Welche Rolle spielt generative KI in der Wirkstoffforschung?

Welche Rolle spielt generative KI bei der Wirkstoffforschung?

Kurz gesagt: Generative KI beschleunigt vor allem die frühe Wirkstoffforschung, indem sie Kandidatenmoleküle oder Proteinsequenzen generiert, Synthesewege vorschlägt und testbare Hypothesen aufzeigt, sodass Teams weniger Blindversuche durchführen müssen. Sie erzielt die besten Ergebnisse, wenn strenge Einschränkungen vorgegeben und die Ergebnisse validiert werden; wird sie wie ein Orakel behandelt, kann sie mitunter irreführend sein.

Wichtigste Erkenntnisse:

Beschleunigung: Nutzen Sie GenAI, um die Ideengenerierung zu erweitern, und grenzen Sie sie anschließend durch strenge Filterung ein.

Einschränkungen: Vor der Generierung müssen Eigenschaftsbereiche, Gerüstregeln und Neuheitsgrenzen festgelegt werden.

Validierung: Ergebnisse als Hypothesen behandeln; mit Tests und orthogonalen Modellen bestätigen.

Nachvollziehbarkeit: Protokollieren Sie Eingabeaufforderungen, Ausgaben und Begründungen, damit Entscheidungen nachvollziehbar und überprüfbar bleiben.

Missbrauchsresistenz: Durch Governance, Zugriffskontrollen und menschliche Überprüfung können Leckagen und übermäßiges Selbstvertrauen verhindert werden.

Welche Rolle spielt generative KI in der Wirkstoffforschung? Infografik

Artikel, die Sie im Anschluss an diesen Artikel vielleicht interessieren:

🔗 Die Rolle der KI im Gesundheitswesen
Wie KI Diagnose, Arbeitsabläufe, Patientenversorgung und Behandlungsergebnisse verbessert.

🔗 Wird KI Radiologen ersetzen?
Erforscht, wie die Automatisierung die Radiologie erweitert und was dabei menschlich bleibt.

🔗 Wird KI Ärzte ersetzen?
Ein ehrlicher Blick auf die Auswirkungen von KI auf die Arbeit und die Praxis von Ärzten.

🔗 Die besten KI-Laborwerkzeuge für wissenschaftliche Entdeckungen
Die besten KI-Laborwerkzeuge zur Beschleunigung von Experimenten, Analysen und Entdeckungen.

Die Rolle der generativen KI in der Wirkstoffforschung, in einem Atemzug 😮💨

Generative KI unterstützt Forschungsteams bei der Entwicklung von Kandidatenmolekülen, der Vorhersage von Eigenschaften, dem Vorschlagen von Modifikationen, der Erstellung von Synthesewegen, der Untersuchung biologischer Hypothesen und der Verkürzung von Iterationszyklen – insbesondere in der frühen Wirkstoffforschung und der Leitstrukturoptimierung. Nature 2023 (Übersicht zur Ligandenfindung), Elsevier 2024 (Übersicht zu generativen Modellen im De-novo-Wirkstoffdesign).

Und ja, es kann auch mit Sicherheit Unsinn erzeugen. Das gehört dazu. Wie ein überaus enthusiastischer Praktikant mit einem Raketenantrieb. Leitfaden für Kliniker (Risiko von Halluzinationen) npj Digital Medicine 2025 (Rahmenwerk für Halluzinationen und Sicherheit)

Warum das wichtiger ist, als die meisten zugeben 💥

Viele Forschungsarbeiten bestehen aus „Suche“. Suche im chemischen Raum, in der Biologie, in der Literatur, in Struktur-Funktions-Beziehungen. Das Problem ist, dass der chemische Raum … im Grunde unendlich groß ist. (Accounts of Chemical Research 2015 (chemischer Raum); Irwin & Shoichet 2009 (Skala des chemischen Raums))

Man könnte mehrere Leben damit verbringen, nur „vernünftige“ Variationen auszuprobieren.

Generative KI verlagert den Arbeitsablauf von:

  • „Lasst uns testen, was uns einfällt.“

Zu:

  • „Lasst uns eine größere und intelligentere Auswahl an Optionen generieren und dann die besten testen.“

Es geht nicht darum, Experimente zu eliminieren. Es geht darum, bessere Experimente auszuwählen. 🧠 Nature 2023 (Übersicht zur Ligandenfindung)

Darüber hinaus – und das wird oft vernachlässigt – fördert es die interdisziplinäre Kommunikation. Chemiker, Biologen, DMPK-Experten, Informatiker … jeder hat unterschiedliche Denkmodelle. Ein gutes generatives System kann als gemeinsames Skizzenbuch dienen. (Frontiers in Drug Discovery 2024 Review)

Was zeichnet eine gute Version von generativer KI für die Wirkstoffforschung aus? ✅

Nicht alle generativen KI-Systeme sind gleichwertig. Eine „gute“ Version für diesen Bereich zeichnet sich weniger durch spektakuläre Demos aus, sondern vielmehr durch unaufdringliche Zuverlässigkeit (Unaufdringlichkeit ist hier eine Tugend). Nature 2023 (Übersicht zur Ligandenfindung)

Ein gutes generatives KI-Setup umfasst typischerweise Folgendes:

Wenn Ihre generative KI keine Einschränkungen bewältigen kann, ist sie im Grunde nur ein Generator für Neuheiten. Auf Partys unterhaltsam. In einer Drogenentzugsklinik weniger.

