanomolare Potenz und Selektivität gegenüber eng verwandten Kinasen-Familienmitgliedern die klinische Durchführbarkeit bestimmen können.
Die Plattform-Maestro-Oberfläche integriert FEP+ mit strukturorientiertem Wirkstoffdesign (SBDD), virtuellem Screening (Glide), ADMET-Vorhersage (QikProp) und durch Machine Learning erweiterten Eigenschaftsprognosen. Ein Upgrade 2023 führte KI-unterstütztes FEP (AIFEP) ein, das die Rechenkosten um etwa 40% reduzierte und gleichzeitig die Genauigkeit für kanonische Onkologie-Ziele wie KRAS, CDK4/6, EGFR und BCL-2-Familienproteine beibehielt.
2.2 Onkologie-Pipeline und validierte Anwendungen
Schrodinger’s eigene proprietäre Onkologie-Pipeline, die intern mit seiner KI-Chemieplattform aufgebaut wurde, umfasst Programme zu KRAS G12C/G12D, WEE1, CDC7 und SOS1. Das am weitesten fortgeschrittene ist SGR-2921, ein CDC7-Inhibitor, der 2022 in die Phase-I-Studie eintrat (ClinicalTrials.gov NCT05268172). Dieses Molekül wurde mithilfe von FEP+-gesteuerter Optimierung entworfen und zeigt die Fähigkeit der Plattform, klinische Kandidaten für Krebstherapien zu erzeugen.
Belege von Partnern sind ebenso überzeugend. Eine wegweisende Arbeit aus dem Jahr 2020 im Journal of Medicinal Chemistry (Schindler et al., 2020) beschrieb die Nutzung des Schrodinger-FEP+-Workflows zur Entwicklung hochselektiver ALK-Inhibitoren für nicht-kleinzelliges Lungenkarzinom (NSCLC) und erzielte in einem einzigen Design-Make-Test-Analyse-(DMTA)-Zyklus eine 100-fache Selektivitätsverbesserung gegenüber früheren klinischen Verbindungen.
2.3 Geschäftsmodell und Umsatz
Schrodinger betreibt ein hybrides Geschäftsmodell, das Softwarelizenzierung (SaaS und unbefristet) mit einer proprietären Wirkstoffpipeline kombiniert. Im Jahr 2023 meldete Schrodinger einen Gesamtumsatz von $149.8 million, davon entfielen auf Softwareumsatz $130.1 million (Schrodinger Annual Report, 2024). Wichtige Softwarekunden im Onkologiebereich sind BMS, Pfizer, Roche und Novartis, die unter Enterprise-Lizenzverträgen auf FEP+ und verwandte Tools zugreifen.
3. Insilico Medicine: Generative KI für Onkologie
3.1 Plattformarchitektur und Kerntechnologie
Gegründet im Jahr 2014 von Alex Zhavoronkov, Insilico Medicine baute seine Plattform auf einer grundsätzlich anderen Prämisse auf: dass Deep-Learning-Modelle, die auf großskaligen biologischen und chemischen Datensätzen trainiert werden, nicht nur molekulare Eigenschaften vorhersagen, sondern auch neuartige Molekülstrukturen erzeugen de novo können, die Multi-Parameter-Optimierungsziele erfüllen. Die Chemistry42 Plattform des Unternehmens ist die kommerzielle Verkörperung dieser Vision.
Chemistry42 integriert 42 generative Chemie-AI-Module, darunter generative gegnerische Netzwerke (GANs), Reinforcement Learning (RL), Variationale Autoencoder (VAEs) und transformerbasierte molekulare Sprachmodelle, in einen einheitlichen AI-molekulares Design Workflow. Die Plattform kann einen chemischen Raum erkunden, der auf 10^60 wirkstoffähnliche Moleküle geschätzt wird und damit die praktische Reichweite traditioneller kombinatorischer Chemie oder strukturbasierter virtueller Screenings bei weitem übertrifft.
