Es ist keine Überraschung, dass die pharmazeutische Forschung und Entwicklung (F&E) weiterhin eine der wichtigsten Innovationszentren ist. Jedes Pharmaunternehmen investiert massiv in F&E-Teams und verlässt sich auf sie, um neue Therapeutika zu entwickeln, die dem Unternehmen Wachstum und Gewinn bringen. Von 2012 bis 2022 stiegen die inflationsbereinigten F&E-Ausgaben der Branche um 44 Prozent, von etwa 170 Milliarden Dollar auf 247 Milliarden Dollar. Trotz dieser Investitionen blieb die Zahl der Zulassungen neuer Medikamente in den USA mit durchschnittlich 43 pro Jahr unverändert. Produktivitätsprobleme sind in den Vordergrund gerückt, da Pharmaunternehmen versuchen, jede verfügbare Ressource zu nutzen.
Die Rolle der KI im Wandel
Als Branche können wir erhebliche Produktivitätsprobleme nicht länger tolerieren. Vor zehn Jahren wurde KI als Lösung für die Produktivität in Forschung und Entwicklung versprochen, aber bisher wurde dieses Versprechen nicht eingehalten. Wir haben die Gründe für dieses Defizit kennengelernt, aber was noch wichtiger ist: Es gibt eine neue Grenze der KI, die diese Gründe angeht und Hoffnung bietet. Die nächste Grenze der KI heißt „Grundlagenmodelle“ und sie stehen kurz davor, Auswirkungen auf Forschung und Entwicklung zu haben. KI-Grundlagenmodelle sind vergleichbar mit „ChatGPT für die Arzneimittelentdeckung“. In den letzten zwei Jahren sind für die pharmazeutische Forschung und Entwicklung relevante Grundlagenmodelle entstanden, die die Pharmaindustrie verändern werden.
In den ersten zehn Jahren der KI in der Biotechnologie drehte es sich um Deep-Learning-KI-Modelle, die darauf trainiert wurden, bestimmte Aufgaben mithilfe aufgabenspezifischer Daten zu lösen. Ein Beispiel hierfür ist ein Modell, das die Auswirkungen der Genom-Editierung auf das Spleißen vorhersagt, einen von Dutzenden biologischen Prozessen, die für die Zellfunktion entscheidend sind. Viele akademische Labore und Unternehmen, darunter auch unseres, haben gezeigt, dass sie mit diesen Systemen genaue Vorhersagen treffen können, um bestimmte Aufgaben bei der Arzneimittelforschung zu unterstützen. Leider hat dieser Ansatz im Allgemeinen nicht ausgereicht, da Genomik, Biologie, Physiologie, Therapeutik und Chemie komplex, vielschichtig und miteinander verbunden sind. Wenn also nur eine Aufgabe genau berücksichtigt wird und die vielen anderen Aufgaben unberücksichtigt bleiben, führt dies zu Fehlern bei der Forschung und Entwicklung. Selbst wenn viele verschiedene KI-Modelle für die verschiedenen Aufgaben erstellt werden, werden sie nicht darauf trainiert, die Zusammenhänge der Aufgaben zu berücksichtigen, und die Komplexität vieler Modelle macht eine Skalierung schwierig oder unmöglich.
Foundation-Modelle sind ein neuer Ansatz, der all das ändert. Dabei handelt es sich um extrem große, Deep-Learning-KI-Modelle, die anhand riesiger Datensätze trainiert werden, die ein breites Feld abdecken, und die auf eine Vielzahl von Aufgaben angewendet werden können. Sie erzielen Synergien zwischen diesen Aufgaben während des Trainings und beim Einsatz in F&E-Anwendungen. Sie weisen „emergente Intelligenz“ auf, d. h. sie entdecken und wenden Beziehungen und Erkenntnisse an, die weder ausdrücklich in den Trainingsdaten enthalten waren noch von den Entwicklern der KI erdacht wurden. Es kommt häufig vor, dass ein KI-Foundation-Modell seine Entwickler überrascht, indem es Vorhersagen macht oder Muster außerhalb des beabsichtigten Anwendungsbereichs aufdeckt. Ein Beispiel für ein KI-Foundation-Modell außerhalb der Arzneimittelforschung ist ChatGPT. KI-Foundation-Modelle funktionieren, weil sie anhand sehr großer und breiter Datensätze mit Milliarden oder sogar Billionen von Datenpunkten trainiert werden, was sie vielseitig macht.
Entschlüsselung der RNA-Biologie zur Verbesserung der F&E-Produktivität
Da die RNA-Biologie und die RNA-Therapeutika in der Pharmaindustrie zunehmend an Bedeutung gewinnen, bieten RNA-Grundmodelle ein enormes Potenzial für eine Revolutionierung von Forschung und Entwicklung.
