Deutsch-Konversationskurs online im Einzelunterricht

KI beschleunigt die Entwicklung pharmazeutischer Wirkstoffe deutlich und hilft zudem, unerwünschte Nebenwirkungen möglichst zu vermeiden.

Welche Rolle spielt die künstliche Intelligenz (KI) bei der Arzneimittelforschung?

Die künstliche Intelligenz unterstützt uns heute dabei, Konzepte für neue Arzneimittel zu entwickeln. Es handelt sich dabei um neue Substanzen, deren Molekülstruktur eine gewünschte pharmakologische Wirkung ausmacht. Es gibt ein Potenzial von mindestens 10 hoch 60 möglichen Wirkstoffmolekülen. Das entspricht ungefähr der Menge an Atomen, die den Planeten Erde ausmachen. Um beispielsweise ein neues Schmerzmittel oder ein Krebsmedikament zu entwickeln, ist es notwendig, aus einer unglaublich großen Anzahl von Möglichkeiten heraus ein Molekül zu finden, das die gewünschten Eigenschaften aufweist.

Das ist zweifellos eine immense Herausforderung, der wir gegenüberstehen. Die Künstliche Intelligenz bietet jedoch eine vielversprechende Lösung, um diese Herausforderung schneller und effizienter zu bewältigen als je zuvor. Die Forscher haben KI-Methoden entwickelt, die nicht nur suchen, sondern auch selbstständig neue Moleküle entwerfen können. Dadurch geht man vom reinen Suchen zum gezielten Design über, was ein grundlegend neuer Ansatz ist.

Der konventionelle Ansatz ist es, in einer Datenbank nach bekannten Molekülen zu suchen. Viele große Pharmaunternehmen haben Millionen von Molekülstrukturen in ihren Datenbanken. Die Kandidaten werden anschließend automatisch von Robotern durch Hochdurchsatz-Screening auf ihre Effektivität überprüft.

Roboter werden eingesetzt, um mögliche Wirkstoffe für neue Medikamente zu untersuchen

Durchaus kann die KI bei der Suche in vorhandenen Datensätzen behilflich sein. Das wird als „virtuelles Screening“ bezeichnet. Doch dies ist nur ein Aspekt davon. Es ist entscheidend, dass die KI dazu beigetragen hat, einen virtuellen Chemiker zu erstellen. Dieses Computermodell hat eine implizite Vorstellung von Chemie, da es mit dem Wissen über bekannte Arzneistoffe nebst Patentschriften und zahlreiche Lehrbücher der Chemie gefüttert wurde.

Eigentlich entstand der erste Prototyp schon 1993 in Berlin. Es handelte sich dabei um eine generative KI, die auf neuronalen Netzwerken und adaptiven Algorithmen basierte. Diese werden auch heute noch in zahlreichen KI-Bereichen sehr effektiv eingesetzt. Zu dieser Zeit wurde es noch als maschinelles Lernen bezeichnet, anstatt als Künstliche Intelligenz.

In den 1990er-Jahren wurde das Grundkonzept von ChatGPT und virtuellen Chemikern entwickelt. Einer der Gründe dafür, dass KI erst jetzt weit verbreitet ist, sind die drastischen Fortschritte in der Hardware. Die Computer und das Internet sind deutlich schneller geworden und die Rechenleistung günstiger. Zum anderen haben sich inzwischen neue Programmierkonzepte entwickelt, die die Umsetzung von KI-Anwendungen erheblich vereinfachen. Diese Systeme helfen Forscherinnen und Forschern im Labor heute bei ihrer alltäglichen Tätigkeit.

In wenigen Sekunden bekommt der Forscher von seinem virtuellen Kollegen Anregungen zu neuen Medikamenten. Dies veränderte die pharmazeutische Forschung drastisch. Das bedeutet auch, dass die KI-Software nicht auf einem großen Rechenzentrumscomputer zentral betrieben wird, sondern auf Laptops oder PCs im Labor. So können auf einem Laptop die ersten Molekülentwürfe erstellt werden. Wenn eine höhere Rechenleistung für detaillierte Arbeiten nötig ist, kann man in die Cloud gehen und dort arbeiten.

Wirkstoff zur Behandlung von Herzrhythmusstörungen

Im Jahr 2000 markierte die Firma Roche in Basel den ersten bedeutenden Meilenstein. Dort zeigte man große Offenheit für die neuen KI-Konzepte. Ein neuer Kalium-Kanal-Blocker, der möglicherweise bei Herzrhythmusstörungen helfen könnte, wurde mithilfe von KI identifiziert. Die Moleküle sind hergestellt und geprüft worden. Die waren effektiv. Trotzdem hatte das Unternehmen andere Prioritäten, weshalb es kein Arzneimittel entwickelt hatte. Erst ein paar Jahre später wurden die ersten Medikamente, die von KI vorgeschlagen wurden, in klinische Prüfungen aufgenommen. Es wurde erstmals demonstriert, dass KI nicht nur präzise Substanzen vorschlagen kann, die pharmazeutisch wirksam sind, sondern dass diese auch möglicherweise weniger Nebenwirkungen aufweisen. Die KI hat von Anfang an einige unerwünschte Auswirkungen im Auge. Dann wurde die Medikamentensuche per KI für einige Jahre wieder unterbrochen.