Wo generative KI in die Arzneimittelentwicklungskette passt 🧭

Hier ist eine einfache mentale Karte. Generative KI kann in nahezu jeder Phase einen Beitrag leisten, erzielt aber die besten Ergebnisse dort, wo Iterationen aufwändig sind und der Hypothesenraum riesig ist. Nature 2023 (Übersicht zur Ligandenfindung)

Gemeinsame Kontaktpunkte:

In vielen Programmen resultieren die größten Erfolge aus der Workflow-Integration, nicht aus einem einzelnen, vermeintlich „genialen“ Modell. Das Modell ist der Motor – die Pipeline das Fahrzeug. Nature 2023 (Übersicht zur Ligandenfindung)

Vergleichstabelle: Gängige generative KI-Ansätze in der Wirkstoffforschung 📊

Ein nicht ganz perfekter Tisch, denn das wahre Leben ist nicht ganz perfekt.

Werkzeug / Vorgehensweise Am besten geeignet für (Zielgruppe) Preislich ungefähr Warum es funktioniert (und wann nicht)
De novo Molekülgeneratoren (SMILES, Graphen) Medizinische Chemie + Computerchemie $$-$$$ Großartig darin, schnell neue Analoga zu entdecken 😎 - kann aber auch instabile Fehlkonstruktionen hervorbringen REINVENT 4 GENTRL (Nature Biotech 2019)
Protein-/Strukturgeneratoren Biologika-Teams, Strukturbiologie $$$ Hilft dabei, Sequenzen und Strukturen vorzuschlagen – aber „sieht plausibel aus“ ist nicht dasselbe wie „funktioniert“ AlphaFold (Nature 2021) RFdiffusion (Nature 2023)
Moleküldesign im Diffusionsstil Fortgeschrittene ML-Teams $$-$$$$ Stark in der Berücksichtigung von Nebenbedingungen und Diversität – die Einrichtung kann… eine ganze Sache sein. JCIM 2024 (Diffusionsmodelle), PMC 2025 Diffusionsüberblick
Copiloten für die Eigenschaftsvorhersage (QSAR + GenAI-Kombination) DMPK, Projektteams $$ Gut für die Priorisierung und Rangfolge – schlecht, wenn man es als unumstößliche Wahrheit ansieht 😬 OECD (Anwendungsbereich) ADMETlab 2.0
Retrosynthese-Planer Prozesschemie, CMC $$-$$$ Beschleunigt die Routenplanung – benötigt aber weiterhin menschliche Expertise für Machbarkeits- und Sicherheitsprüfungen AiZynthFinder 2020 Coley 2018 (CASP)
Multimodale Labor-Copiloten (Text + Analysedaten) Übersetzungsteams $$$ Hilfreich beim Extrahieren von Signalen aus verschiedenen Datensätzen – neigt jedoch zu Selbstüberschätzung, wenn die Daten unregelmäßig sind (Nature 2024 (Batch-Effekte in der Zellbildgebung) , npj Digital Medicine 2025 (Multimodalität in der Biotechnologie)).
Literatur- und Hypothesenassistenten Jeder, in der Praxis $ Verkürzt die Lesezeit erheblich – aber Halluzinationen können trügerisch sein, wie verschwindende Socken. Patterns 2025 (LLMs in der Arzneimittelforschung) Leitfaden für Kliniker (Halluzinationen)
Maßgeschneiderte, hauseigene Fundamentmodelle Große Pharmaunternehmen, gut finanzierte Biotech-Unternehmen $$$$ Optimale Kontrolle und Integration – allerdings auch teuer und zeitaufwendig in der Entwicklung (leider wahr). Frontiers in Drug Discovery 2024 – Übersicht

Anmerkung: Die Preise variieren stark je nach Umfang, Rechenleistung, Lizenzierung und danach, ob Ihr Team eine „Plug-and-Play“-Lösung oder eher eine komplexe Architektur bevorzugt

Genauer betrachtet: Generative KI für Hitfindung und De-novo-Design 🧩

Dies ist der wichtigste Anwendungsfall: die Generierung von Kandidatenmolekülen von Grund auf (oder ausgehend von einem Gerüst), die einem Zielprofil entsprechen. Nature Biotechnology 2019 (GENTRL) REINVENT 4

So funktioniert es typischerweise in der Praxis:

  1. Einschränkungen definieren

  2. Kandidaten generieren

  3. Aggressives Filtern

  4. Wählen Sie für die Synthese eine kleine Menge aus

    • Die Menschen picken immer noch herum, weil sie manchmal Unsinn riechen können

Die unangenehme Wahrheit: Der Wert liegt nicht einfach in „neuen Molekülen“. Es geht um neue Moleküle, die zu den Rahmenbedingungen Ihres Programms passen. Dieser letzte Punkt ist entscheidend. Nature 2023 (Übersicht zur Ligandenfindung)

Und jetzt kommt eine kleine Übertreibung: Wenn es gut gemacht ist, hat man das Gefühl, ein Team unermüdlicher Nachwuchschemiker engagiert zu haben, die nie schlafen und sich nie beschweren. Andererseits verstehen sie auch nicht, warum eine bestimmte Schutzstrategie so schwierig ist, also … alles eine Frage der Balance 😅.

