Wie KI und maschinelles Lernen die Zukunft der F&E in der Pharmaindustrie prägen

5 Vorteile von KI und ML in der F&E der Pharmaindustrie

Vorteil Nr. 1: schnellere und innovative Wirkstoffentwicklung durch generative KI

Generative KI treibt bedeutende Durchbrüche in der Arzneimittelforschung voran, indem sie eine schnellere und präzisere Identifikation vielversprechender Wirkstoffkandidaten ermöglicht. Ein herausragendes Beispiel ist AlphaFold 3, das kürzlich von Google DeepMind vorgestellt wurde. Dieses Modell kann die Strukturen und Wechselwirkungen von Proteinen, DNA, RNA und anderen Biomolekülen mit bisher unerreichter Genauigkeit vorhersagen. AlphaFold 3 hat das Potenzial, die Arzneimittelentwicklung grundlegend zu verändern – insbesondere durch die Modellierung der Interaktionen zwischen Biomolekülen. Allerdings hat das neue KI-Modell Chai-1 von Chai Discovery AlphaFold 3 in einigen Benchmark-Tests übertroffen. Chai-1 liefert genauere Vorhersagen zur Proteinfaltung, benötigt weniger Daten und ist – im Gegensatz zu AlphaFold – kommerziell verfügbar.

Generative KI, insbesondere Deep-Learning-Modelle, rückt zunehmend in den Fokus pharmazeutischer Kooperationsprojekte. Unternehmen wie Absci und Isomorphic Labs setzen KI ein, um neuartige Moleküle und Antikörper zu entwickeln. So ging Absci Anfang 2024 eine Partnerschaft mit AstraZeneca ein, um mit seiner generativen KI-Plattform ein Antikörper-Medikament für ein spezifisches Target in der Onkologie zu entwickeln. Darüber hinaus nutzen Isomorphic Labs und Eli Lilly bei ihrer Kooperation KI-Technologien zur Identifikation kleiner Moleküle für verschiedene therapeutische Ziele. Diese Partnerschaft zeigt, wie KI die Entwicklung von Wirkstoffen für bisher schwer zugängliche Zielstrukturen revolutioniert und eine datengetriebene, schnellere Entwicklung ermöglicht.

Vorteil Nr. 2: höhere Erfolgsraten in der Wirkstoffforschung

Eine der größten Herausforderungen in der Arzneimittelforschung und -entwicklung ist die hohe Fehlerrate, insbesondere in der klinischen Phase. Unternehmen wie Insilico Medicine, Exscientia und BenevolentAI setzen KI gezielt ein, um komplexe biologische Systeme zu modellieren und vorherzusagen, wie verschiedene Moleküle mit biologischen Zielstrukturen interagieren. Dadurch können die Erfolgsraten verbessert werden. KI kann inzwischen prognostizieren, ob ein Wirkstoffkandidat in klinischen Studien erfolgreich sein wird, wodurch das Risiko teurer Fehlschläge in späteren Entwicklungsphasen reduziert wird. Diese KI-gestützten Werkzeuge simulieren biologische Umgebungen und ermöglichen es Forschern, Wirkstoffkandidaten umfassender in silico zu testen, bevor sie in kostenintensive Labor- und klinische Studien überführt werden.

Ein bedeutendes Beispiel ist das erste KI-entwickelte Medikament, INS018_055 von Insilico Medicine, das sich mittlerweile in Phase-2-Studien befindet. Dieses potenzielle First-in-Class-Molekül – ein Inhibitor zur Behandlung der idiopathischen Lungenfibrose – wurde in nur 30 Monaten entdeckt und entwickelt und somit deutlich schneller als der Branchendurchschnitt von 10 bis 15 Jahren. Dieser Meilenstein unterstreicht die wachsende Rolle von KI bei der schnelleren Entwicklung von Molekülen bis zur klinischen Phase – mit verbessertem Targeting und höheren Erfolgschancen.

Vorteil Nr. 3: Revolutionierung der Wirkstoffforschung für komplexe Erkrankungen

KI erweist sich als besonders nützlich bei der Arzneimittelforschung für komplexe Erkrankungen, die schwer zu behandeln sind, wie beispielsweise neurologische Erkrankungen und Autoimmunerkrankungen. Sie kann dabei helfen, neue therapeutische Zielstrukturen zu identifizieren und Medikamente für schwer zugängliche („hard-to-drug“) Targets zu entwickeln.

Im Bereich der Onkologie identifizieren KI-gesteuerte Plattformen beispielsweise innovative therapeutische Antikörper und kleine Moleküle zur Behandlung verschiedener Krebsarten, darunter hormonempfindliche Tumoren wie ER+/HER2- Brustkrebs. Dies stellt einen bedeutenden Fortschritt in der personalisierten Medizin dar, insbesondere bei Krankheiten, für die standardisierte Therapieansätze oft unzureichend sind.

Vorteil Nr. 4: effizientere klinische Studien

KI wird zunehmend eingesetzt, um klinische Studien zu optimieren, indem sie die Patientenauswahl verbessert, Ergebnisse vorhersagt und den Studienverlauf überwacht. Dies kann die Kosten erheblich senken und die Dauer von Studien verkürzen. So kann KI große Datenmengen analysieren, um diejenigen Patienten zu identifizieren, die am wahrscheinlichsten auf eine Behandlung ansprechen. Dadurch wird die Patientenauswahl in Studien optimiert, was nicht nur die Erfolgschancen der Studie erhöht, sondern auch die Zulassung neuer Medikamente beschleunigt.