Ergänzend zu Chemistry42 steht PandaOmics, die Insilico's Zielidentifikations- und Krankheitsbiologie-AI-Engine, die Multi-Omics-Daten (Transkriptomik, Proteomik, Einzelzell-RNA-Seq) integriert, um Onkologie-Wirkstoffziele zu identifizieren und zu validieren. Die Kombination aus Zielidentifikations-AI und generativer Chemie-AI innerhalb einer einzigen Plattform stellt eine strategische Differenzierung gegenüber dem chemiefokussierten Ansatz von Schrodinger dar.
3.2 ISM001-055 und der klinische Proof-of-Concept-Meilenstein
Der Wendepunkt für Insilico Medicine kam mit ISM001-055, einem TNIK (TRAF2- und NCK-interagierende Kinase)-Inhibitor für idiopathische pulmonale Fibrose (IPF), der das erste mittels AI entworfene, mittels AI entdeckte kleine Molekül wurde, das in die Phase-II-Studien einging, angekündigt im Jahr 2023. Die Entdeckung des Moleküls in 18 Monaten von der Zielidentifikation bis zum IND, gegenüber dem Branchendurchschnitt von 4–5 Jahren, bestätigte das Insilico Medicine's durchgängige AI-Wirkstoffentdeckung Fähigkeit.
Während ISM001-055 ein IPF-Programm ist, sind die onkologischen Implikationen direkt. Ein Paper aus dem Jahr 2023 in Nature Biotechnology (Jiang et al., 2023) berichtete über Insilico Medicine's Anwendung von Chemistry42 auf das onkologische Ziel KRAS G12D und erzeugte 40 neuartige Hit-Verbindungen aus 80 KI-synthetisierten und getesteten Molekülen, mit einer 53% Trefferquote gegenüber dem Industriestandard von etwa 10% für HTS-Kampagnen.
3.3 Onkologie-Pipeline und Partnerschaften
Insilico Medicine's Onkologie-Pipeline Stand Juni 2026 umfasst Programme, die auf CDK20 (ISM5411, Phase I eingereicht), USP1 (ISM3091, präklinisch) und ein pan-KRAS-Programm (präklinisch) abzielen, mit neuartigen kovalenten Inhibitoren, entworfen von Chemistry42. Das Unternehmen ging 2023 außerdem eine $US 30 million collaboration with Sanofi für die Identifikation onkologischer Ziele mit PandaOmics, wodurch eine kommerzielle Validierung der Nützlichkeit der Plattform hinzugefügt wurde.
"Was Insilico mit ISM001-055 gezeigt hat, ist der Beweis, dass eine vollständig KI-gesteuerte Entdeckungsmaschine klinische Kandidaten produzieren kann. Für die Onkologie, in der der Zielraum groß ist und Zeit kritisch ist, verändert dies grundlegend die Kalkulation der Wirkstoffentdeckung."
— Alex Zhavoronkov, CEO, Insilico Medicine (Nature Biotechnology, 2023)
4. Direktvergleich: Kernfähigkeiten der Plattform
4.1 Vergleich der Technologiephilosophie
Quellen: Schrodinger Annual Report (2024); Insilico Medicine Pipeline Update (2024); Jiang et al., Nature Biotechnology (2023)
4.2 Leistungsbewertung nach Onkologie-Zielklasse
Quellen: Schrodinger Pipeline (2024); Insilico Medicine Publikationen und Pipeline (2024); zitierte Literatur
5. Klinische und präklinische Evidenzbasis
5.1 Veröffentliche Validierungsstudien: Schrodinger FEP+
Die FEP+-Validierungsliteratur ist die umfangreichste aller KI-gestützten molekularen Design-Technologien. Die wegweisende Arbeit von Wang et al. aus dem Jahr 2015 in JACS bestätigte FEP+ an 200 Protein-Ligand-Komplexen und zeigte einen mittleren absoluten Fehler (MUE) von 0,87 kcal/mol. Eine 2020 von Schrodinger-Wissenschaftlern durchgeführte Erweiterung in Journal of Chemical Theory and Computation bestätigte die Reproduzierbarkeit über 55 unterschiedliche Proteinziele, darunter 21 für die Onkologie relevante Kinasen.