Genauer betrachtet: Lead-Optimierung mit generativer KI (Multi-Parameter-Tuning) 🎛️

Bei der Lead-Optimierung wird der Traum schnell kompliziert.

Du willst:

  • Potenzsteigerung

  • Selektivität erhöhen

  • Stoffwechselstabilität erhöht

  • Löslichkeit bis

  • Sicherheitssignale ausgeschaltet

  • Durchlässigkeit „genau richtig“

  • UND dennoch synthetisierbar sein

Dies ist klassische Mehrzieloptimierung. Generative KI ist besonders gut darin, eine Reihe von Kompromisslösungen vorzuschlagen, anstatt so zu tun, als gäbe es eine einzige perfekte Lösung. REINVENT 4 Elsevier 2024 – Rezension (generative Modelle)

Praktische Anwendungsmöglichkeiten für Teams:

  • Analoger Vorschlag: „Entwickeln Sie 30 Varianten, die den Clearance-Wert senken, aber die Wirksamkeit beibehalten.“

  • Substituenten-Scanning: Gezielte Erkundung statt roher Aufzählung

  • Scaffold-Hopping: wenn ein Kern an eine Grenze stößt (Toxizität, IP oder Stabilität)

  • Erläuterungsvorschläge: „Diese polare Gruppe kann die Löslichkeit verbessern, aber die Permeabilität beeinträchtigen“ (nicht immer richtig, aber hilfreich).

Eine Warnung: Vorhersagemodelle für chemische Eigenschaften können fehleranfällig sein. Stimmen Ihre Trainingsdaten nicht mit Ihrer chemischen Reihe überein, kann das Modell mit Sicherheit falsch liegen. Und zwar gewaltig. Und es wird sich nicht schämen. OECD-QSAR-Validierungsprinzipien (Anwendungsbereich) Weaver 2008 (QSAR-Anwendungsbereich)

Genauer betrachtet: ADMET, Toxizität und „Bitte das Programm nicht abbrechen“-Screening 🧯

ADMET ist der Bereich, in dem viele Kandidaten stillschweigend scheitern. Generative KI löst zwar nicht die Probleme der Biologie, kann aber vermeidbare Fehler reduzieren. ADMETlab 2.0 Waring 2015 (Abfallquote)

Übliche Rollen:

  • Vorhersage metabolischer Risiken (Orte des Stoffwechsels, Clearance-Trends)

  • Kennzeichnung wahrscheinlicher Toxizitätsmotive (Warnsignale, Indikatoren für reaktive Zwischenprodukte)

  • Abschätzung der Löslichkeits- und Permeabilitätsbereiche

  • Vorschläge für Modifikationen zur Reduzierung des hERG-Risikos oder zur Verbesserung der Stabilität 🧪 FDA (ICH E14/S7B Fragen und Antworten) EMA (ICH E14/S7B Übersicht)

Das effektivste Vorgehen sieht in der Regel so aus: GenAI wird verwendet, um Optionen vorzuschlagen, aber spezialisierte Modelle und Experimente dienen der Überprüfung.

Generative KI ist der Ideengenerator. Die Validierung erfolgt weiterhin durch Tests.

Genauer betrachtet: Generative KI für Biologika und Protein-Engineering 🧬✨

Die Wirkstoffforschung beschränkt sich nicht nur auf kleine Moleküle. Generative KI wird auch für Folgendes eingesetzt:

Die Generierung von Proteinen und Sequenzen kann sehr wirkungsvoll sein, da die „Sprache“ der Sequenzen erstaunlich gut mit Methoden des maschinellen Lernens harmoniert. Doch hier kommt der Haken: Die Harmonie hält so lange, bis sie versagt. Denn Immunogenität, Expression, Glykosylierungsmuster und Entwicklungsbeschränkungen können gravierende Probleme verursachen. AlphaFold (Nature 2021) ProteinGenerator (Nat Biotech 2024)

Die besten Konfigurationen umfassen also:

  • Entwickelbarkeitsfilter

  • Bewertung des Immunogenitätsrisikos

  • Fertigungsbeschränkungen

  • Nasslaborschleifen für schnelle Iteration 🧫

Wenn man diese überspringt, erhält man eine wunderschöne Sequenz, die sich bei der Produktion wie eine Diva benimmt.

Genauer betrachtet: Syntheseplanung und Vorschläge zur Retrosynthese 🧰

Generative KI hält auch Einzug in chemische Prozesse, nicht nur in die Molekülentwicklung.

