Die KI-gestützte Arzneimittelforschung erzeugt mehr potenzielle Wirkstoffe als je zuvor – doch die eigentliche Herausforderung liegt nicht in der Generierung, sondern in der Bewertung. Das Startup 10x Science hat sich genau dieser Lücke verschrieben und will mit prädiktiven Filtermodellen die Trefferquote in der präklinischen Forschung grundlegend verbessern.
KI-generierte Wirkstoffkandidaten: Startup 10x Science übernimmt die Vorauswahl
Das Grundproblem: Quantität ohne Qualitätsfilter
Die Pharmabranche erlebt seit einigen Jahren einen deutlichen Anstieg KI-generierter Molekülkandidaten. Large Language Models und spezialisierte generative Modelle können innerhalb kurzer Zeit Tausende potenzieller Wirkstoffstrukturen vorschlagen, die chemisch plausibel erscheinen. Das schafft ein neues Engpassproblem: Nicht die Ideengenerierung ist der limitierende Faktor, sondern die Bewertung und Priorisierung dieser Kandidaten.
Labortests sind zeitaufwendig und kostspielig. Pharmakonzerne und Biotech-Unternehmen können schlicht nicht alle generierten Kandidaten empirisch prüfen. Viele vielversprechende Verbindungen fallen deshalb durch das Raster – nicht weil sie unwirksam wären, sondern weil sie nie systematisch bewertet wurden.
Die eigentliche Engstelle in der modernen Wirkstoffforschung ist nicht mehr die Generierung von Ideen – sondern die Fähigkeit, aus Tausenden Kandidaten die richtigen herauszufiltern.
Der Ansatz von 10x Science
10x Science entwickelt nach eigenen Angaben Methoden, um aus dem wachsenden Pool KI-generierter Kandidaten diejenigen herauszufiltern, die in der frühen Wirkstoffforschung tatsächlich Priorität verdienen. Konkret geht es darum, prädiktive Bewertungsmodelle mit experimentellen Daten zu kombinieren, um die Erfolgswahrscheinlichkeit einzelner Kandidaten besser einschätzen zu können.
Das Team setzt dabei auf einen iterativen Prozess:
- KI-Modelle schlagen Kandidaten vor
- Ein Bewertungssystem priorisiert diese nach definierten Kriterien
- Labordaten fließen zurück in die Modelle
Dieser Feedback-Loop soll die Trefferquote in der präklinischen Phase schrittweise verbessern.
Einordnung in den Marktkontext
10x Science ist kein Einzelfall. Eine wachsende Zahl von Startups adressiert gezielt die Validierungsphase in der KI-gestützten Wirkstoffentwicklung. Unternehmen wie Recursion Pharmaceuticals, Insilico Medicine oder Exscientia haben in den vergangenen Jahren gezeigt, dass KI in der frühen Forschungsphase erhebliches Potenzial hat – gleichzeitig aber auch, dass der Weg von der generierten Molekülstruktur zum klinisch erprobten Wirkstoff lang und verlustreich bleibt.
Die Erfolgsquote in klinischen Studien hat sich trotz des KI-Einsatzes noch nicht grundlegend verändert.
Investoren und Pharmaunternehmen achten deshalb zunehmend darauf, wo im Entwicklungsprozess KI tatsächlich messbaren Mehrwert liefert – und wo Hype den Blick auf die Realität verstellt.
Finanzierung und nächste Schritte
Initialized Capital – ein früher Investor in Unternehmen wie Coinbase und Instacart – hat 10x Science in einer frühen Finanzierungsrunde unterstützt. Details zur Höhe der Investition wurden bislang nicht veröffentlicht. Das Startup befindet sich noch in einer frühen Entwicklungsphase; konkrete Partnerschaften mit Pharmaunternehmen oder veröffentlichte Validierungsdaten liegen derzeit nicht vor.
Relevanz für den deutschen Markt
Für deutsche Pharma- und Biotechunternehmen – von Bayer und Boehringer Ingelheim bis hin zu mittelständischen Spezialisten – ist der Ansatz von 10x Science ein Hinweis auf eine strukturelle Verschiebung:
Der Wettbewerb verlagert sich zunehmend von der Frage, ob KI in der Wirkstoffforschung eingesetzt wird, hin zur Frage, wie gut Unternehmen die generierten Datenmengen bewerten und priorisieren können.
Wer in Bewertungskompetenz und entsprechende Infrastruktur investiert, verschafft sich einen handfesten Vorteil gegenüber Wettbewerbern, die lediglich auf die Generierungsleistung von KI-Modellen setzen.
Quelle: TechCrunch AI