GPT-6 belegt den ersten Platz, ist die größte Sensation seit AlphaFold und die leistungsstärkste KI für die Antikörpervorhersage.

Der größte Schock nach AlphaFold ist da.

Gerade eben hat eine Nachricht, die von OpenAI-Präsident Greg Brockman geteilt wurde, das gesamte Tech- und Pharmazeutikum in Aufregung versetzt.

Der renommierte Wissenschaftler Andrew Aiginin hat auf X eine aufregende Nachricht veröffentlicht —

In strengen unabhängigen Benchmark-Tests hat GPT-6 Astra gerade alle Spitzenmodelle übertroffen und ist zum stärksten KI-System für die Vorhersage der Antikörper-Entwickelbarkeit geworden!

Nicht nur hat Astra die Spitzenposition bei den Testwerten erreicht, sondern es hat auch innerhalb von nur 1 Stunde direkt eine interaktive Visualisierungsseite für komplexe Antikörpermechanismen erstellt.

Seit langem gibt es in der Branche einen Konsens: „Für KI im Wissenschaftsbereich müssen spezielle Modelle für spezielle Probleme eingesetzt werden.“

So wie AlphaFold für die Proteinfaltung steht, werden LLMs normalerweise nur als Hilfswerkzeuge für das Schreiben von Code und das Lesen von Fachliteratur betrachtet.

Aber heute hat GPT-6 Astra diesen Konsens mit einem riesigen Riss durchbrochen!

Mit seiner allgemeinen Intelligenz ist es direkt in den am schwersten zu quantifizierenden und am meisten Kopfzerbrechen bereitenden toten Punkt der vorklinischen Phase in der biopharmazeutischen Forschung eingedrungen.

Und all das ist kein Zufall. Das Spitzen-KI-Pharmaunternehmen Insilico Medicine, das diesen Testbenchmark aufgebaut hat, hat auf arXiv eine 21-seitige wichtige Arbeit veröffentlicht.

Titel: Training Chemical Plausibility-Aware Large Language Models for Single-Step Retrosynthesis

Arbeit: https://arxiv.org/pdf/2608.18940

Diese Arbeit enthüllt zum ersten Mal die Strenge des DDD-Benchmarks, mit dem GPT-6 Astra getestet wurde, und zeigt uns auch: Von der chemischen Synthese kleiner Moleküle bis zur Vorhersage großmolekularer Antikörper übernehmen allgemeine große Modelle zunehmend die anspruchsvollsten Grenzbereiche der Wissenschaft!

Der Paradigmenwechsel in der Wissenschaft nach AlphaFold hat vielleicht gerade erst begonnen.

37,98 Punkte! GPT-6 erreicht die Spitzenposition im angesehenen „DDD-Benchmark-Test“

Die praktischen Testergebnisse zeigen: Nach der Integration in das Antikörper-Entwickelbarkeitstestmodul des DDD-Benchmarks (das 6 verschiedene Antikörper-Experimentdatensätze kombiniert) erzielte GPT-6 Astra beeindruckende 37,98 Punkte und übertraf damit alle getesteten Modelle.

Der KI-Forscher Rim Shayakhmetov äußerte ungläubig seine Verwunderung:

„Wie hoch ist der übliche Wert spezialisierter Modelle bei dieser Aufgabe? Dieses Ergebnis ist so interessant – man sieht selten, dass ein fortschrittliches großes Sprachmodell in Benchmark-Tests für die Wirkstoffentwicklung ohne Abhängigkeit von externen spezialisierten Werkzeugen so glänzt!“

Ohne spezielle bioinformatische Plugins und ohne Feinabstimmung mit speziellen Antikörperdaten hat ein allgemeines großes Modell direkt den Kern der Antikörper-Wirkstofftauglichkeit getroffen – das ist unglaublich aufregend.

Die Entdeckung von Antikörpern ist nur der Anfang, die „Wirkstofftauglichkeit“ ist das wahre Tal des Todes

Um die Bedeutung dieser Leistung von GPT-6 Astra zu verstehen, müssen wir zuerst eine grausame Realität in der Pharmabranche begreifen.

Andrew hat einen Satz geschrieben, der direkt ins Herz trifft: „Einen Antikörper zu finden, der binden kann, ist nur der Anfang. Wird er sich anhäufen? Bleibt er stabil? Kann er wirklich wie ein Arzneimittel wirken?“

Dieser Satz drückt die schmerzvolle Geschichte unzähliger Mitarbeiter in der neuen Wirkstoffforschung weltweit aus.