Retrosynthese-Planer können:

  • Wege zu einer Zielverbindung vorschlagen

  • im Handel erhältliche Ausgangsmaterialien vorschlagen

  • Routen nach Schrittzahl oder wahrgenommener Machbarkeit einordnen

  • Helfen Sie Chemikern, „nette, aber unmögliche“ Ideen schnell auszuschließen. AiZynthFinder 2020 Coley 2018 (CASP)

Das kann wertvolle Zeit sparen, insbesondere bei der Untersuchung vieler potenzieller Strukturen. Dennoch spielen Menschen hier eine wichtige Rolle, denn:

  • Änderungen der Reagenzienverfügbarkeit

  • Sicherheits- und Größenbedenken sind real

  • Manche Schritte sehen auf dem Papier gut aus, schlagen aber immer wieder fehl

Eine etwas unvollkommene Metapher, aber ich verwende sie trotzdem: Retrosynthese-KI ist wie ein GPS, das meistens richtig liegt, einen aber manchmal mitten durch einen See lotst und behauptet, es sei eine Abkürzung. 🚗🌊 Coley 2017 (computergestützte Retrosynthese)

Daten, multimodale Modelle und die raue Realität von Laboren 🧾🧪

Generative KI liebt Daten. Labore produzieren Daten. Theoretisch klingt das einfach.

Ha. Nein.

Reale Labordaten sind:

Multimodale generative Systeme können Folgendes kombinieren:

Wenn es funktioniert, ist es fantastisch. Man kann nicht offensichtliche Muster aufdecken und Experimente vorschlagen, die einem einzelnen Spezialisten möglicherweise entgehen würden.

Wenn es fehlschlägt, dann leise. Es schlägt nicht die Tür zu. Es verleitet lediglich zu einer falschen, aber selbstsicheren Schlussfolgerung. Deshalb sind Governance, Validierung und Domänenprüfung unerlässlich. Leitfaden für Kliniker (Halluzinationen) npj Digitale Medizin 2025 (Halluzinationen + Sicherheitsrahmen)

Risiken, Einschränkungen und der Abschnitt „Lassen Sie sich nicht von flüssigen Ergebnissen täuschen“ ⚠️

Wenn Sie sich nur eine Sache merken, dann diese: Generative KI ist überzeugend. Sie kann richtig klingen, obwohl sie falsch ist. Leitfaden für Kliniker (Halluzinationen)

Wichtigste Risiken:

In der Praxis hilfreiche Minderungsmaßnahmen:

  • den Menschen in den Entscheidungsprozess einbeziehen

  • Protokollierung von Eingabeaufforderungen und Ausgaben zur Nachverfolgbarkeit

  • Validierung mit orthogonalen Methoden (Assays, alternativen Modellen)

  • Einschränkungen und Filter automatisch durchsetzen

  • Ergebnisse als Hypothesen und nicht als unumstößliche Wahrheiten behandeln (OECD-QSAR-Leitfaden)

Generative KI ist ein mächtiges Werkzeug. Mächtige Werkzeuge machen einen nicht zum Schreiner… sie führen nur schneller zu Fehlern, wenn man nicht weiß, was man tut.

Wie Teams generative KI ohne Chaos einführen 🧩🛠️

Teams möchten dies oft nutzen, ohne die Organisation in einen Wissenschaftswettbewerb zu verwandeln. Ein praktischer Einführungsweg sieht folgendermaßen aus:

Unterschätzen Sie auch nicht den Einfluss der Kultur. Wenn Chemiker das Gefühl haben, KI werde ihnen aufgezwungen, ignorieren sie sie. Spart sie ihnen hingegen Zeit und respektiert sie ihre Expertise, werden sie sie schnell annehmen. So sind Menschen eben. 🙂.

Welche Rolle spielt generative KI in der Wirkstoffforschung aus der Vogelperspektive? 🔭

Im größeren Kontext betrachtet, geht es nicht darum, Wissenschaftler zu ersetzen, sondern darum, die wissenschaftliche Bandbreite zu erweitern. Nature 2023 (Übersicht zur Ligandenfindung)

Es hilft Teams:

  • mehr Hypothesen pro Woche untersuchen

  • mehr Kandidatenstrukturen pro Zyklus vorschlagen

  • Experimente intelligenter priorisieren

  • Iterationsschleifen zwischen Entwurf und Test komprimieren

  • Wissensaustausch über Abteilungsgrenzen hinweg – Muster 2025 (LLMs in der Wirkstoffforschung)

Und vielleicht der am meisten unterschätzte Vorteil: Es hilft, nicht mit sich wiederholenden Aufgaben zu verschwenden. Man sollte sich mit Mechanismen, Strategien und Interpretationen auseinandersetzen – und nicht tagelang Variantenlisten manuell erstellen. Nature 2023 (Übersicht zur Ligandenfindung)

Ja, die Rolle der generativen KI in der Wirkstoffforschung ist die eines Beschleunigers, eines Generators, eines Filters und manchmal auch eines Störfaktors. Aber eine wertvolle.

