Wie KI die Engpässe in der Wirkstoffentdeckung von kleinen Molekülen überwindet

Klinische Studien für die Arzneimittelentwicklung sind berüchtigt langwierig und teuer, und nur ein kleiner Bruchteil der Arzneimittelkandidaten wird letztendlich von den Regulierungsbehörden genehmigt. Die umfassenden Engpässe im traditionellen Arzneimittelentdeckungsprozess sind allzu vertraut für diejenigen in der Pharmaindustrie: Die klinische Phase allein dauert etwa ein Jahrzehnt und macht fast drei Viertel der Forschungs- und Entwicklungskosten aus, wobei die durchschnittlichen Kosten für die Entwicklung eines Arzneimittels auf ein atemberaubende 2,2 Milliarden Dollar im Jahr 2024 ansteigen.

Vielleicht am kritischsten ist, dass die Pharmaindustrie Schwierigkeiten hatte, erfolgreiche Entwicklungsresultate während der frühen Phasen genau vorherzusagen: Etwa 80-90 Prozent der Arzneimittelkandidaten scheitern trotz der vielen Jahre und umfangreichen Finanzierung, die in ihre Entwicklung investiert wurden. Die Arzneimittelsicherheit ist ein großer Grund dafür, da unerwartete Toxizität für etwa 30 Prozent der Arzneimittelentwicklungsfehlschläge verantwortlich ist.

KI-entdeckte Moleküle sind in Phase-I-Studien erfolgreicher

Es gibt jedoch aufkommende Daten, die darauf hindeuten, dass künstliche Intelligenz und computergestützte Ansätze diese Herausforderungen nicht nur angehen, sondern unsere Fähigkeit, erfolgreiche Ergebnisse vorherzusagen, grundlegend verändern. Die frühen Phasen der Entwicklung neuer Arzneimittel sind besonders entscheidend – und hier kann KI und computergestützte Chemie den größten Einfluss haben.

Diese KI- und computergestützten Ansätze können helfen, wirksame neue Therapien zu finden, die die richtigen Proteine zur Behandlung von Krankheiten im frühen Entdeckungs- und Optimierungsstadium targeten, anstatt später im Prozess, was lange der Fall war. Die computergestützte Toxizitätsvorhersage ist besonders hilfreich in den frühen Phasen der Arzneimittelentdeckung, da sie Moleküle ausschließen kann, die wahrscheinlich in klinischen Studien scheitern. Das Finden der besten Arzneimittel früher – und das Ausschließen derjenigen, die nicht funktionieren – kann ein Jahrzehnt teiler Forschung sparen und die Chance erhöhen, dass das Arzneimittel die klinische Studienphase besteht.

Aktuelle Forschungsergebnisse zu KI-nativen Biotech-Unternehmen zeigen ermutigende Trends, die darauf hindeuten, dass computergestützte Ansätze einige der grundlegendsten Herausforderungen in der Arzneimittelentdeckung überwinden. Zum Beispiel fand eine Analyse, die in Drug Discovery Today veröffentlicht wurde, heraus, dass KI-entdeckte Moleküle wesentlich erfolgreicher sind als die historischen Branchendurchschnittswerte in Phase-I-Studien – mit einer Erfolgsrate von 80-90 Prozent in Phase I im Vergleich zu einem Branchendurchschnitt von 40-65 Prozent.

Dieser frühe Erfolg ist besonders bedeutsam, da er darauf hindeutet, dass KI-gestützte Ansätze eine der grundlegendsten Herausforderungen in der Arzneimittelentdeckung lösen: das Design von Molekülen, die die mehrfachen Eigenschaften aufweisen, die für die pharmazeutische Entwicklung notwendig sind.

Die Macht der Multi-Parameter-Optimierung

Im Herzen dieser Transformation liegt eine Fähigkeit, die computergestützte Chemie mit KI viel besser und schneller beherrscht als Menschen: die Multi-Parameter-Optimierung, also der Prozess, mehrere Eigenschaften eines potenziellen Arzneimittels gleichzeitig auszugleichen – wie Wirksamkeit, Sicherheit, Spezifität, Durchlässigkeit der Blut-Hirn-Schranke und viele andere. Dies macht es viel genauer, schneller und effizienter, die vielversprechendsten Kandidaten zu entwerfen, auch wenn diese Eigenschaften miteinander in Konflikt stehen.