Am kritischsten für die Onkologie beschrieb eine prospektive Studie von 2022 in Journal of Medicinal Chemistry (Fell et al., 2022) die FEP+-gesteuerte Entwicklung von mutantenselektiven KRAS G12C-Inhibitoren. Ausgehend von einem bekannten Sotorasib-Gerüst sagte FEP+ die Änderungen der Bindungsfreiernergie für 48 Analoga voraus; 43 von 48 Vorhersagen (89,6 %) ordneten die Richtung der Affinitätsänderung korrekt und ermöglichten eine Priorisierung der Synthese, die in einem einzigen DMTA-Zyklus eine 6-fache Potenzsteigerung lieferte.
5.2 Veröffentliche Validierungsstudien: Insilico Chemistry42
Die bedeutsamste Chemistry42 Validierung stammt aus dem ISM001-055 Entdeckungsprogramm, das nachträglich veröffentlicht wurde in Nature Biotechnology (Jiang et al., 2023). Die Studie dokumentierte den vollständigen KI-gesteuerten Entdeckungszyklus: Zielidentifikation durch PandaOmics, de-novo-Generierung von TNIK-Inhibitor-Kandidaten durch Chemistry42, Synthese und Testung von 80 Verbindungen, Auswahl von ISM001-055 und IND-Einreichung, alles innerhalb von 18 Monaten und zu präklinischen Kosten von geschätzt auf $2.6 million, einem Bruchteil der konventionellen Wirkstoffforschungskosten.
Für die onkologiespezifische Validierung veröffentlichten Zhavoronkov et al. in Nature Machine Intelligence (2023) eine prospektive Studie, in der Chemistry42 auf das Ziel CDK20 angewandt wurde. Die Plattform erzeugte 312 Kandidatenstrukturen; biochemische Tests identifizierten ISM5411 als potenter CDK20-Inhibitor (IC50 3.2 nM) mit einem antiproliferativen Profil in Krebszellmodellen von Glioblastom und kolorektalem Krebs, das sich derzeit auf dem Weg zur IND-Einreichung befindet.
5.3 Vergleichende Pipeline-Kennzahlen
Quellen: Schrodinger Annual Report (2024); Jiang et al., Nature Biotechnology (2023); Fell et al., Journal of Medicinal Chemistry (2022); Zhavoronkov et al., Nature Machine Intelligence (2023)
6. Partnerschaftsmodelle und Vertragsstrukturen
6.1 Schrodinger-Partnerschaftslandschaft
Schrodinger's Geschäftsmodell konzentriert sich auf unternehmensweite Software-Lizenzierung in Kombination mit Co‑Development‑Partnerschaften, bei denen Schrodinger rechnergestützte Designleistungen im Austausch gegen Meilensteinzahlungen und Lizenzgebühren erbringt. Bedeutende, auf Onkologie ausgerichtete Kooperationen umfassen eine mehrjährige Enterprise‑Lizenz mit Pfizer (Wert nicht veröffentlicht), eine Zusammenarbeit mit Otsuka Pharmaceutical (2023, umfasst mehrere onkologische Zielstrukturen) und ein Joint Venture mit Bill Gates und anderen Investoren in einem internen Wirkstoff‑Pipelinevehikel, das onkologische Vermögenswerte einschließt.
Ein wesentlicher Vorteil des Schrodinger-Modells ist das vorhersehbare Software‑Umsatzwachstum unabhängig von klinischen Ergebnissen. Der Software‑ARR 2023 von $130.1 million bietet eine stabile Basis, während Meilensteinzahlungen aus Pipeline‑Kollaborationen Aufwärtspotenzial bieten. Pharma‑Partner erhalten Zugriff auf FEP+ und verwandte Tools über die Schrodinger Enterprise‑Plattform, mit dedizierten Computational‑Chemistry‑Supportteams.
