AI in der Pharmazeutik: Warum sie Wissenschaftler nicht ersetzen wird

KI in der Arzneimittelentwicklung: Grenzen und praktische Anwendungen für Wissenschaftler

Künstliche Intelligenz beschleunigt die Entdeckung von Zielstrukturen und Molekülen in der Arzneimittelentwicklung, ersetzt aber keine Experten aufgrund von Datenqualitäts- und Interpretierbarkeitsproblemen. AlphaFold 2 sagt Proteinstrukturen voraus, mit 45 KI-generierten Molekülen in klinischen Studien, doch heterogene Datensätze und fehlende universelle Deskriptoren erfordern tiefgehende Chemie- und Biologiekenntnisse. In der klinischen Forschung unterstützt KI hybride Modelle, aber einfache Regressionsmodelle bleiben für valide Vorhersagen vorzuziehen.

Arzneimittelentwicklungsphasen und die Rolle von Daten

Der Arzneimittelentwicklungsprozess umfasst Zielauswahl, Wirkstoffentdeckung, in-vitro- und in-vivo-Tests, klinische Phasen und regulatorische Bewertung. Die Kosten steigen exponentiell, wobei die meisten Kandidaten frühzeitig ausscheiden.

Wesentliche Herausforderungen:

• Identifizierung pathogener Mechanismen und Bindungsstellen
• Bewertung pharmakologischer Eigenschaften von Molekülen
• Interpretation von Daten aus verschiedenen Experimenten

KI adressiert einige Aufgaben: AlphaFold 2 generiert 3D-Proteinstrukturen aus Aminosäuresequenzen und senkt Kosten für Kryo-EM und Röntgenkristallographie. Der Nobelpreis 2024 an Hassabis und Jumper bestätigte diesen Durchbruch.

KI-Herausforderungen in der Molekülentdeckung

Chemische Strukturen werden nicht direkt in ML-Modelle eingegeben. Deskriptoren werden verwendet: physikochemische (logP, Molekulargewicht), Graphendarstellungen oder Morgan-Fingerabdrücke.

| Deskriptortyp | Vorteile | Einschränkungen |

|---------------|-------------|-------------|

| 1D/2D (SMILES, ECFP) | Einfache Berechnung | Ignoriert 3D-Konformationen |

| 3D-Graph-basiert | Berücksichtigt räumliche Geometrie | Hohe Rechenkomplexität |

| Physikochemisch | Interpretierbarkeit | Unvollständige Eigenschaftsabdeckung |

Hohe Dimensionalität (Tausende von Merkmalen) erfordert große Datensätze, die außerhalb großer Pharmaunternehmen nicht verfügbar sind. Bioaktivität hängt von Bedingungen ab: Zelltypen, Rezeptordichte. Heterogene Daten führen ohne Expertenvorverarbeitung zu Artefakten.

Erfolge gibt es: Bis 2025 sind 45 KI-Kandidaten in klinischen Studien. Die FDA erhielt von 2016-2023 >500 KI-Einreichungen und etablierte 10 Prinzipien: multidisziplinärer Ansatz, Risikobewertung, Datendokumentation.

KI in klinischen Modellen: Interpretierbarkeit vs. Leistung

Zur Nebenwirkungsbewertung wird logistische Regression verwendet: Prädiktoren umfassen Dosis, Alter, Geschlecht; Ergebnis ist Ereigniswahrscheinlichkeit. Das Modell ist interpretierbar, Konfidenzintervalle berechenbar.

Neuronale Netze verlieren dies: Black-Box-Natur, keine Erklärungen, unzuverlässig mit kleinen Proben aus frühen Phasen. Beispiel: Modelle, die Biologie ignorieren, erzeugen absurde Vorhersagen, wie in Originalabbildung 3 gezeigt.

Physiologisch basierte Modelle (PK/PD) verwenden Differentialgleichungen für Prozesse: Zellteilung, Enzymhemmung. Sie liefern nicht nur Vorhersagen, sondern auch Graphen und virtuelle Studien.

Erfordern interdisziplinäre Teams: Mathematiker + Biologen + Kliniker überprüfen Annahmen und Pathophysiologie.

Hybride Ansätze und Zukunftsperspektiven

Der Kompromiss sind hybride Modelle: Differentialgleichungen + neuronale Netze als Approximatoren unbekannter Abhängigkeiten. Derzeit Pilotprojekte, aber vielversprechend.

KI unterstützt bereits: generiert Analysecode (Sonata Software). KI-Agenten zum Aufbau von Modellen von Grund auf sind ein aktives Forschungsgebiet.

Wesentliche Erkenntnisse:

• AlphaFold 2 revolutionierte Strukturvorhersage, aber nicht Zielvalidierung
• 45 KI-Moleküle in klinischen Studien, aber Erfolg hängt von Experteninterpretation der Deskriptoren ab
• Einfache Modelle in klinischen Umgebungen aufgrund von Interpretierbarkeit bevorzugt
• Hybride kombinieren Physiologie und ML für zuverlässige Vorhersagen
• Regulatoren fordern Dokumentation und Risikobewertung für KI

KI ist ein Werkzeug, das Wissenschaftler unterstützt, aber nicht ersetzt: Expertise in Chemie, Biologie und gesunder Menschenverstand bleiben für valide Schlussfolgerungen essenziell.

— Editorial Team