RNA-Grundmodelle können Forschung und Entwicklung unterstützen, indem sie Vorhersagen für die Auswirkungen von Patientenmutationen, Proteinveränderungen und therapeutischen Eingriffen auf eine breite Palette gewebespezifischer RNA-Biologieprozesse liefern, darunter Transkription, Spleißen, Polyadenylierung, Protein-RNA-Interaktionen und Mikro-RNA-RNA-Interaktionen. Therapeutische Eingriffe können Oligonukleotide, DNA-Editierung, RNA-Editierung, mRNA und Gentherapien umfassen. Der Ansatz kann auf eine breite Palette von Krankheits- und Gewebebereichen angewendet werden, von häufigen Krankheiten über seltene Mendelsche Störungen bis hin zu sogenannten „N=1“-Therapeutika, die für einzelne Patienten entwickelt wurden.
Dabei ist die Technologie nicht der einzige Faktor. Eines der wichtigsten Elemente für Produktivitätssteigerungen ist die Einführung einer Kultur der Mehrsprachigkeit, insbesondere in der experimentellen Biologie und der KI. Der zukünftige Erfolg hängt davon ab, dass Abteilungssilos aufgebrochen und durch die Zusammenarbeit zwischen Informatikern und Biologen ersetzt werden. Diese beiden unterschiedlichen, voneinander abhängigen Teams müssen einander verstehen, um eine offene, effektive Kommunikation zu gewährleisten. Informatikexperten müssen überlegen, wie jeder Schritt dazu beitragen kann, mehr Moleküle und Ziele zu finden, und Biologen müssen sich des Maßstabs und der Datenerfassung bewusst sein.
Der Business Case für Stiftungsmodelle
Da diese revolutionäre TechBio-Technologie nun zugänglich ist, können Pharmaunternehmen Stiftungsmodelle nutzen, um Innovationen zu beschleunigen. Die Patente für viele erstklassige Medikamente laufen bald aus, was den Druck auf die TechBio-Branche zusätzlich erhöht. So läuft beispielsweise das Patent von Nova Nordisk auf Semaglutid, den Wirkstoff von Wegovy und Ozempic, in China im Jahr 2026 aus.
McKinsey zufolge legen viele Unternehmen angesichts drohender Patentkürzungen bei Blockbuster-Medikamenten, eines angespannten Preisumfelds und der Aussicht auf eine Preisreform (insbesondere in den USA, aber nicht nur dort) den Schwerpunkt auf die Verbesserung der F&E-Produktivität und streben danach, aus jedem in F&E investierten Dollar mehr herauszuholen.
Zum Glück für alle Pharmaunternehmen zeigen moderne Fortschritte in der KI und Biologie das Potenzial, die Arzneimittelentdeckung zu beschleunigen, klinische Studien zu optimieren und mögliche Nebenwirkungen von Medikamenten vorherzusagen. Neue KI-Grundmodelle, wie sie etwa zur RNA-Dekodierung entwickelt wurden, werden die Produktivität von Forschung und Entwicklung steigern, die Methoden der Arzneimittelentdeckung auf den Kopf stellen und der Pharmaindustrie eine bessere Zukunft sichern.
Foto: Christoph Burgstedt, Getty Images
Brendan Frey ist ein renommierter Unternehmer, Ingenieur und Wissenschaftler und fungiert als Chief Innovation Officer und Gründer von Deep Genomics. Er ist Mitbegründer des Vector Institute for Artificial Intelligence und hat bedeutende Beiträge zu Deep Learning, Genommedizin und Informationstechnologie geleistet. Brendan ist Mitautor von über 200 Artikeln, von denen viele in renommierten wissenschaftlichen Zeitschriften wie Nature, Science und Cell erschienen sind. Seine Pionierarbeit am „Wach-Schlaf-Algorithmus“ mit Geoffrey Hinton trug zur Etablierung von Deep Learning bei. Brendans Fachwissen im Bereich KI führte zur Gründung von Deep Genomics, wo er das erste KI-System zur Vorhersage pathogener Mutationen und therapeutischer Ziele entwickelte. Er hat auch Positionen an der Universität von Toronto inne und ist Fellow mehrerer angesehener wissenschaftlicher Vereinigungen. Brendans Beratertätigkeiten bei Microsoft Research und sein umfangreicher akademischer Hintergrund belegen seine einflussreichen Beiträge auf dem Gebiet der KI und der biomedizinischen Forschung.
Dieser Beitrag erscheint im Rahmen des MedCity Influencers-Programms. Über MedCity Influencers kann jeder seine Sichtweise zu Wirtschaft und Innovation im Gesundheitswesen auf MedCity News veröffentlichen. Klicken Sie hier, um zu erfahren, wie.