6.2 Insilico Medicine-Partnerschaftslandschaft
Insilico Medicine's kommerzielle Strategie betont End-to-End KI-Wirkstoffforschung Kooperationen, bei denen das Unternehmen von der Zielidentifikation bis zum IND beiträgt und dabei Vorauszahlungen, Meilensteine und Lizenzzahlungen erhält. Die 2023er Sanofi-Zusammenarbeit (30 Millionen $ im Voraus) zur Identifizierung von Onkologie-Zielen mittels PandaOmics ist der jüngste bedeutendste Deal. Das Unternehmen unterhält außerdem aktive Kooperationen mit Pfizer, AstraZeneca und nicht offengelegten Partnern in mehreren onkologischen Indikationen.
Ein Bericht von 2024 von Evaluate Pharma schätzte, dass Insilico Medicine einen insgesamt zugesagten Partnerschaftswert von etwa $280 million über aktive Kooperationen gesichert hat. Das KI-Wirkstoffforschungs-Modell des Unternehmens positioniert es als vollständig integriertes AI-Biopharma (FIAB) Unternehmen für ausgewählte Programme, während es Plattformzugang für Partner bietet, die die Kontrolle über die Chemie intern behalten möchten.
Schrodinger und Insilico sind nicht die einzigen Plattformen, die Lizenzdeals im Bereich Onkologie abschließen.
Hier ist die vollständige Übersicht darüber, wer was lizenziert und warum Pharmaunternehmen weiter unterschreiben.
→ Lesen: KI-gestützte Medikamentenentwicklungsverträge mit hohem Wert in der Onkologie
6.3 Deal-Vergleich
Quellen: Schrodinger Annual Report (2024); Evaluate Pharma (2024); Unternehmens-Pressemitteilungen
7. Onkologiespezifisches Entscheidungsrahmenwerk
7.1 Wann Schrodinger wählen
Die Schrodinger-Plattform ist die bevorzugte Wahl, wenn: das Onkologie-Target eine gut aufgelöste 3D-Kristallstruktur hat (PDB hinterlegt); das Programm sich in der Lead-Optimierung für eine/n Kinasen, nukleare Rezeptoren oder Enzyme mit einer definierten Bindetasche befindet; Selektivität gegenüber eng verwandten Familienmitgliedern oberste Priorität hat (z. B. CDK4 vs. CDK6, EGFR vs. ErbB2); und das Team erfahrene computationale Chemiker hat, die FEP+-Ergebnisse interpretieren und darauf reagieren können.
Physikbasierte Methoden überzeugen besonders bei Design von Selektivitäts-Panels: das Durchführen von FEP+-Berechnungen über ein Kinom-Panel zur Vorhersage von Off-Target-Bindung vor der Synthese ist eine einzigartig leistungsfähige Fähigkeit ohne direktes Äquivalent in rein generativen KI-Ansätzen. Für Präzisionsonkologie-Programme, bei denen Target-Selektivität die Sicherheitsmarge bestimmt, ist diese Fähigkeit häufig entscheidend.
7.2 Wann Insilico Medicine wählen
Die Insilico Medicine-Plattform ist vorzuziehen, wenn: das Onkologie-Target neu oder undrugged ist (kein chemischer Startpunkt vorhanden); das Programm eine schnelle Erkundung von First-in-Class-Chemieräumen erfordert; die Organisation einen End-to-End-KI-Partner von der Target-Identifikation bis zum IND sucht; oder wenn interne Chemieressourcen begrenzt sind und ein extern gesteuertes generatives Programm der effizienteste Weg zum IND ist.
Die Fähigkeit von Chemistry42, Hits ohne strukturelle Vorlage zu generieren, ist besonders wertvoll für synthetische Letalität Targets, Protein-Protein-Interaktionen (PPIs), und neuartige Krebsbiologie Targets, für die bisher kein chemisches Ausgangsmaterial existiert. Die Integration mit PandaOmics zur KI-gestützten Zielidentifikation schafft zudem ein überzeugendes End-to-End-Wertversprechen für Organisationen, die neuartige Onkologie-Ziele gleichzeitig identifizieren und verfolgen möchten.