Zusammenfassung zum Abschluss 🧾✅

Generative KI entwickelt sich zu einer Kernkompetenz in der modernen Wirkstoffforschung, da sie Moleküle, Hypothesen, Sequenzen und Synthesewege schneller als Menschen generieren kann – und Teams bei der Auswahl besserer Experimente unterstützt. (Frontiers in Drug Discovery 2024, Übersicht; Nature 2023, Übersicht zur Ligandenfindung)

Zusammenfassung:

Behandelt man es wie einen Partner – und nicht wie ein Orakel –, kann es Projekte tatsächlich voranbringen. Behandelt man es hingegen wie ein Orakel … nun ja, dann landet man am Ende womöglich wieder im See, dem GPS folgend. 

Praxisbeispiel: Entwicklung eines Workflows zur Molekülgenerierung mit Fokus auf Constraints 🧪

Szenario

Ein fiktives, aber realistisches kleines Biotech-Team arbeitet an einem Wirkstoffziel für eine entzündliche Erkrankung. Sie haben bereits 42 bestätigte, schwache Treffer aus dem Screening, aber die meisten weisen eine schlechte Löslichkeit auf, und einige liegen zu nah an den Patenten der Konkurrenz.

Anstatt ein generatives Modell aufzufordern, „bessere Moleküle zu finden“ – was im Grunde eine Einladung zu elegantem Unsinn wäre –, entwickelt das Team einen straffen Workflow für die Hit-Expansion.

Das Ziel ist einfach: eine größere Anzahl von Analoga generieren, diese streng filtern und nur die aussichtsreichsten Kandidaten zur Begutachtung durch die medizinische Chemie weiterleiten.

Was der Assistent benötigt

Das Team stellt das System zur Verfügung:

Zielprofil und Informationen zu bekannten Liganden

die 42 bestätigten Trefferstrukturen

Eigenschaftsgrenzen für Molekulargewicht, logP, TPSA, Löslichkeit und vorhergesagte Clearance

Blockierte Scaffolds und Ähnlichkeitsschwellenwerte zur Vermeidung von IP-Rechten

PAINS und reaktive Gruppenfilter Baell & Holloway 2010

ADMET-Vorhersage prüft ADMETlab 2.0

Machbarkeitsprüfungen für die Retrosynthese mit AiZynthFinder 2020

Regeln für die menschliche Überprüfung der endgültigen Auswahl

Das Wichtigste dabei: Das Modell darf nicht allein auf Wirksamkeit optimieren. Es muss Wirksamkeit, Neuartigkeit, Entwickelbarkeit und Synthetisierbarkeit in Einklang bringen.

Beispielanleitung

Generieren Sie 150 Analoga basierend auf diesen bestätigten Trefferstrukturen. Halten Sie das Molekulargewicht zwischen 300 und 480, den vorhergesagten logP-Wert zwischen 1,5 und 4,0, den TPSA-Wert unter 110 und vermeiden Sie die in der IP-Datei aufgeführten blockierten Grundgerüste. Priorisieren Sie Strukturen ohne PAINS-Warnungen, ohne offensichtliche reaktive Gruppen und mit einem plausiblen Syntheseweg von maximal fünf Schritten. Erläutern Sie für jedes Molekül die wichtigste Modifikation, die angestrebte Eigenschaftsverbesserung, das Hauptrisiko und ob die Verbindung abgelehnt, überprüft oder priorisiert werden sollte.

Wie man es testet

Das Team vertraut dem ersten Ergebnis nicht. Sie führen eine kleine Auswertungsschleife durch:

Prüfen Sie, ob die generierten Moleküle die Eigenschaftsbeschränkungen erfüllen

Nahezu identische Verbindungen und Strukturen, die bekannten Verbindungen zu ähnlich sind, werden entfernt

Führen Sie PAINS-, reaktive Gruppen- und grundlegende Filter für medizinische Chemie durch

Führen Sie ein zweites Eigenschaftsmodell durch, um die ADMET-Vorhersagen zu vergleichen

Bitten Sie zwei Chemiker, die 30 besten Kandidaten unabhängig voneinander zu bewerten

Senden Sie nur die am besten bewertete Auswahlliste zur Synthesediskussion

Eine wertvolle Testfrage lautet: „Würden wir dieses Molekül auch dann in Betracht ziehen, wenn die KI es nicht vorgeschlagen hätte?“

Lautet die Antwort „Nein“, fragt das Team nach dem Warum. Manchmal kommt dabei eine gute neue Idee zum Vorschein. Manchmal offenbart sich aber auch unrealistisches, modellgetriebenes Wunschdenken.

Ergebnis

Nur beispielhaftes Ergebnis – keine echte Fallstudie eines Unternehmens.

Anhand der Zeitmessung dreier Beispielaufgaben zur Treffererweiterung benötigte der manuelle Workflow etwa 5 Stunden, um 60 analoge Ideen zu erstellen und zu priorisieren. Der Constraint-First-GenAI-Workflow erzeugte 150 erste Kandidaten in etwa 55 Minuten.

Nach der Vorauswahl überstanden nur 27 Kandidaten die vollständige Prüfung. Von diesen stuften die Chemiker 9 als einer eingehenderen Überprüfung würdig ein, 12 als „interessant, aber riskant“ und 6 als zur Ablehnung nach der Überprüfung.

Das bedeutet, der wertvolle Output bestand nicht in „150 neuen Molekülen“. Der wertvolle Output waren vielmehr 9 überprüfbare Kandidaten in weniger als einer Stunde, mit einem klaren Prüfprotokoll, das aufzeigt, welche Kriterien jeder Kandidat erfüllt oder nicht erfüllt hat.

