Koller warnt: KI-Pharma braucht 1000-fach mehr Daten

Die KI-Pionierin Daphne Koller warnt vor einer Überbewertung künstlicher Intelligenz in der Arzneimittelentwicklung. In einer kürzlich erschienenen Analyse betont die Mitbegründerin von Coursera und Gründerin des AI-Pharmaherstellers insitro, dass KI-Systeme zwar die Molekülgewinnung beschleunigen, jedoch fundamental an unzureichendem biologischem Grundwissen scheitern. Derzeit konzentriert sich die Branche überproportional auf die Optimierung von Wirkstoffkandidaten, während die eigentliche Schwachstelle in der frühen Identifizierung krankheitsrelevanter Targets liegt. Über neunzig Prozent der in klinische Studien eintretenden Substanzen scheitern, weil die zugrundeliegende therapeutische Hypothese biologisch nicht haltbar ist. Koller identifiziert ein kritisches Datendefizit als Hauptbremse: Zwischen dem aktuellen Wissensstand und dem Bedarf an vollständigen kausalen Modellierungen der menschlichen Biologie klafft eine Lücke von etwa dreifachem Zehnerpotenz, was rund dem Tausendfachen an benötigten Daten entspricht. Während etablierte Datensätze größtenteils korrelative Beobachtungen abbilden, fehlen systematische Perturbationsdaten, die Aufschluss darüber geben, wie biologische Systeme auf gezielte Eingriffe reagieren. Nur durch den gezielten Einsatz experimenteller Validierung, etwa mittels CRISPR, könne diese Kluft geschlossen werden. KI diene in diesem Kreislauf lediglich als Beschleuniger für Hypothesen, nicht als Ersatz für empirische Forschung. Diese Einschätzung spiegelt sich aktuell in der Unternehmensstrategie von insitro wider. Das 2018 gegründete Unternehmen verfolgt konsequent einen slow path, indem es zunächst massive Datenplattformen aufbaut, bevor eigene Wirkstoffkandidaten entwickelt werden. Bisher wurden rund 800 Millionen US-Dollar eingesammelt, und Partnerschaften mit etablierten Pharmakonzernen wie Bristol Myers Squibb, Eli Lilly und Gilead generieren zusätzliche Erlöse. Klinische Prüfungen stehen dennoch aus, was Koller als notwendigen Schritt zur Validierung der gesamten AI-Plattform sieht, anstatt auf externe Ankäufe zurückzugreifen. Die gesamte Branche bewegt sich in dieselbe Richtung. Fachpublikationen und Branchendaten bestätigen, dass der Fokus auf bereits etablierten Targets wie GLP-1 zunimmt, während die Zahl neuer Forschungsansätze rückläufig ist. Trotz Milliarden-Investitionen, wie etwa der kürzlich von Isomorphic Labs getätigten Finanzierungsrunde, verzögern sich klinische Meilensteine systematisch. Der Durchmarsch von der Computervorhersage zur ersten Menschlichkeit erfordert robuste chemische, toxiskologische und regulatorische Validationsschritte, die sich nicht durch rechnerische Leistung beschleunigen lassen. Für die Zukunft wird eine strukturelle Transformation der Forschungslandschaft prognostiziert. Neben der Schaffung standardisierter, automatisierter Experimentierumgebungen rückt die interdisziplinäre Zusammenarbeit in den Mittelpunkt. Erfolgreiche AI-Pharmazie erfordert integrierte Teams, in denen Data Scientists und biomedizinische Forscher gemeinsam Forschungsfragen definieren. Während Technologieüberschwang kurzfristige Erwartungen oft übersteuert, wird die langfristige Integration von KI in die pharmazeutische Wertschöpfungskette von der Fähigkeit abhängen, kausale biologische Zusammenhänge empirisch abzubilden und in nachhaltige klinische Ergebnisse zu übersetzen.