Drug Discovery mit KI-gestütztem generativem Therapeutika-Design beschleunigen

KI-gestützte Ideation Engine für Biopharma

Ein neuartiges Therapeutikum zu Patienten zu bringen, ist ein kostspieliges, zeitaufwändiges Unterfangen. Die durchschnittlichen Gesamtkosten für Entwicklung und Vermarktung eines Medikaments betragen ca. 3 Milliarden Dollar über 12–14 Jahre. Die Discovery-Phase allein verbraucht etwa ein Drittel dieses Budgets und erfordert typischerweise die Synthese tausender Moleküle und bis zu fünf Jahre, um einen einzelnen präklinischen Lead-Kandidaten zu produzieren. Zudem erreichen nur etwa 10 % der in Phase-I-Studien eintretenden Verbindungen die regulatorische Zulassung.

Künstliche Intelligenz (KI) verspricht, diese Discovery-Phase zu beschleunigen und Kosten drastisch zu senken. Durch Integration modernster Machine-Learning-Modelle mit leistungsstarkem Cloud-Computing kann KI Wissenschaftlern helfen, höherwertige Verbindungen zu designen und damit die klinische Ausfallrate zu senken.

Biovia Generative Therapeutics Design (GTD)

GTD automatisiert die virtuelle Erstellung, Testung und Selektion neuartiger Kleiner Moleküle. Mit fortschrittlicher KI/ML leitet die cloud-basierte Plattform Wissenschaftler bei der Wahl der nächsten zu synthetisierenden Verbindungen an, optimiert F&E-Output und verkürzt Entwicklungszeitlinien.

Active Learning

Active Learning verbindet virtuelle Modellierung mit realer Experimentierung, um optimale Lösungen effizient zu identifizieren. In der Kleiner-Molekül-Lead-Discovery startet ein Team mit einem initialen Modell, gebaut aus limitierten Assay-Daten – oft nur wenigen Dutzend Verbindungen. Das Modell schlägt neue Kandidaten vor, die den Datensatz erweitern. Nachfolgende Synthese und Testung speisen neue Ergebnisse zurück in das Modell, das iterativ neu trainiert wird. Dieser Loop reduziert die Anzahl der Zyklen, die nötig sind, um auf einen hochpotenten Lead zu konvergieren, und beschleunigt den gesamten Discovery-Prozess.

Human-in-the-Loop KI (Augmented Intelligence)

GTD generiert tausende virtuelle Moleküle und erkundet einen immensen chemischen Designraum. Da Lead-Optimierung eine Multi-Objektiv-Herausforderung ist, bewertet das System Eigenschaften wie Potenz, Löslichkeit, Hepatotoxizität, Bioverfügbarkeit, metabolische Stabilität, synthetische Zugänglichkeit und IP-Betrachtungen. Bankchemiker liefern Experteneinblicke, die maschinelle Vorhersagen ergänzen und nachfolgende Design-Iterationen steuern. Diese Kollaboration – was wir „augmented intelligence“ nennen – treibt schnellere, genauere Ergebnisse voran.

Lab-in-the-Loop KI

Validierung im Labor ist essenziell. Lab-in-the-Loop KI integriert unvoreingenommene Machine-Learning-Vorhersagen mit praktischer Experimentierung und nutzt die Expertise von Wissenschaftlern. Die Plattform kann verfügbare Reagenzien von Drittanbietern oder Synthesepartnern berücksichtigen und Organisationen helfen, Turnaround-Zeit und Kosten zu minimieren, ob intern oder mit Contract Research Organizations (CROs) arbeitend. Kontinuierliches Testen liefert frische Daten, die die Vorhersagemodelle weiter verfeinern und den erkundeten chemischen Raum erweitern, bis der Medicinal Chemist Verbindungen identifiziert, die das Target Product Profile (TPP) erfüllen.

Modellierung und Simulation

Komplementäre computergestützte Methoden – wie Pharmakophor-Scoring, molekulares Docking und Free-Energy-Perturbation (FEP) – liefern mechanistische Einblicke, die experimentell prohibitiv teuer oder zeitaufwändig wären. Die Automatisierung dieser Simulationen innerhalb der generativen Pipeline erlaubt Wissenschaftlern, 3D-Interaktionen zwischen einem Kandidaten und einem krankheitsassoziierten Protein zu bewerten und den Entscheidungsprozess zu beschleunigen.

Fallstudie: Erfolgsgeschichte eines US-Pharmaunternehmens

Mit GTD baute ein großes US-Pharmaunternehmen robuste Machine-Learning-Modelle aus einem initialen Satz von Projektverbindungen. Das System schlug dann eine neue Serie von Kandidaten für Synthese und Testung vor. Durch Lernen von den einzigartigen strukturellen Motiven des Projekts identifizierten die Modelle wertvolle, aber atypische Gerüste. Medicinal Chemists constrainierten das Design, um Kernfeatures beizubehalten, während sie einen verengten chemischen Raum erkundeten, was Verbindungen mit vertrauten synthetischen Wegen und verbessertem TPP ergab.

Ergebnis: Ca. 80 % der systemgenerierten Verbindungen entsprachen dem vorhergesagten Eigenschaftsprofil, und eine Verbindung erreichte das vollständige TPP. Chemiker berichteten, dass die meisten Vorschläge ermutigend waren – strukturell ähnlich zu existierenden Kandidaten – und dass eine Teilmenge echte neuartige Gerüste darstellte, die durch konventionelle Methoden nicht entstanden wären. Dies demonstriert GTDs realen Wert bei der Erweiterung der Explorationsgrenze.

Wesentliche Erkenntnisse

1. Effektive Ideation Engine – GTD liefert Bankchemikern frische, datengetriebene Ideen, ermutigt Exploration jenseits traditioneller Suchräume und verbessert chemische Intuition.
2. Beschleunigte Lead-Entwicklung – Durch Priorisierung der vielversprechendsten Kandidaten verbessert GTD molekulare Qualität, reduziert experimentelle Kosten und verkürzt Discovery-Zeitlinien, potenziell Millionen Dollar einsparend.
3. Synergie von Wissenschaftlern und KI – Der kollaborative Loop zwischen Chemikern und Algorithmen liefert überlegene Ergebnisse; Wissenschaftler treiben Intuition voran, während KI großskalige Mustererkennung übernimmt.

Abschließender Gedanke

Generative Design-Tools erreichen ihr volles Potenzial, wenn sie in einen End-to-End-Workflow integriert sind. Biovia erweitert seine Virtual + Real (V+R) Plattform um Laboranforderungsmanagement, Dual-Registrierung virtueller und realer Verbindungen, Testergebnis-Erfassung und automatisiertes Modell-Re-Learning. Durch Einbetten dieser Fähigkeiten in bestehende Prozesse können Kunden Spitzentechnologie nutzen, ohne etablierte Workflows zu stören.