Ein Team könnte dies durch folgende Maßnahmen überprüfen:

Zeitaufwand pro Designzyklus

Anzahl der generierten Strukturen

Prozentsatz, der durch Filter entfernt wurde

Akzeptanzrate der Chemiker

Anzahl der für die Synthese ausgewählten Kandidaten

Die Anzahl wurde später im Test als aktiv bestätigt

Was kann schiefgehen?

Das Modell optimiert möglicherweise die Filter, anstatt wirklich fundierte chemische Prinzipien vorzuschlagen.

Ein Kandidat kann in den prognostizierten ADMET-Eigenschaften hervorragend erscheinen, aber in einem realen Test sofort versagen. OECD-QSAR-Validierungsprinzipien

Vorschläge zur Retrosynthese mögen plausibel erscheinen, beruhen aber auf nicht verfügbaren Reagenzien, schwierigen Bedingungen oder unsicheren chemischen Verfahren.

Der Neuheitsfilter entfernt möglicherweise wertvolle Verbindungen zu aggressiv oder lässt Moleküle durch, die noch zu nahe an bekanntem geistigem Eigentum liegen.

Der größte Fehler besteht darin, die Rangliste als absolute Wahrheit zu betrachten. Sie ist lediglich eine priorisierte Hypothesenliste.

Praktische Erkenntnisse

Der beste Einsatz von generativer KI in der Wirkstoffforschung besteht nicht darin, einfach einen Knopf zu drücken und ein Medikament zu erhalten. Vielmehr handelt es sich um eine kontrollierte Ideenfabrik: breit gefächert generieren, rigoros filtern, jede Entscheidung dokumentieren und die Wissenschaftler die endgültige Entscheidung treffen lassen.

Häufig gestellte Fragen

Welche Rolle spielt generative KI bei der Wirkstoffforschung?

Generative KI erweitert in erster Linie den Ideenpool in der frühen Wirkstoffforschung und Leitstrukturoptimierung, indem sie Kandidatenmoleküle, Proteinsequenzen, Synthesewege und biologische Hypothesen vorschlägt. Ihr Nutzen liegt weniger im „Ersetzen von Experimenten“ als vielmehr in der „Auswahl besserer Experimente“ durch die Generierung zahlreicher Optionen und deren anschließende strenge Filterung. Sie eignet sich am besten als Beschleuniger innerhalb eines strukturierten Arbeitsablaufs, nicht als eigenständiges Entscheidungsinstrument.

In welchen Bereichen der Wirkstoffforschung erzielt generative KI die besten Ergebnisse?

Es bietet den größten Nutzen dort, wo der Hypothesenraum groß und Iterationen aufwändig sind, beispielsweise bei der Trefferidentifizierung, dem Neudesign und der Leitstrukturoptimierung. Teams nutzen es auch für die ADMET-Triage, Vorschläge zur Retrosynthese sowie zur Unterstützung von Literatur oder Hypothesen. Die größten Vorteile ergeben sich in der Regel aus der Integration von Generierung mit Filtern, Scoring und menschlicher Überprüfung, anstatt von einem einzelnen „intelligenten“ Modell zu erwarten

Wie kann man Einschränkungen festlegen, damit generative Modelle keine nutzlosen Moleküle erzeugen?

Ein praktischer Ansatz besteht darin, Einschränkungen vor der Generierung zu definieren: Eigenschaftsbereiche (wie Löslichkeits- oder logP-Zielwerte), Gerüst- oder Teilstrukturregeln, Bindungsstellenmerkmale und Neuartigkeitsgrenzen. Anschließend werden Filter der medizinischen Chemie (einschließlich PAINS/reaktiver Gruppen) und Synthetisierbarkeitsprüfungen angewendet. Die Generierung von Einschränkungen zuerst ist besonders hilfreich bei molekularem Design im Diffusionsstil und Frameworks wie REINVENT 4, in denen multikriterielle Ziele kodiert werden können.

Wie sollten Teams die Ergebnisse von GenAI validieren, um Fehlinterpretationen und Selbstüberschätzung zu vermeiden?

Behandeln Sie jedes Ergebnis als Hypothese, nicht als Schlussfolgerung, und validieren Sie es mit Assays und orthogonalen Modellen. Kombinieren Sie die Generierung mit aggressiver Filterung, Docking oder Scoring, wo angebracht, und prüfen Sie die Anwendbarkeit von QSAR-ähnlichen Prädiktoren. Machen Sie Unsicherheiten nach Möglichkeit sichtbar, da Modelle bei nicht standardisierten chemischen Eigenschaften oder unsicheren biologischen Aussagen mit Sicherheit falsch liegen können. Die Einbeziehung von Experten bleibt ein zentrales Sicherheitsmerkmal.

Wie lassen sich Datenlecks, IP-Risiken und „gespeicherte“ Ausgaben verhindern?