Noch war die Methode nicht erfolgreich im Mainstream. Erst als die ersten tatsächlich leistungsstarken Sprachmodelle und Bilderkennungssysteme entwickelt wurden, konnte KI auch in der pharmazeutischen Forschung weit verbreitet eingesetzt werden. Auf der Managementebene kam es plötzlich zu einer Akzeptanz und die alten Methoden wurden wiederaufgenommen und verbessert.

Zu dieser Zeit war es eine Insellösung. Diese ersten, sehr erfolgreichen Gehversuche in der KI wurden damals von nur wenigen Unternehmen unternommen. Da bereits Milliarden in die traditionelle automatisierte Suche nach neuen Wirkstoffen investiert worden waren, hatten die meisten Unternehmen wenig Akzeptanz für KI. Die kostspieligen Hochleistungs-Screening-Maschinen existierten und konnten verwendet werden. Viele neue Wirkstoffe konnten tatsächlich mit ihnen identifiziert werden, aber sie waren nicht so effizient wie eine KI-unterstützte Suche. Solange eine funktionierende Ideenquelle vorhanden ist, wird sie verwendet und nicht unbedingt sofort in ein neues, störendes Konzept investiert.

Trefferquote liegt bei 50 Prozent

Insbesondere die KI-Disruption erlaubt eine höhere Geschwindigkeit und eine deutlich höhere Trefferrate. Beim herkömmlichen Screening beträgt die Trefferrate zwischen 0,001 % und 0,1 %. So müssen häufig mehr als 1000 Moleküle getestet werden, um eine neue Idee für ein neues Medikament zu entwickeln – wenn es gut läuft. Die bisherige Trefferquote der KI-gestützten Methode beträgt jedoch bis zu 50 Prozent. Jeder zweite Vorschlag ist daher am besten geeignet. Ein toller Wert. Außerdem ist es der modernen KI möglich, gezielt patentfreie Molekülstrukturen zu generieren. Dies stellt einen weiteren Vorteil dar. Beim herkömmlichen Screening werden ausschließlich Strukturen berücksichtigt, die bereits bekannt und möglicherweise patentiert sind.

Aktuell werden verschiedene Wirkstoffe, die von KI entwickelt wurden, klinisch getestet, darunter gegen Krebs und Erblindung durch Retinitis pigmentosa. Es gibt jedoch noch kein Wirkstoffmolekül, das von KI in genau dieser Form vorgeschlagen wurde. Es finden weiterhin strukturelle Änderungen statt, etwa um das Molekül löslicher zu machen oder es für die Einnahme als Tablette geeigneter zu machen. Es braucht immer noch fünf bis zehn Jahre, bis sich ein Wirkstoffmolekül zu einem Medikament entwickelt hat und auf dem Markt erhältlich ist. In den nächsten fünf Jahren werden jedoch KI-generierte Medikamente erwartet. Die KI steigert die Wahrscheinlichkeit, dass die Bewerber in den kostspieligen Phasen der klinischen Prüfung  erfolgreich sind. Die Ausgaben für den Einstieg in ein neues Medikament sind dort am höchsten.

Natur als Ideengeber für neue Medikamente

In der Tat ist die Ableitung von Medikamenten aus natürlichen Wirkstoffen einer der Höhepunkte bei der Anwendung von KI in der Pharmazieforschung. Natur liefert viele Ideen für neue Arzneimittel. Die Wirkstoffe, die dort vorkommen, eignen sich nicht unbedingt für die Synthese im Labor- oder gar im Industriemaßstab, da sie in der Regel sehr komplex sind. Daher ist es nicht ausreichend, die Wirksamkeit eines spezifischen Moleküls zu kennen. Für die Herstellung eines vermarktbaren Produkts muss es möglich sein, die betreffende Substanz auch in großen Mengen zu produzieren. Jetzt kann die KI leichter strukturierte Moleküle vorschlagen, die immer noch die pharmazeutische Wirksamkeit des natürlichen Vorbildes aufweisen. In den meisten Fällen ist die Herstellung dieser modifizierten Moleküle viel einfacher und kann daher in größeren Mengen erfolgen.