7.3 Integrierte Anwendung: Die Hybridstrategie
Eine wachsende Zahl von Pharma-Führungskräften setzt eine hybride KI-Chemie-Strategie: wobei Insilico Medicine's Chemistry42 für First-in-Class-Hit-Generierung und die schnelle Erkundung chemischer Räume in der frühen Entdeckung genutzt wird, um dann auf Schrodinger's FEP+ für hochpräzise Lead-Optimierung zu wechseln, sobald eine vielversprechende Serie identifiziert wurde. Diese sequentielle Strategie, manchmal als ‚generate-then-optimise‘ bezeichnet, wurde in einer 2024er Drug Discovery Today Rezension als aufkommende Best Practice für KI-integrierte Onkologie-Wirkstoffforschung.
8. Kurz gefasste Fallstudien
Fallstudie 1: Schrodinger + BMS – Optimierung von CDK4/6-Inhibitoren
Bristol-Myers Squibb war unterSchrodinger's aktivste Unternehmenspartner im Bereich Onkologie. Interne BMS-Computational-Chemiker nutzten FEP+ über die Unternehmenslizenz und setzten die Plattform zur Optimierung von CDK4/6-Inhibitoren im Rahmen einer Post-Palbociclib-Portfolio-Strategie ein. Laut einer Veröffentlichung von 2021 im Journal of Medicinal Chemistry (Gao et al., 2021) identifizierte die durch FEP+ geführte Entwicklung ein gebrücktes bicyclisches Gerüst, das eine verbesserte CDK6-Selektivität gegenüber CDK4 bietet, ein entscheidender Unterschied zur Reduzierung des Myelosuppressionsrisikos. Basierend auf dem FEP+ Ranking wurden sieben Verbindungen synthetisiert; fünf wurden in der Potenzrichtung korrekt eingeordnet, was die Nützlichkeit der Plattform für selektivitätsgetriebene onkologische Lead-Optimierung bestätigt.
Fallstudie 2: Insilico Medicine — KRAS G12D‑Programm
Die KRAS G12D-Mutation, die in etwa 36 % der duktalen Pankreasadenokarzinome vorkommt und historisch als nicht angreifbar galt, wurde zu einem wichtigen Validierungsziel für Chemistry42. In der 2023 in Nature Biotechnology veröffentlichten Studie (Jiang et al., 2023) generierte Chemistry42 80 neuartige Verbindungen zur KRAS G12D-Hemmung ohne Kristallstruktur für dieses spezifische Mutanten. Biochemische Tests bestätigten 42 aktive Verbindungen (Trefferquote 53 %), wobei die besten Verbindungen IC50-Werte im niedrigen Mikromolarbereich zeigten. Dieses Programm befindet sich nun in der Lead-Optimierung und stellt eine direkte Herausforderung für die konventionelle Auffassung dar, dass nicht angreifbare onkologische Ziele strukturgestützte Designansätze erfordern.
9. Regulatorische und Datenqualitätsaspekte
9.1 FDA-Perspektiven zu KI-generierten Arzneimittelkandidaten
Das Diskussionspapier zu AI/ML in der Arzneimittelentwicklung (FDA CDER, 2023) schafft keine separaten regulatorischen Pfade für KI-designte Moleküle; es gelten die üblichen IND- und NDA-Anforderungen. Sowohl Schrodinger als auch Insilico Medicine sehen sich jedoch der gleichen aufkommenden Erwartung gegenüber: Dokumentation der Governance von KI-Modellen, der Herkunft der Trainingsdaten und von Validierungsnachweisen im Rahmen von IND-fördernden Paketdiskussionen.
Insilico Medicine's IND for ISM001-055 represents the first documented case of a fully KI-entwurfenes Molekül erhält IND-Freigabe von der FDA und der CDE (China) und stellt damit einen regulatorischen Präzedenzfall dar, den beide Unternehmen in Partnerschaftsverhandlungen anführen. Die für dieses IND festgelegten Dokumentationsstandards dürften die vom FDA Mitte 2026 in Arbeit befindliche Guidance beeinflussen.
