insitro hat eine neue strategische Zusammenarbeit mit Eli Lilly and Company angekündigt, um erstmalige maschinelle Lernmodelle für die Entwicklung kleiner Moleküle zu entwickeln. Ziel ist es, präzise Vorhersagen über wichtige pharmakologische Eigenschaften kleiner Moleküle – insbesondere deren Verhalten im lebenden Organismus (in vivo) – zu ermöglichen. Traditionell sind solche Daten durch zeitaufwendige und kostspielige Laborexperimente zu gewinnen, was den Entwicklungsprozess erheblich verzögert. Durch die Kombination von insitros fortschrittlicher computergestützter Expertise mit Lillys umfangreichen, jahrzehntelang gesammelten präklinischen Datensätzen – inklusive detaillierter ADMET-Daten (Absorption, Verteilung, Metabolismus, Exkretion, Toxizität) – soll ein hochwertiges, konsistentes und skalierbares Datenset genutzt werden, das bisher selten ist. Die entwickelten Modelle sollen die Identifikation von Molekülen mit günstigen Pharmakokinetik-Eigenschaften beschleunigen und die Anzahl notwendiger in-vivo-Studien reduzieren. Die Kooperation baut auf einer bereits 2024 angekündigten Zusammenarbeit auf, die sich auf siRNA-Transport- und Antikörper-Entwicklung konzentrierte, um insitros Pipeline in metabolischen Erkrankungen voranzutreiben. Jetzt geht es um die Erweiterung der AI-Infrastruktur zur frühen Molekülgestaltung. Daphne Koller, CEO von insitro, betont, dass die Vorhersage des in-vivo-Verhaltens von Molekülen seit langem ein zentrales Hindernis in der Arzneimittelentwicklung sei – und dass nur mit qualitativ hochwertigen, konsistenten Daten AI diese Herausforderung meistern könne. Die neuen Modelle sollen Forschern helfen, frühzeitig wirksame und sichere chemische Strukturen zu identifizieren, was zu besseren Patientenergebnissen führen kann. Philip Tagari, Chief Scientific Officer von insitro, sieht die Modelle als „Game-Changer“, die die Hit-to-Lead- und Lead-Optimierungsphasen revolutionieren können. Da die Eigenschaften von kleinen Molekülen stark miteinander verknüpft sind und bisher schwer vorherzusagen waren, führt traditionelle Optimierung oft zu Jahren und Investitionen von mehreren Millionen Dollar. Die neuen ML-Modelle sollen diese Prozesse effizienter gestalten und gleichzeitig die Genauigkeit erhöhen. Die entwickelten Modelle werden nicht nur insitro und Lilly, sondern auch Partnern über Lilly TuneLab zur Verfügung gestellt – einer Plattform innerhalb des Lilly Catalyze360-Modells, die kleine Biotechs mit fortschrittlichen ML-Tools versorgt. Die Plattform basiert auf federiertem Lernen und schützt die Datensouveränität: Daten bleiben privat und werden von einem Drittanbieter gehostet. Die Modelle sind Teil der umfassenden ChemML-Plattform von insitro, die aus physikbasiertem In-silico-Screening, Affinitäts-ML-Modellen aus DNA-encoding-Libraries und einem aktiven Lern-System für Medizinische Chemie besteht. Industrieexperten sehen die Kooperation als Meilenstein für die Integration von KI in die Arzneimittelentwicklung. Insbesondere die Nutzung hochwertiger historischer Daten aus der Forschung von Lilly, kombiniert mit moderner ML-Technologie, könnte die Effizienz der frühen Entwicklungsphase erheblich steigern. insitro, gegründet 2018 und mit über 700 Millionen US-Dollar Kapital, konzentriert sich auf metabolische Erkrankungen und Neurologie. Die neue Partnerschaft unterstreicht das Potenzial von KI, nicht nur interne Prozesse zu optimieren, sondern auch die gesamte biotechnologische Ökosystem zu stärken.