Große KI-Unternehmen dringen in die Pharmaindustrie vor, aber der Kapitalmarkt kann nicht zehn Jahre warten

In den vergangenen Monaten haben drei große KI-Unternehmen der Biowissenschaften nacheinander eine höhere Priorität eingeräumt.

Am 30. Juni lokaler Zeit stellte Anthropic Claude Science vor. Dies ist eine KI-Arbeitsplattform für Wissenschaftler: Sie kann auf wissenschaftliche Datenbanken zugreifen, Code ausführen, Daten analysieren, Diagramme erstellen, Proteinstrukturen betrachten und den Forschungsprozess als prüfbaren und reproduzierbaren Datensatz speichern.

Fast zur gleichen Zeit stellte OpenAI GeneBench-Pro vor, das speziell prüft, ob KI-Agenten bei echten Forschungsaufgaben wie Genomik und quantitativer Biologie unscharfe Daten verarbeiten und mehrstufige Entscheidungen treffen können.

Google, das diesen Weg schon früher beschritten hat, ist bereits von AlphaFold zur Medikamentenentwicklung übergegangen. Die zugehörige Firma Isomorphic Labs baut derzeit eine KI-Engine für das Medikamentendesign auf und plant, die ersten Kandidatenmedikamente in klinische Studien zu bringen.

Das Schlachtfeld der KI-Unternehmen verlagert sich allmählich vom Büro ins Labor.

Bisher waren Code und Mathematik die bevorzugten Prüffelder für die Fähigkeiten großer KI-Unternehmen: Ob Code funktioniert oder ein Beweis gültig ist, lässt sich sehr schnell feststellen. Die Pharmaindustrie hingegen folgt einem anderen Zeitplan: KI kann die Zielentdeckung, Molekülauswahl und frühe Forschung beschleunigen, danach folgen aber noch Experimente, klinische Studien und behördliche Genehmigungen.

Ein Modell kann in wenigen Monaten eine neue Generation erreichen, während ein Medikament möglicherweise zehn Jahre braucht, um seine Wirksamkeit zu beweisen.

Am 12. Juli veröffentlichte das Wall Street Journal daher eine interessante Behauptung: Wenn KI die Medikamentenentwicklung tatsächlich verändert, sind die größten Gewinner nicht unbedingt OpenAI, Anthropic oder Google – sondern wahrscheinlich große Pharmakonzerne, die über proprietäre Daten, experimentelle Kapazitäten und ein globales klinisches Netzwerk verfügen.

Aktuell haben die drei großen KI-Unternehmen unterschiedliche Einstiegswege gewählt: Google geht von der Strukturvorhersage zum Medikamentendesign über, OpenAI setzt auf Biowissenschafts-Inferenzmodelle, und Anthropic integriert eine Arbeitsplattform im Stil von Claude Code in den Forschungsprozess.

Die Frage ist: Werden die von ihnen aufgebauten Fähigkeiten am Ende zu eigenen Wettbewerbsvorteilen im Pharmabereich – oder zu neuen Werkzeugen, die große Pharmakonzerne kaufen und kombinieren können?

Anthropics Forschungsarbeitsplattform

Claude Science ist nicht Anthropics erster Vorstoß im Bereich der Biowissenschaften – das Unternehmen verfolgt diesen Weg bereits seit einiger Zeit.

Im Mai 2025 startete Anthropic das „AI for Science Program“, das hochwirksamen Forschungsprojekten kostenlose API-Kontingente zur Verfügung stellte, wobei insbesondere die Bereiche Biologie und Biowissenschaften hervorgehoben wurden. Im Oktober desselben Jahres folgte Claude for Life Sciences, das Claude mit Forschungsinstrumenten und Datenbanken wie Benchling, BioRender, PubMed und 10x Genomics verbindet – sodass es in konkrete Anwendungsfälle wie Protokollierung von Experimenten, Literaturrecherche, Einzelzellanalyse und räumliche Omik-Analyse einbezogen werden kann.

In diesem Januar erweiterte Anthropic Claude for Life Sciences weiter um Konnektoren zu ClinicalTrials.gov, Open Targets, ChEMBL, bioRxiv, medRxiv und Medidata, wodurch die Biowissenschafts-Fähigkeiten auf Gesundheitswesen und klinische Phasen ausgedehnt wurden.

Man kann sagen, dass Claude bereits in die Arbeitsabläufe von Pharmaunternehmen und Forschungseinrichtungen eingegriffen hat – allerdings waren diese Fähigkeiten bisher hauptsächlich in Konnektoren, Tool-Aufrufen und Enterprise-Kundenfällen verteilt.