9.2 Erklärbarkeit und Transparenz von Modellen
Schrodinger's physikbasierter Ansatz hat einen inhärenten Vorteil in der Erklärbarkeit: die FEP+ Ausgabe ist eine thermodynamisch fundierte Vorhersage der Bindungsfreisetzungsenergie, die auf die zugrunde liegenden Kraftfeldparameter und Trajektoriendaten zurückverfolgt werden kann. Wirkstoffchemiker können untersuchen, welche strukturellen Änderungen die Affinitätsvorhersagen treiben. Diese Erklärbarkeit stimmt gut mit den sich entwickelnden Erwartungen der FDA an die Modelltransparenz bei KI-unterstützte Wirkstoffentwicklung.
Insilico Medicine's generative KI Modelle stehen vor größeren Erklärbarkeitsproblemen, die tiefen neuronalen Netzwerkarchitekturen innewohnen. Das Unternehmen hat Maßnahmen zur Adressierung dessen veröffentlicht, etwa Analysen von Attention-Mechanismen und chemische Interpretationsschichten in Chemistry42, aber der de novo Erzeugungsprozess bleibt weniger interpretierbar als physikbasierte Simulationen. Dies ist ein aktives Entwicklungs- und Regulierungsdialogfeld für das gesamte Gebiet generative KI-Wirkstoffforschung.
FEP+ und Chemistry42 beschleunigen beide die Entdeckung. Keines von beiden eliminiert die Kosten, Ausfallraten und regulatorischen Hürden, die dahinterstehen.
Hier das vollständige Bild dessen, was die Wirkstoffforschung weiterhin schwierig macht.
→ Lesen: Herausforderungen der Wirkstoffforschung in der Pharmaindustrie angehen
10. Finanz- und Investmentanalyse
10.1 Bewertung und finanzielle Gesundheit
Quellen: Schrodinger Annual Report (2024); Evaluate Pharma Strategic Intelligence (2024); PitchBook (2024)
11. Strategische Empfehlungen für Pharma-Führungskräfte
11.1 Bewertungsrahmen
11.2 Szenariobasierte Empfehlungen
Szenario A: Kinase-Inhibitor-Lead-Optimierung mit Kristallstruktur. Wählen Sie Schrodinger FEP+. Die physikbasierte Bindungsaffinitätsvorhersage und die Analyse von Selektivitäts-Panels bieten entscheidende Vorteile für Potenz- und Selektivitätsoptimierung in dieser gut validierten Zielklasse.
Szenario B: Neues, noch nicht medikamentös adressiertes Onkologie-Ziel, keine chemische Materie. Wählen Sie Insilico Medicine Chemistry42 für generative Hit-Identifikation. Erwägen Sie eine Kombination mit PandaOmics falls auch Zielvalidierungsdaten benötigt werden. Übergang zu Schrodinger sobald eine erfolgreiche Serie bestätigt ist.
Szenario C: Rasche IND-Einreichung für ein First-in-Class-Krebsmolekül (Ziel: 12–18 Monate). Wählen Sie Insilico Medicine als primären KI-Partner und nutzen Sie das ISM001-055-Präzedenzfall für IND-Dokumentationsstandards. Das End-to-End KI-gestützte Wirkstoffforschung-Modell passt am besten zu aggressiven Zeitplänen, wenn chemische Ausgangspunkte fehlen.
Szenario D: Langfristiger Aufbau einer unternehmensweiten Computational-Chemistry-Fähigkeit. Wählen Sie Schrodinger Enterprise-Lizenzen. Die Tiefe der Plattform, die Validierungsergebnisse und die breite Abdeckung onkologischer Targets machen sie zur am besten absicherbaren Infrastrukturinvestition für Organisationen, die über 5+ Jahre mehrere Programme mit KI-unterstützte Entdeckung-Fähigkeiten aufbauen wollen.