Traditionelle Ansätze in der Arzneimittelentdeckung können nur einen Parameter gleichzeitig optimieren, was es schwierig macht, ein Merkmal zu verbessern, ohne andere negativ zu beeinflussen. Zum Beispiel benötigt ein Arzneimittel, das Hirntumore behandeln soll, die Fähigkeit, die Blut-Hirn-Schranke zu durchqueren, um das Gehirn zu erreichen. Aber ein Arzneimittel, das die Schranke effizient durchquert, muss nicht unbedingt selektiv genug für sein Ziel sein, was die Wirksamkeit des Arzneimittels verringern oder unerwünschte Nebenwirkungen verursachen kann. Traditionelle Ansätze könnten zuerst die Durchlässigkeit der Blut-Hirn-Schranke optimieren und andere Eigenschaften später ansprechen, was möglicherweise Probleme auf den Weg bringt, anstatt sie von Anfang an anzugehen.

Währenddessen verändern KI-gestützte computergestützte Werkzeuge grundlegend den Ansatz für die Arzneimittelentwicklung. Anstatt sequenzieller Optimierung, die zu späten Misserfolgen führen kann, ermöglicht KI die simultane Optimierung über alle kritischen Parameter bereits im Entdeckungsstadium. Mit KI können Forscher Daten über mehrere Einschränkungen einfügen und die Algorithmen auffordern, ein bekanntes Molekül zu finden, das mit all diesen Einschränkungen funktioniert – oder ein neues zu generieren. Durch den Einsatz von schnell fortschreitenden generativen KI- und Machine-Learning-Tools zur Entwicklung optimaler Arzneimittelkandidaten schneller und genauer, indem mehrere Parameter gleichzeitig analysiert werden, erhöht sich die Wahrscheinlichkeit des Erfolgs und es wird letztendlich erwartet, dass dies zu der Entwicklung von wirksameren, zuverlässigeren und sichereren Behandlungen für Patienten führt.

KI-gestützte computergestützte Werkzeuge können auch die einzigartigen Anforderungen für verschiedene therapeutische Bereiche lernen. KI-Algorithmen können diese nuancierten Anforderungen einbeziehen, um Arzneimittelkandidaten zu generieren, die für bestimmte Krankheiten und Zielorgane maßgeschneidert sind, anstatt einfach allgemeine Kriterien für Arzneimittel zu erfüllen. Zum Beispiel stellt ein Wirkstoff, der Hirntumore targetet, andere Optimierungsherausforderungen dar als ein Wirkstoff, der für die chronische Entzündung bei Arthritis, Diabetes, Arteriosklerose und anderen Krankheiten konzipiert ist.

Um diese KI-gestützten Ansätze wirklich zu ermöglichen, sind ultra-große Datenmengen an Molekülen erforderlich, sowohl zum Screenen als auch, wichtiger noch, zum Trainieren dieser Modelle. Je größer die Datenmenge, desto mehr chemischer Raum wird abgedeckt, was auch die Chancen auf Erfolg erhöht. Anstatt Tausende (oder sogar einige Millionen) Moleküle zu screenen und einige Dutzend in die Entwicklung zu überführen, können computergestützte Forscher bis zu einige Milliarden Moleküle screenen.

Der nächste Schritt: Integration von KI-Ansätzen in Entwicklungsprozesse

Mit der zunehmenden Komplexität dieser Ansätze ist eine große Herausforderung die Fähigkeit, diese auf großem Maßstab durchzuführen. Daher ist der nächste Schritt für die Nutzung von KI in der Arzneimittelentdeckung, Werkzeuge zu integrieren, die es ermöglichen, den Entdeckungsprozess durch den Einsatz von KI-Agents zu skalieren – autonome computergestützte Systeme, die komplexe Aufgaben oder Prozesse ohne ständige menschliche Intervention ausführen können.

Zum Beispiel können die Agenten verwendet werden, um die notwendigen und ständig wachsenden Informationen zu sammeln und zu analysieren und die weniger relevanten Arzneimittelkandidaten auszuschließen.

Sobald die Agenten auf viele Parameter, chemische Einschränkungen und andere relevante Variablen wie Toxizitätslevel und FDA-Anforderungen trainiert wurden, werden sie letztendlich in der Lage sein, Forschern die führenden molekularen Kandidaten für jede Krankheit zu liefern.

Die Herausforderung der Pharmaindustrie besteht jetzt nicht darin, ob sie KI-gestützte computergestützte Arzneimittelentwicklung übernehmen soll, sondern wie schnell und effektiv sie in bestehende Entwicklungsprozesse integriert werden kann. Während Herausforderungen bleiben, deuten die frühen Beweise darauf hin, dass KI und computergestützte Chemie den Schlüssel zu besseren Medikamenten bieten, die effizienter entwickelt werden und mehr Patienten schneller als je zuvor erreichen.