Setzen Sie Governance- und Zugriffskontrollen ein, um zu verhindern, dass sensible Programmdetails unbedacht in Eingabeaufforderungen gelangen, und protokollieren Sie Eingabeaufforderungen und Ausgaben zur Nachvollziehbarkeit. Führen Sie Neuheits- und Ähnlichkeitsprüfungen durch, damit generierte Kandidaten nicht zu nah an bekannten Verbindungen oder geschützten Bereichen liegen. Legen Sie klare Regeln für die in externen Systemen zulässigen Daten fest und bevorzugen Sie kontrollierte Umgebungen für hochsensible Arbeiten. Eine manuelle Überprüfung hilft, zu vertraute Vorschläge frühzeitig zu erkennen.

Wie wird generative KI zur Lead-Optimierung und zur Abstimmung mehrerer Parameter eingesetzt?

Bei der Leitstrukturoptimierung ist generative KI wertvoll, da sie mehrere Kompromisslösungen vorschlagen kann, anstatt nach einer einzigen „perfekten“ Verbindung zu suchen. Gängige Arbeitsabläufe umfassen die Analogie-Vorschläge, das gezielte Scannen von Substituenten und das Scaffold-Hopping, wenn Wirkstärke, Toxizität oder IP-Beschränkungen den Fortschritt behindern. Da Vorhersagemodelle für Eigenschaften fehleranfällig sein können, bewerten Teams Kandidaten typischerweise mithilfe mehrerer Modelle und bestätigen anschließend die besten Optionen experimentell.

Kann generative KI auch bei Biologika und Protein-Engineering helfen?

Ja – Teams nutzen es zur Generierung von Antikörpersequenzen, zur Entwicklung von Affinitätsreifungsstrategien, zur Verbesserung der Stabilität und zur Erforschung von Enzymen oder Peptiden. Die Generierung von Proteinen/Sequenzen kann plausibel erscheinen, ohne dass sie entwicklungsfähig sind. Daher ist es wichtig, Filter für Entwicklungsfähigkeit, Immunogenität und Herstellbarkeit anzuwenden. Strukturanalysen wie AlphaFold können die Argumentation unterstützen, aber eine „plausible Struktur“ ist noch kein Beweis für Expression, Funktion oder Sicherheit. Experimente im Nasslabor bleiben unerlässlich.

Wie unterstützt generative KI die Syntheseplanung und Retrosynthese?

Retrosynthese-Planer können Routen, Ausgangsmaterialien und Routenrangfolgen vorschlagen, um die Ideenfindung zu beschleunigen und undurchführbare Wege schnell auszuschließen. Tools und Ansätze wie die Planung im Stil von AiZynthFinder sind am effektivsten, wenn sie mit praktischen Machbarkeitsprüfungen durch Chemiker kombiniert werden. Verfügbarkeit, Sicherheit, Skalierungsbeschränkungen und „theoretische Reaktionen“, die in der Praxis scheitern, erfordern weiterhin menschliches Urteilsvermögen. Auf diese Weise angewendet, spart es Zeit, ohne den Eindruck zu erwecken, die Chemie sei gelöst.

Referenzen

  1. Nature – Liganden-Entdeckungsübersicht (2023) – nature.com

  2. Nature Biotechnology - GENTRL (2019) - nature.com

  3. Nature - AlphaFold (2021) - nature.com

  4. Nature - RFdiffusion (2023) - nature.com

  5. Nature Biotechnology – ProteinGenerator (2024) – nature.com

  6. Nature Communications – Batch-Effekte in der Zellbildgebung (2024) – nature.com

  7. npj Digitale Medizin – Halluzinationen + Sicherheitsrahmen (2025) – nature.com

  8. npj Digitale Medizin – Multimodale Ansätze in der Biotechnologie (2025) – nature.com

  9. Wissenschaft – ProteinMPNN (2022) – science.org

  10. Cell Patterns – LLMs in der Wirkstoffforschung (2025) – cell.com

  11. ScienceDirect (Elsevier) – Generative Modelle im De-novo-Wirkstoffdesign (2024) – sciencedirect.com

  12. ScienceDirect (Elsevier) – Vogt (2023): Neuheits-/Einzigartigkeitsbedenken – sciencedirect.com

  13. Medizinische Bildanalyse (ScienceDirect) – Multimodale KI in der Medizin (2025) – sciencedirect.com

  14. PubMed Central – Leitfaden für Kliniker (Risiko von Halluzinationen) – nih.gov

  15. Accounts of Chemical Research (ACS Publications) - Chemical space (2015) - acs.org

  16. PubMed Central – Irwin & Shoichet (2009): Chemical Space Scale – nih.gov

  17. Frontiers in Drug Discovery (PubMed Central) – Übersicht (2024) – nih.gov

  18. Journal of Chemical Information and Modeling (ACS Publications) – Diffusionsmodelle im De-novo-Wirkstoffdesign (2024) – acs.org