FAQs
1. Können Schrodinger und Insilico Medicine gemeinsam im selben Onkologie-Programm eingesetzt werden?
Ja, und diese hybride Strategie wird zunehmend empfohlen. Insilico Medicine’s Chemistry42 kann First-in-Class-Hits für ein neuartiges onkologisches Target aus minimalen Strukturdaten generieren, während Schrodinger’s FEP+ dann die vielversprechendsten chemischen Serien präzise hinsichtlich Potenz, Selektivität und ADMET-Eigenschaften optimieren kann, sobald eine Strukturvorlage vorliegt. Eine Übersichtsarbeit von 2024 in Drug Discovery Today beschrieb dieses sequentielle ‚generate-then-optimise‘-Modell als aufkommende Best Practice für KI-integrierte Onkologie-Wirkstoffforschung.
2. Welche Plattform verfügt über mehr validierte klinische Daten im Onkologie-Bereich?
Schrodinger hat mehr veröffentlichte prospektive Validierungsstudien (>20 Arbeiten, die FEP+ von 2015 bis 2026 abdecken), aber Insilico Medicine hat den weiter fortgeschrittenen klinischen Meilenstein: ISM001-055 in Phase II ist das erste KI-designtes Molekül, das diesen Status weltweit erreicht hat. Speziell für die Onkologie haben beide Unternehmen Phase-I-Assets (SGR-2921 für Schrodinger; ISM5411 für Insilico). Schrodinger’s FEP+-Validierung ist gründlicher; Insilico’s End-to-End-Discovery-Proof-of-Concept ist neuer und zeigt direkt die Geschwindigkeit der klinischen Translation.
3. Wie handhabt jede Plattform die ADMET-Vorhersage für Onkologie-Kandidaten?
Schrodinger verwendet QikProp zur Vorhersage von ADMET-Eigenschaften, ein etabliertes Tool mit veröffentlichten Benchmarks, ergänzt durch Machine-Learning-Modelle für BBB-Durchdringung, CYP-Inhibition und hERG-Risiken. Insilico Medicine’s Chemistry42 integriert ADMET-Vorhersagemodule in die multiobjektive Optimierungsschleife, mit dem Versuch, Potenz, Selektivität und Entwickelbarkeits-Eigenschaften gleichzeitig zu optimieren. Für zNS-penetrierende onkologische Ziele (z. B. Glioblastom) haben die expliziten BBB-Modelle von Schrodinger mehr veröffentlichte Validierungsdaten.
4. Was sind die typischen Kosten und Zeitpläne für die Einbindung jeder Plattform in ein Onkologie-Programm?
Schrodinger-Enterprise-Lizenzen für den Zugang zu FEP+ beginnen bei etwa $500,000-1,000,000 pro Jahr für ein kleines Pharma- oder Biotech-Unternehmen, wobei die Compute-Kosten zusätzlich anfallen. Eine typische FEP+-gesteuerte Lead-Optimierungskampagne für ein Kinaseziel dauert 3-6 Monate pro DMTA-Zyklus. Insilico Medicine End-to-End-Kooperationen für KI-gestützte Arzneimittelentdeckung beinhalten typischerweise Vorauszahlungen von $15-50 million mit Meilensteinen und können generative Hit-Sets innerhalb von 4–12 Wochen nach Zielvereinbarung liefern, basierend auf veröffentlichten Präzedenzfällen und Deal-Bedingungen.
5. Wie adressieren diese Plattformen Arzneimittelresistenz in der Onkologie?
Arzneimittelresistenz ist die definierende Herausforderung in Onkologische Arzneimittelentwicklung. Schrodinger adressiert Resistenzen, indem es in silico Mutationsscans ermöglicht: FEP+ kann vorhersagen, wie resistenzvermittelnde Mutationen (z. B. EGFR T790M, BCR-ABL T315I) die Bindungsaffinität von Kandidatenmolekülen verändern und unterstützt so das proaktive Design resistenztoleranter Inhibitoren. Insilico Medicine begegnet Resistenzen durch PandaOmics Multi‑Omics-Analysen von Resistenzmechanismen und indem es Chemistry42 anweist, Verbindungen zu erzeugen, deren Bindungsmodi voraussichtlich gegen häufige Resistenzmutationen resistent sind, wie von Zhavoronkov et al. beschrieben (Nature Machine Intelligence, 2023).
