Ono Pharmaceutical setzt Agentic-AI über die gesamte Arzneimittelentdeckung ein

Ono Pharmaceutical setzt KI-Agenten vor die Wissenschaftler, die die frühesten Forschungsstadien durchführen. Im Rahmen einer am 28. Juli 2026 angekündigten Zusammenarbeit wird der Osaka-Pharmakonzern Biomni Lab, die agentenbasierte Forschungsplattform, die von dem in South San Francisco ansässigen angewandten KI-Labor Phylo entwickelt wurde, über seine gesamte Arzneimittelentdeckungsorganisation einsetzen.

Was die Plattform nach Angaben der Ankündigung absorbieren soll, ist der gesamte Umfang eines Entdeckungswissenschaftlers: die Synthese der experimentellen Geschichte eines Programms, die Argumentation über interne Datenbanken, das Design des nächsten Experiments und die Ausführung der computergestützten Biologie dahinter. Phylo erklärt, dass Onos eigene Entdeckungsexpertise und historische Daten in die Umgebung eingebunden werden, was den Teil darstellt, der diese von einer Softwarelizenz unterscheidet. Ono, das in Tokio unter der Nummer 4528 gelistet ist und 1717 gegründet wurde, arbeitet auf den Gebieten Onkologie, Immunologie und Entzündung sowie Neurologie und ist vor allem für den PD-1-Antikörper Nivolumab bekannt, der unter dem Namen Opdivo verkauft wird.

Wofür Biomni getestet wurde

Der Agent unter der Oberfläche der Plattform verfügt über mehr veröffentlichte Beweise als die meisten Unternehmens-KI-Einsätze. Biomni begann als Open-Source-Projekt an der Stanford-Universität und wurde 2026 in der Zeitschrift Science unter dem Titel Autonome biomedizinische Forschung mit einem KI-Agenten veröffentlicht. Sein Design ist ungewöhnlich: Ein Agent extrahiert Werkzeuge, Datenbanken und Protokolle aus Tausenden von Artikeln in 25 biomedizinischen Bereichen, um die Umgebung aufzubauen, und ein zweiter Agent plant über diese Umgebung, um das zu erlangen, was eine Frage benötigt, und schreibt Code, um es auszuführen, anstatt einem festen Workflow zu folgen.

Der Artikel berichtet, dass der Agent sich über die kausale Genpriorisierung, die Wiederverwendung von Medikamenten, die Diagnose von seltenen Krankheiten, die Mikrobiomanalyse und die molekulare Klonierung ohne spezifische Anpassung verallgemeinert, wobei Fallstudien die Optimierung der Proteinstabilität und die Orchestrierung von Nasslabor-Instrumenten umfassen. Das ist ein breiterer Auftrag als die einzweckgerichteten Modelle, die die computergestützte Entdeckung dominieren, und näher an den wet-lab-orientierten Co-Scientist-Systemen, auf die sich das Feld seit Googles Co-Scientist zubewegt.

Was die Benchmark-Ergebnisse zeigen

Die nützlichste Lektüre darüber, was Ono tatsächlich kauft, stammt von Phylos eigener Evaluierungsarbeit. Am 30. Juni 2026 veröffentlichte das Unternehmen DrugDiscoveryBench mit Scale Labs: 82 Aufgaben, die von arbeitenden Arzneimittelentdeckungswissenschaftlern über Zielidentifizierung, Patent-Mining und Struktur-Aktivitätsanalyse erstellt wurden, jede mit einer überprüfbaren Antwort und einer von einem Experten verfassten Rubrik, die von Agenten gelöst wurden, die Code gegen reale biomedizinische Datenbanken schrieben.

Frontier-Modelle gruppierten sich eng und unbeeindruckend. Phylo berichtet, dass GPT-5.5 bei 51,6 %, Gemini 3.5 Flash bei 50,0 % und Opus 4.8 bei 47,2 % liegt, wobei unterschiedliche Modelle unterschiedliche Aufgabengruppen anführen. Zwei Erkenntnisse unter dem Ranking sind für eine Pharma-Einführung wichtiger:

• Wenn man das Modell festhält und nur die umgebende Agentenarchitektur ändert, bewegt sich GPT-5.5 von 40,6 % auf 51,6 % und GLM 5.2 von 24,4 % auf 37,8 %.
• Wenn man dem Modell eine von einem Menschen verfasste Spielanleitung gibt, die die Schritte und Werkzeuge benennt, erreicht mindestens ein Modell 76 der 82 Aufgaben.

Phylo ist direkt über den Ausfallmodus dazwischen: Bei langen Workflows verliert der Agent stillschweigend eine Einschränkung und gibt eine selbstsichere falsche Antwort zurück. In einer Aufgabe antwortete es auf eine Melanom-Frage mit einem Brustkrebs-Gen. Das ist die Lücke, die institutionelles Wissen schließt, und es erklärt, warum die Ono-Vereinbarung um das Unternehmen historische Daten und nicht um rohe Modellfähigkeiten herum aufgebaut ist.

Wo es in Onos Entdeckungsstrategie passt

Ono hat dies über mehrere Jahre hinweg aufgebaut. Seine Forschungsorganisation gibt an, dass es KI verwendet, um die Suche nach Entdeckungskeimen zu beschleunigen und die Zeit bis zu neuen Verbindungen zu verkürzen, und es betreibt ein bewusst externes Modell der Arzneimittelentdeckung: Im März 2026 erweiterte es eine computergestützte Entdeckungszusammenarbeit mit Congruence Therapeutics in die Neurologie und Immunologie.

“Wir glauben, dass KI zu einer Kernfähigkeit für die Arzneimittelentdeckung wird”, sagte Seishi Katsumata, Onos Corporate Officer und Executive Vice President für Entdeckung und Forschung, der hinzufügte, dass Onos Forscher Biomni Lab schnell während der Bewertung aufgenommen haben.

Für Phylo erweitert die Vereinbarung eine Kundenliste, die in weniger als sechs Monaten aufgebaut wurde. Das Unternehmen startete Biomni Lab am 3. Februar 2026 in der Forschungsvorschau neben einer $13,5-Millionen-Seed-Runde, die von Andreessen Horowitz und Menlo Ventures’ Anthology Fund ko-leitete, und hat seitdem die Veröffentlichung von Einsatzarbeiten mit Ginkgo Bioworks (DNA ) und agentenbasierten klinischen Studienemulationen mit Mount Sinai-Forschern veröffentlicht. Es kommt auch in einen Markt, in dem große Pharmakonzerne beschlossen haben, Agenten-Infrastruktur zu kaufen, anstatt sie selbst aufzubauen, wie AstraZeneca (AZN ) es getan hat, als es seine Owkin-Partnerschaft erweiterte, um Agenten in die Entwicklungsentscheidungen einzubauen.

Biomni Lab ist jetzt verfügbar, und die konkrete Arbeit, für die Ono sich verpflichtet hat, ist die schwierigere Hälfte: die Umwandlung von drei Jahrhunderten angesammelter Entdeckungspraxis in Verfahren, die ein Agent befolgen kann. Auf Phylos eigener Benchmark ist das der Schritt, der einen Agenten von der Hälfte der Aufgaben zu fast allen Aufgaben bringt.