Beispielsweise nutzt Novo Nordisk Claude Code, um NovoScribe zu entwickeln – ein System, das automatisch regulatorische Inhalte wie klinische Studienberichte, Geräteprotokolle und Patientenmaterialien erstellt. Genmab kooperierte mit Anthropic, um Claude-gesteuerte Agenten für die Datenverarbeitung, Analyse und Dokumentenerstellung in der klinischen Entwicklung einzusetzen. Auch Bristol Myers Squibb arbeitete mit Anthropic zusammen, um Claude zehntausenden Mitarbeitern für Prozesse in Forschung, Medikamentenentwicklung, Produktion, Vertrieb und medizinischen Angelegenheiten zur Verfügung zu stellen.

Das Besondere an Claude Science ist, dass Anthropic diese Fähigkeiten zu einem klar definierten Produktzugang bündelt.

Laut Anthropic ist Claude Science als „KI-Arbeitsplattform für Wissenschaftler“ konzipiert: Sie kann auf Forschungsdatenbanken zugreifen, Code ausführen, Daten analysieren, Diagramme erstellen, 3D-Proteinstrukturen, Genom-Browser-Spuren und chemische Strukturformeln anzeigen. Außerdem speichert sie Code, Ausführungsumgebung, natürlichsprachliche Erläuterungen und Nachrichtenverläufe eines Forschungsprozesses – sodass prüfbare und reproduzierbare Forschungsergebnisse entstehen.

Wenn Sie einen biologienahen Studiengang absolviert haben – selbst im Bachelor-Studium – werden Sie wahrscheinlich verstehen, warum diese „Arbeitsplattform“ nützlich ist.

In meiner Bachelor-Arbeit machte ein großer Teil der bioinformatischen Analyse aus. Zum Abschluss schrieb ich für jüngere Kommilitonen eine einfache Anleitung zur Nutzung von BLAST. Damals drehten sich die meisten Arbeiten um das Wechseln zwischen verschiedenen Tools: Mit der CAZy-Datenbank suchte ich Gensequenzen, mit NCBI ORF Finder übersetzte ich rohe Nukleinsäuresequenzen in Proteinsequenzen, mit BLAST führte ich Sequenzvergleiche durch – und vor allem nutzte ich Jupyter Notebook, um Excel-Tabellen zu organisieren, die allein beim Öffnen ewig luden. Mit KI-Unterstützung muss man zumindest für die Datenanalyse nicht mehr von Grund auf Programmieren lernen.

Und das ist nur ein kleiner Teil der Arbeit, den man im Bachelor-Studium für die Abschlussarbeit kennenlernt. Wenn man wirklich in die Forschung einsteigt, wird das Wechseln zwischen Tools nur noch komplexer.

Claude Science soll diese umständlichen Schritte in einer einzigen Arbeitsplattform vereinen.

In gewisser Weise ähnelt das der Übertragung der Logik von Claude Code auf den Forschungsbereich: Claude Code greift in Softwareentwicklungsprozesse wie Code-Repositorys, Terminals, PRs und Reviews ein – Claude Science hingegen integriert sich in Forschungsprozesse wie Datenbanken, Code, Berechnungen, Diagramme, Belege und Berichte.

Erstens kann Claude Science vorhandene Python-, R- und Shell-Workflows lesen, ausführen und weiter bearbeiten – Labore müssen nicht ihre gesamten Codes und Pipelines von Grund auf neu erstellen. Es unterstützt zudem persistente Python- und R-Kerne: Variablen, Datenrahmen und bereits geladene Modelle bleiben während desselben Analysevorgangs dauerhaft erhalten.

Zweitens läuft Claude Science auf Notebooks, lokalen Linux-Rechnern, HPC-Anmeldeknoten oder Cloud-VMs. Es kann Cluster-Aufgaben per SSH übermitteln und verwalten sowie sich mit einem Modal-Konto verbinden, um die Rechenleistung zu erweitern.

Bestehende interne APIs, elektronische Laborprotokolle und maßgeschneiderte Pipelines des Labors können ebenfalls über Konnektoren integriert werden.

Drittens verfügt Claude Science über einen integrierten wissenschaftlichen Renderer: Man kann Proteine, Sequenzvergleiche, Genom-Spuren, chemische Strukturen und PDFs direkt anzeigen – ohne eine Vielzahl zusätzlicher Tools installieren zu müssen.