  19. PubMed Central – REINVENT 4 (Open Framework) – nih.gov

  20. PubMed Central – ADMETlab 2.0 (Frühe ADMET-Bedeutungen) – nih.gov

  21. OECD – Grundsätze für die Validierung von (Q)SAR-Modellen zu regulatorischen Zwecken – oecd.org

  22. OECD – Leitfaden zur Validierung von (Q)SAR-Modellen – oecd.org

  23. Accounts of Chemical Research (ACS Publications) – Computergestützte Syntheseplanung / CASP (Coley, 2018) – acs.org

  24. ACS Central Science (ACS Publications) – Computergestützte Retrosynthese (Coley, 2017) – acs.org

  25. PubMed Central – AiZynthFinder (2020) – nih.gov

  26. PubMed – Lipinski: Kontext der Fünferregel – nih.gov

  27. Journal of Medicinal Chemistry (ACS Publications) – Baell & Holloway (2010): PAINS – acs.org

  28. PubMed – Waring (2015): Abwanderung – nih.gov

  29. PubMed – Rives (2021): Protein-Sprachmodelle – nih.gov

  30. PubMed Central – Leek et al. (2010): Batch-Effekte – nih.gov

  31. PubMed Central – Diffusions-Review (2025) – nih.gov

  32. FDA – E14 und S7B: Klinische und nichtklinische Bewertung der QT/QTc-Intervallverlängerung und des proarrhythmischen Potenzials (Fragen und Antworten) – fda.gov

  33. Europäische Arzneimittel-Agentur – Übersicht zur ICH-Leitlinie E14/S7B – europa.eu

  34. USENIX – Carlini et al. (2021): Extraktion von Trainingsdaten aus Sprachmodellen – usenix.org

  35. Universität Edinburgh – Digitale Forschungsdienste – Ressource für elektronische Laborjournale (ELN) – ed.ac.uk

  36. ScienceDirect (Elsevier) – Weaver (2008): Anwendungsbereich von QSAR – sciencedirect.com

Entdecken Sie die neuesten KI-Lösungen im offiziellen KI-Assistenten-Shop

Über uns

Zurück zum Blog

Weitere häufig gestellte Fragen

  • Welchen Beitrag leistet generative KI zur Arzneimittelforschung?

    Generative KI trägt zur Wirkstoffforschung bei, indem sie Kandidatenmoleküle generiert, deren Eigenschaften vorhersagt und biologische Hypothesen effizienter untersucht. Sie ermöglicht es Teams, ihre Ideenfindung zu erweitern und bietet mehr Optionen für experimentelle Tests.

  • Kann generative KI die Anzahl der für die Arzneimittelforschung notwendigen Experimente reduzieren?

    Ja, indem generative KI vor den Tests eine breite Palette von Kandidatenmolekülen und Hypothesen generiert, ermöglicht sie es den Teams, weniger „blinde“ Experimente durchzuführen und so letztendlich die Effizienz des Wirkstofffindungsprozesses zu maximieren.

  • Was sind die wichtigsten Vorteile des Einsatzes von generativer KI in der Wirkstoffforschung?

    Zu den wichtigsten Vorteilen des Einsatzes von generativer KI in der Wirkstoffforschung gehören schnellere Iterationszyklen, eine verbesserte Hypothesengenerierung, verbesserte kollaborative Diskussionen über verschiedene Disziplinen hinweg und die Möglichkeit, Experimente auf der Grundlage fundierter Vorhersagen zu priorisieren.

  • Welche Vorsichtsmaßnahmen sollten bei der Verwendung von generativer KI in der Wirkstoffforschung getroffen werden?

    Es ist unerlässlich, strenge Beschränkungen durchzusetzen, Ergebnisse als Hypothesen zu validieren und eine umfassende Nachvollziehbarkeit von Anweisungen und Entscheidungen zu gewährleisten, um einen möglichen Missbrauch oder eine Fehlinterpretation der Ergebnisse zu verhindern.

  • Wie stellen Teams sicher, dass die Ergebnisse der generativen KI zuverlässig sind?

    Teams sollten die Ergebnisse der generativen KI als zu testende Hypothesen behandeln, sie mit Assays und orthogonalen Modellen bestätigen und Filter anwenden, um unsinnige Ergebnisse zu eliminieren, bevor sie mit experimentellen Plänen fortfahren.

  • Welche Arten von Molekülen kann generative KI bei deren Entdeckung helfen?

    Generative KI kann bei der Entdeckung von niedermolekularen Wirkstoffen und Biologika helfen, indem sie Kandidatensequenzen generiert, Modifikationen vorschlägt und Synthesewege auf der Grundlage vordefinierter Einschränkungen entwickelt.

  • Ist eine menschliche Aufsicht bei der Verwendung von generativer KI zur Wirkstoffforschung notwendig?

    Ja, die menschliche Aufsicht ist unerlässlich, um den Prozess zu steuern, die generierten Ergebnisse zu validieren und sicherzustellen, dass die Erkenntnisse mit biologischen und chemischen Kenntnissen übereinstimmen, wodurch der Entscheidungsprozess robuster wird.

  • Welche Einschränkungen sollten Teams bei der Verwendung von generativer KI beachten?

    Teams sollten sich bewusst sein, dass generative KI mitunter plausibel klingende, aber falsche Ergebnisse liefern kann. Die Technologie kann zudem durch ihre Trainingsdaten beeinflusst sein, was zu potenziellen Risiken für die Ausgabequalität führen kann.