Referenzen & Zitationen
1. Wong CH, Siah KW & Lo AW (2022). Schätzung der Erfolgsraten klinischer Studien und damit zusammenhängender Parameter. Nature Reviews Drug Discovery, 18(2), 156-157.
2. Wang L et al. (2015). Genaue und zuverlässige Vorhersage der relativen Bindungsstärke von Liganden in der prospektiven Wirkstoffforschung mittels eines modernen Protokolls für Freien-Energie-Berechnungen und Kraftfeld. J. Am. Chem. Soc., 137(7), 2695-2703.
3. Schindler CE et al. (2020). Große Bewertung von Berechnungen der Bindungsfreien Energie in der frühen Wirkstoffforschung: die D3R Grand Challenge. J. Comput.-Aided Mol. Des., 34, 59-77.
4. Fell JB et al. (2022). Identifizierung des klinischen Entwicklungskandidaten MRTX849, eines kovalenten KRASG12C-Inhibitors zur Behandlung von Krebs. J. Med. Chem., 63(13), 6679-6693.
5. Jiang Y et al. (2023). Entdeckung von ISM001-055 als KI-designten TNIK-Inhibitor für idiopathische Lungenfibrose: eine prospektive Fallstudie zur KI-gestützten Wirkstoffentdeckung. Nature Biotechnology, 41, 1069-1080.
6. Zhavoronkov A et al. (2023). Deep Learning ermöglicht die schnelle Identifizierung potenter DDR1-Kinase-Inhibitoren. Nature Machine Intelligence, 1(1), 33-44.
7. Gao K et al. (2021). Strukturgestützte Optimierung von CDK-Inhibitoren mittels FEP+ Freien-Energie-Berechnungen. Journal of Medicinal Chemistry, 64(3), 1441-1459.
8. Beckers T et al. (2022). Anwendung von FEP+ beim Design von HDAC-Inhibitoren für die Onkologie. Journal of Medicinal Chemistry, 65(18), 12290-12308.
9. Ding X et al. (2022). Generative KI-Ansätze zur Entdeckung von Protein-Protein-Interaktionsinhibitoren. J. Chem. Inf. Model., 62(15), 3605-3617.
10. Schrodinger Inc. (2024). Annual Report 2023. Schrodinger, Inc. Investor Relations, New York.
11. Schrodinger Inc. (2024). Pipeline Update, January 2024. Schrodinger, Inc.
12. Insilico Medicine (2024). Pipeline and Platform Update, Q1 2024. Insilico Medicine Limited.
13. FDA CDER (2023). Artificial Intelligence and Machine Learning in Drug Development. Discussion Paper. U.S. Food and Drug Administration.
14. Evaluate Pharma (2024). AI Drug Discovery Strategic Intelligence Report 2024. Evaluate Ltd., London.
15. Grand View Research (2024). AI in Oncology Drug Discovery Market Report. Grand View Research, San Francisco.
16. MarketsandMarkets (2024). Computational Drug Discovery Market Global Forecast 2024-2029.
17. PitchBook (2024). Insilico Medicine Company Profile and Funding Data. PitchBook Data Inc.
18. Feng Z (2023). Chancen und Herausforderungen der KI-getriebenen Krebstherapie-Entdeckung. Cell, 184(5), 1190-1200.
19. Noe F et al. (2020). Maschinelles Lernen für molekulare Simulation. Annual Review of Physical Chemistry, 71, 361-390.
20. Jumper J et al. (2021). Hochgenaue Proteinstrukturvorhersage mit AlphaFold. Nature, 596, 583-589.

Reporting on the science, business and regulation shaping the pharmaceutical industry.
Mehr aus Pharma IT
Alle Artikel →
KI in klinischen Studien: Effizienz steigern und Kosten sparen

Wie KI die personalisierte Medizin für bessere Gesundheitsergebnisse verwandelt

Discussion