Private Pharma-Daten treiben KI-Wirkstoffforschung voran

Ein internationales Konsortium aus den Pharmakonzernen AbbVie, Astex, Bristol-Myers-Squibb, Johnson & Johnson und Takeda hat in Zusammenarbeit mit dem französischen Unternehmen Apheris und der Columbia University einen Durchbruch in der KI-gestützten Wirkstoffentwicklung erzielt. Über das AI Structure Biology Network (AISB) nutzten die Partner das Federated-Learning-Verfahren, um firmeneigene, hochsensible Daten zu Protein-Ligand-Strukturen zu trainieren, ohne diese physisch zu zentralisieren. Innerhalb weniger als zehn Wochen wurden mehr als 20.000 experimentell verifizierte komplexe Molekülstrukturen auf lokalen Servern der Unternehmen verarbeitet; ausschließlich optimierte Modellparameter wurden an eine zentrale Plattform übermittelt. Das daraus resultierende Modell AISB-1-Fed übertraf in kritischen Validierungsindizes wie PL-lDDT und bisyRMSD die stärksten öffentlichen Faltungsmodelle wie Boltz-2 um rund elf Prozent. Besonders deutlich wurde der Fortschritt bei der Vorhersage von Protein-Protein-Schnittstellen, wo die Trefferquote auf 62,6 Prozent stieg. Unabhängige Sicherheitstests, einschließlich Datenrekonstruktions- und Mitglied-Abfrage-Angriffe, belegen, dass das System keine Rückschlüsse auf die Trainingsdaten zulässt und damit kommerzielle Geheimnisse sowie Datenschutzstandards vollständig wahrt. Der Erfolg adressiert ein zentrales Problem der aktuellen KI-Forschung: Öffentliche Protein-Datenbanken wie das PDB enthalten lediglich etwa 10.000 Wirkstoffpaare, was die Genauigkeit generischer Modelle in realen Anwendungsszenarien limitiert. Die Studie demonstriert, dass Federated Learning nun skalierbar für hochkomplexe KI-Architekturen ist und frühere Ansätze wie das MELLODDY-Projekt deutlich übertroffen werden. Parallel dazu arbeiten Initiativen wie Eli Lillys TuneLab, das britische OpenBind-Programm sowie das globale LIGAND-AI-Netzwerk an der Generierung öffentlich zugänglicher Daten. Wissenschaftliche Experten betonen, dass die Anreicherung privater Bestandsdaten zwar kurzfristige Performancegewinne und Fehlerreduzierungen bei Zielidentifikationen ermöglicht, jedoch auf historisch verzerrten Datensätzen beruht. Für nachhaltige Durchbrüche seien gezielt generierte Standarddatensätze und der Übergang von statischen Faltungsmodellen hin zu dynamischen Simulationsverfahren unverzichtbar. Der Nachweis bestätigt einen strategischen Wandel in der biotechnologischen Forschung: Sichere KI-Kooperationen ermöglichen es konkurrierenden Akteuren, Datenhoheit zu wahren und gleichzeitig Synergien für die Präzisionsmedizin zu erschließen. Dies verkürzt potenziell die Entwicklungszyklen für neue Therapien und etabliert Federated Learning als Industriestandard für den Umgang mit sensiblen Forschungsdaten.