Ein internationales Forschungsteam hat mit DeepDrugDiscovery ein KI-System vorgestellt, das potenzielle Alzheimer-Wirkstoffe in bisher unerreichter Geschwindigkeit identifiziert – und damit zeigt, wo maschinelles Lernen in der Pharmakologie heute echten Mehrwert schafft.
KI-System identifiziert Wirkstoffkandidaten gegen Alzheimer
Ein internationales Forschungsteam hat ein auf maschinellem Lernen basierendes System entwickelt, das neue Wirkstoffkandidaten zur Behandlung von Alzheimer identifizieren kann – darunter Substanzen, die die Blut-Hirn-Schranke überwinden. Die Studie wurde im Fachjournal Nature Biomedical Engineering veröffentlicht und gilt als konkretes Anwendungsbeispiel für den Einsatz von KI in der frühen Wirkstoffforschung.
Funktionsweise von DeepDrugDiscovery
Das System trägt den Namen DeepDrugDiscovery und kombiniert hochdurchsatzfähiges Screening mit Deep-Learning-Modellen, um potenzielle Wirkstoffe aus großen Moleküldatenbanken zu filtern. Der Fokus lag auf sogenannten Autophagie-Enhancern – Substanzen, die zelluläre Reinigungsprozesse im Gehirn anregen und so zur Beseitigung pathologischer Proteinablagerungen beitragen können, die bei Alzheimer auftreten.
Ein zentrales Problem bei der Entwicklung von Alzheimer-Medikamenten ist die Blut-Hirn-Schranke: Sie verhindert, dass viele Substanzen überhaupt ins Gehirn gelangen. DeepDrugDiscovery wurde gezielt darauf trainiert, nur Kandidaten vorzuschlagen, die diese biologische Barriere passieren können. Das Modell entstand in Zusammenarbeit von Forschungsteams aus Hongkong, Macao und mehreren internationalen Universitäten.
Ergebnisse und Validierung
Die vom System identifizierten Verbindungen wurden in nachgelagerten Labor- und Zellexperimenten validiert. Dabei zeigten mehrere Kandidaten messbare Wirkung auf Autophagie-Prozesse in Nervenzellen.
„Das KI-System hat die Suchzeit im Vergleich zu rein experimentellen Methoden erheblich verkürzt – ohne die biologische Plausibilität der Kandidaten zu kompromittieren.”
— Forschungsteam, Nature Biomedical Engineering
Die Studie liefert damit ein methodisches Argument für den Einsatz von Deep-Learning-Architekturen in der präklinischen Phase der Arzneimittelentwicklung. Statt Millionen von Verbindungen manuell zu testen, übernimmt das Modell die Vorselektion auf Basis physikochemischer und biologischer Parameter.
Zwischen Proof-of-Concept und klinischer Realität
Trotz der positiven Ergebnisse bleibt die Distanz zur klinischen Anwendung erheblich. Die identifizierten Substanzen haben bisher keine klinischen Phasen durchlaufen.
Alzheimer zählt zu den therapeutischen Bereichen mit der höchsten historischen Misserfolgsquote in der Medikamentenentwicklung – KI-gestützte Identifikation verbessert die Ausgangslage, eliminiert das Risiko aber nicht.
Gleichzeitig zeigt die Studie exemplarisch, wo KI im Pharmabereich heute tatsächlich Mehrwert schafft: nicht in der klinischen Entscheidungsfindung, sondern in der datenintensiven Vorauswahl von Kandidaten, die sonst Jahre in Anspruch nehmen würde.
Relevanz für deutsche Pharma- und Biotech-Unternehmen
Für Unternehmen wie Bayer, Boehringer Ingelheim oder mittelständische Biotech-Firmen im DACH-Raum verdeutlicht diese Studie einen wachsenden Wettbewerbsdruck: Wer KI-gestützte Screening-Plattformen nicht in die eigene F&E-Pipeline integriert, riskiert Effizienzrückstände gegenüber internationalen Mitbewerbern.
Die Technologie hinter Ansätzen wie DeepDrugDiscovery ist zunehmend zugänglich – entscheidend wird die Qualität der eigenen Trainingsdaten und die enge Verzahnung von Datenwissenschaft mit medizinischer Chemie und Biologie sein.
Quelle: Nature Biomedical Engineering