Beispielsweise kann es bei der Analyse von Proteinstrukturen vorhergesagte Strukturen abrufen, Domänen und klinische Varianten überlagern und diese interaktiv in 3D betrachten. Bei der Chemoinformatik und dem Moleküldesign sucht es nach Bioaktivitätsdaten, berechnet Eigenschaften und Ähnlichkeiten und erlaubt das Zeichnen und Bearbeiten von Molekülstrukturen in einem 2D-Struktureditor.

Darüber hinaus werden alle von Claude Science erstellten Diagramme, Tabellen und Notebooks mit dem zugehörigen Erstellungscode, der Ausführungsumgebung, natürlichsprachlichen Erläuterungen und dem Gesprächsverlauf gespeichert. Das bedeutet: Ein Diagramm liegt nicht isoliert im Bericht vor – man kann nachvollziehen, mit welchen Daten, welchem Code und welchen Schritten es erzeugt wurde.

Anthropic betont besonders, dass ein Hintergrundprüfer nicht nachvollziehbare Zahlen, fehlerhafte Zitate und Diagramme markiert, die nicht mit dem zugrundeliegenden Code übereinstimmen.

Anthropic gibt zudem an, dass das System für wichtige Biowissenschafts-Bereiche wie Genomik, Einzelzell-, Proteomik, Strukturbiologie und Chemoinformatik vorkonfiguriert ist und eine Verbindung zu über 60 wissenschaftlichen Datenbanken und domänenspezifischen Open-Source-Modellen herstellen kann.

Von der Datenbankrecherche, Literaturauswertung und Skriptausführung über die Erstellung von Diagrammen, das Verfassen von Artikelentwürfen und die Speicherung reproduzierbarer Aufzeichnungen bis hin zur Integration vorhandener Labor-Daten und Rechenressourcen – Claude Science verbindet einen vollständigen Forschungsprozess.

Laut einem Bericht von The Verge plant Anthropic zudem, eigene Medikamente zu entwickeln – mit besonderem Fokus auf „vernachlässigte“ Krankheiten. Im vergangenen Jahr hat das Unternehmen kontinuierlich Biologen eingestellt und ein eigenes Nasslabor aufgebaut. Eric Kauderer-Abrams, Leiter des Biowissenschaftsbereichs bei Anthropic, erklärte, das Unternehmen werde sich auf Bereiche konzentrieren, in denen die kommerzielle Attraktivität für traditionelle Pharmakonzerne gering ist, aber dennoch eine nachweisbare Krankheitslast besteht.

Bisher kam Claude in Pharmaunternehmen hauptsächlich zum Einsatz, um Effizienz in Dokumentation, Datenverwaltung, klinischen Abläufen und Forschung zu steigern. Jetzt möchte Anthropic Claude in die vorgelagerte wissenschaftliche Entdeckung einbinden – und sogar den frühen Prozess der Medikamentenfindung selbst validieren.

Drei Unternehmen, drei Wege in der Medizin

Mit einem breiteren Blick betrachtet sind Medizin und Biowissenschaften zu einem der zentralsten Bereiche von „AI for Science“ geworden. Google, OpenAI und Anthropic verfolgen dieses Ziel – allerdings auf unterschiedliche Weise.

Google war das erste Unternehmen, das große Aufmerksamkeit erregte und diesen Weg zu einem echten KI-Pharmakonzern ausbaute.

Sein markantes Ergebnis ist AlphaFold. Im Jahr 2020 erzielte AlphaFold 2 einen Durchbruch bei der Vorhersage von Proteinstrukturen, später stellte die AlphaFold Protein Structure Database Forschern eine große Anzahl vorhergesagter Strukturen zur Verfügung.

Die Proteinstruktur ist eine der Grundlagen, um biologische Vorgänge zu verstehen, Medikamentenziele zu finden und Kandidatenmoleküle zu entwerfen. Wie ein Protein aussieht, bestimmt oft, wie es wirkt – und ob ein Medikament an es binden kann.

Mit AlphaFold 3 ging dieser Weg einen Schritt weiter: AlphaFold 3 versucht, die Strukturen und Wechselwirkungen zwischen Biomolekülen wie Proteinen, DNA, RNA und kleinen Liganden vorherzusagen. Und eines der Kernprobleme der Medikamentenfindung ist die spezifische Bindung eines Kandidatenmoleküls an das Zielprotein.

Google DeepMind erklärte damals, dass AlphaFold 3 bei der Vorhersage von Wechselwirkungen zwischen Proteinen und anderen Molekülen die Genauigkeit im Vergleich zu bestehenden Methoden um mindestens 50 % verbessert – in einigen wichtigen Kategorien sogar verdopp