Ein Beispiel dafür ist Englerin A, ein natürlicher Wirkstoff aus einer afrikanischen Heilpflanze. Dieser tötet Krebszellen in der Niere, indem sie die Kalziumkonzentration in den Zellen erhöhen. Die Produktion von Englerin A im Labor ist kostspielig. Es sind 14 Syntheseschritte in Folge erforderlich. Das KI-System schlug ein wesentlich einfacheres Molekül vor, das auf Kalziumkanäle genauso effektiv ist wie Englerin A. Mit nur drei Syntheseschritten kann es jedoch hergestellt werden. Also ein voller Erfolg für die Molekülkonstruktion. Ein neues nichtsteroidales Antirheumatikum, das im Rahmen einer internationalen Zusammenarbeit entwickelt wurde, ähnelt einem maritimen Wirkstoff. Es kann mit drei anstelle von sieben Syntheseschritten produziert werden und war sofort mit Medikamenten vergleichbar, die auf den Markt kamen.

Die breite Palette der Möglichkeiten, die KI bietet, kann von keinem Unternehmen oder keiner Universität allein vollständig ausgeschöpft werden. Public-Private-Partnerships sind daher ein Modell für die Zukunft. Dabei ist es wichtig, dass sowohl die wissenschaftliche Freiheit als auch die kommerziellen Interessen der Wirtschaft gewahrt bleiben. Dies führt zu einer Win-win-Situation.

Digitale Zwillinge von Singapur

Die KI kann uns auch bei großen Fragen unterstützen, wie wir in Zukunft leben, wohnen und arbeiten möchten. Dies umfasst Themen wie klimaneutrales Bauen, Elektromobilität und Resilienz. In Singapur wurde beispielsweise ein digitaler Zwilling des Stadtstaates entwickelt, der es ermöglicht, das gesamte Klima und den Energieverbrauch bis hinunter zum einzelnen Quartier zu simulieren. Dies kann Städteplanern dabei helfen, Entscheidungen zu treffen, zum Beispiel in Bezug auf die Auswirkungen der Errichtung neuer Hochhäuser an bestimmten Standorten auf die Temperatur in der Umgebung. Die KI kann auch dabei unterstützen zu bestimmen, welche Bäume wo gepflanzt werden sollten.

Die Anpassung dieser Systeme an die Stadt Zürich ist bereits im Gange, und mit deutschen Städten werden auch Diskussionen geführt. Der Ansatz zeichnet sich dadurch aus, dass er nicht nur materielle Werte in Betracht zieht, sondern auch Aspekte wie Ästhetik und das Wohlbefinden der Menschen. Das wird ein mehrdimensionales Design genannt. Das bedeutet, dass bei der Herstellung von Medikamenten nicht nur die erwünschten Effekte angestrebt werden, sondern auch die unerwünschten Effekte vermieden werden. Eine Optimierung des Energieverbrauchs, des Stadtklimas und der Verkehrsströme sowie des Wohlbefindens der Menschen sind die Ziele der Städte der Zukunft. Der virtuelle Chemiker und der Digitale Zwilling haben viele Ähnlichkeiten. Beides trägt dazu bei, dass wir mehrdimensional denken.

Auch die enge Verbindung zwischen Industrie und akademischer Welt in Singapur ist bemerkenswert. Dennoch haben die großen amerikanischen und europäischen Universitäten zumindest im Pharmabereich immer noch die Führung bei der Grundlagenforschung. Dort werden neue Ideen ausprobiert, ohne dass sofort an eine mögliche wirtschaftliche Umsetzung gedacht werden muss. In Singapur hingegen gibt es oft von Anfang an klare Zielvorgaben. Zum Beispiel: Es wird ein Medikament gegen Covid benötigt oder eine Strategie gegen Verkehrsstaus. In einem gemeinsamen Ansatz von Hochschulen, staatlichen Organisationen und Industrie wird dann konsequent und zielgerichtet geforscht. Dies entspricht dem Top-Down-Ansatz. Ein solcher Handschlag zwischen westlichen und asiatischen Ländern in Bezug auf gemeinsame Forschung wäre sinnvoll. Beide Ansätze, Top-Down und Bottom-up, haben ihre Vorzüge. In Singapur wird ständig hinterfragt: Warum ist das, was wir tun, relevant? Ist die Forschung von Nutzen für die Gesellschaft, die Wirtschaft, das soziale Gefüge? Im Westen entstehen oft völlig neue Ideen, während im Osten gute Ideen schnell erfolgreich umgesetzt werden.

Diskussionsfragen zum Thema:

1. Wie kann Künstliche Intelligenz den Prozess der Arzneimittelherstellung beschleunigen und dabei helfen, die Kosten und die Zeit für die Markteinführung neuer Medikamente zu reduzieren?
2. Welche ethischen Bedenken ergeben sich aus dem Einsatz von KI in der Arzneimittelforschung, insbesondere im Hinblick auf Datenschutz und die Sicherheit?
3. Inwiefern können KI-gestützte Systeme bei der personalisierten Medizin unterstützen und Therapien auf den einzelnen Patienten maßschneidern?