Unternehmen wie IQVIA sind Vorreiter in diesem Bereich und nutzen KI sowie maschinelles Lernen, um klinische Studien effizienter zu gestalten und den manuellen Aufwand zu reduzieren. Ihre Systeme automatisieren die Datenerfassung, verbessern die Patientenrekrutierung und optimieren das Studiendesign anhand von Echtzeitdaten. Ebenso setzt Oracle Health Sciences KI in seinen cloudbasierten Systemen für das Management klinischer Studien ein, um Daten zu erfassen, Patienten zu überwachen und Studienprotokolle anzupassen. Diese Unternehmen treiben bedeutende Innovationen in klinischen Studien voran, indem sie adaptive Studiendesigns ermöglichen und den Zeit- sowie Kostenaufwand für manuelle Prozesse reduzieren.

Vorteil Nr. 5: wirtschaftliche und strategische Auswirkungen

Die Integration von KI in die Arzneimittelforschung wird auch durch wirtschaftliche Faktoren vorangetrieben, insbesondere durch die Notwendigkeit, Kosten zu senken und den Return on Investment (ROI) in der pharmazeutischen Forschung zu steigern. Die weltweite Pharmaindustrie gibt jährlich über 250 Milliarden US-Dollar für Forschung und Entwicklung aus und KI-gestützte Tools könnten bis 2026 Einsparungen von bis zu 50 Milliarden US-Dollar pro Jahr ermöglichen. Durch die Beschleunigung der Wirkstoffentwicklung und die Reduzierung von Fehlschlägen in klinischen Studien kann KI die Verweildauer neuer Medikamente auf dem Markt vor Ablauf ihrer Patente verlängern – ein entscheidender Faktor zur Steigerung der Rentabilität.

Pharmaunternehmen wie Bristol Myers Squibb und Novartis investieren massiv in KI-Plattformen. Ein Beispiel dafür ist der 674-Millionen-Dollar-Deal zwischen Bristol Myers und VantAI sowie die Zusammenarbeit von Novartis mit Isomorphic Labs. Diese Partnerschaften verdeutlichen den wachsenden Trend, KI nicht nur als unterstützendes Werkzeug, sondern als zentralen strategischen Baustein in der Arzneimittelforschung und -entwicklung zu etablieren.

Herausforderungen bei der vollständigen Integration von KI und ML in die F&E der Pharmaindustrie

KI und ML bieten großes Potenzial für die pharmazeutische F&E, jedoch gibt es mehrere Hürden, die ihrer vollständigen Integration noch im Weg stehen:

1. Einhaltung von Vorschriften und Sicherheit: Die Einhaltung strenger regulatorischer Vorgaben bei der Integration von KI in die Arzneimittelentwicklung stellt eine Herausforderung dar, da die Aufsichtsbehörden noch dabei sind, sich an KI-gesteuerte Prozesse anzupassen.
2. Ethische Bedenken und Datenschutz: Der Schutz der Privatsphäre der Patienten und die Vermeidung algorithmischer Verzerrungen sind wichtig – insbesondere bei der Nutzung sensibler Gesundheitsdaten.
3. Datenqualität: KI benötigt riesige, qualitativ hochwertige Datensätze, aber bestehende Daten sind oft fragmentiert und inkonsistent, was die Genauigkeit der Modelle beeinträchtigen kann.
4. Technische Integration: Altsysteme in Pharmaunternehmen können mit neuen KI-Technologien inkompatibel sein, was die Einführung erschwert und kostspielig macht.
5. Mitarbeiterkompetenz: Viele Mitarbeiter verfügen nicht über die notwendigen KI-Kenntnisse, was umfangreiche Schulungen erforderlich macht, um KI-Tools effektiv nutzen zu können.
6. Komplexität und geistiges Eigentum: Die komplexe Struktur der Pharmaindustrie und unklare Rechte an geistigem Eigentum für KI-generierte Innovationen erschweren die Einführung von KI weiter.

Die Integration von KI und ML in die Arzneimittelforschung bietet vielversprechende Chancen für die Transformation der Pharmaindustrie, doch bleiben Fragen zum tatsächlichen Return on Investment (ROI) und den praktischen Auswirkungen offen. Trotz bedeutender Fortschritte wird in aktuellen Analysen argumentiert, dass der anfängliche Hype um KI in diesem Bereich möglicherweise zu optimistisch war, und einige hinterfragen nun die realen Anwendungsfälle und den messbaren ROI.

Dennoch treiben laufende Kooperationen von Technologie- und Biotech-Unternehmen weiterhin Innovationen voran, mit dem Ziel, Kosten zu senken, Erfolgsraten zu verbessern und wirksame Behandlungen effizienter auf den Markt zu bringen. Die tatsächlichen greifbaren und skalierbaren Vorteile dieser Technologien werden darüber entscheiden, inwieweit sie die pharmazeutische F&E wirklich revolutionieren können. Wir von Alcimed können Ihnen dabei helfen, sich in dem sich durch KI und ML wandelnden Umfeld der Arzneimittelforschung zurechtzufinden.

Sie wollen erkunden, wie Sie diese innovativen Technologien in Ihre F&E-Arbeitsabläufe integrieren können? Zögern Sie nicht, unser Team zu kontaktieren.

Über die Autorin, 

Mikka, Consultant in Alcimeds Life Sciences Team in Deutschland