In der Vergangenheit, wenn wir über die Antikörper-Wirkstoffforschung sprachen, lag das Hauptaugenmerk immer auf der „Bindungsaffinität“.

Einfach ausgedrückt: Ob dieser Antikörper präzise wie ein Schlüssel in ein Schloss passen und das Ziel eines Virus oder einer Krebszelle erkennen und binden kann.

Frühe KI-Modelle (wie AlphaFold) haben bei der „Vorhersage der Bindung“ bereits hervorragende Arbeit geleistet.

Aber! Binden können ≠ zu einem Arzneimittel werden können.

Das ist wie bei einer Liebesbeziehung: Zwei Menschen finden sich auf Anhieb sympathisch, das ist nur der erste Schritt. Können sie den Weg zum gemeinsamen Leben gehen? Können sie die Prüfung des Alltags meistern?

In der Wirkstoffforschung wird diese „Prüfung des Alltags“ als „Wirkstofftauglichkeit“ bezeichnet.

In der Realität weisen unzählige „perfekte Antikörper“, die eine extrem hohe Bindungsaffinität zu haben scheinen, sobald sie in eine echte physiologische Umgebung oder in den industriellen Produktionsprozess gelangen, tödliche Mängel auf:

• Wird er sich zu Klumpen ansammeln?
• Ist seine Struktur stabil?
• Kann er wirklich wie ein echtes „Arzneimittel“ funktionieren?

Diese Eigenschaften werden zusammenfassend als Antikörper-Entwickelbarkeit bezeichnet.

Das ist das „Tal des Todes“ in der gesamten biopharmazeutischen Branche.

Es führt zu einer extrem schrecklichen Situation: Jedes Jahr zeigen Tausende von Antikörpermolekülen weltweit im Labor hervorragende Eigenschaften, scheitern aber schließlich in der Bewertungsphase der Wirkstofftauglichkeit.

Pharmaunternehmen verbrennen dafür Milliarden von Dollar und verbringen Jahre oder sogar Jahrzehnte, ohne am Ende ein Ergebnis zu erzielen.

Aber heute verkündet GPT-6 Astra, dass es diese Eigenschaften der Wirkstofftauglichkeit präziser vorhersagen kann als jedes andere fortschrittliche Modell der Welt.

Enthüllung des Prüfsteins: Der „höllische“ Benchmark-Test, dem GPT-6 Astra gegenüberstand

Manche mögen fragen: Ist das wieder nur ein Ergebnis, das speziell für Ranglisten optimiert wurde?

Absolut nicht.

Dr. Bogdan A. Zagribelnyy weist darauf hin, dass die Plattform, auf der Astra die Spitzenposition erreicht hat, der von ihnen aufgebaute DDD-Benchmark ist.

In der von ihnen veröffentlichten Arbeit sehen wir, wie anspruchsvoll dieses Testsystem ist.

Obwohl die in den Posts auf X diskutierten „großmolekularen Antikörper“ sind, zeigt diese Arbeit die enorme Tiefe, mit der das Team Bewertungsstandards im Bereich der „kleinen Molekülchemie“ etabliert hat. Wenn Sie diesen Hintergrund verstehen, werden Sie begreifen, wie unglaublich es ist, dass Astra die Spitzenposition erreicht hat.

In der Arbeit konzentriert sich das Forschungsteam auf ein weiteres jahrzehntelanges Problem der Pharmabranche: die einstufige Retrosynthese.

Einfach ausgedrückt ist Retrosynthese die „Rückwärtsrechnung in der Chemie“: Man erhält ein Ziel-Arzneimittelmolekül und muss rückwärts schlussfolgern, welche vorhandenen, billigen chemischen Rohstoffe zur Synthese verwendet werden können.

Wie wurden KI-Bewertungen in der Vergangenheit durchgeführt?

Man gab der KI ein Zielmolekül, die KI gab einen Synthesepfad aus – und wenn dieser genau mit dem in vorhandenen Patentdatenbanken (wie USPTO) übereinstimmte, erhielt sie 100 Punkte.

Aber das funktioniert in der realen Welt kaum. Denn Synthesepfade sind von Natur aus „eins zu viele“, und die traditionelle Bewertungsmethode mit „einem einzigen richtigen Antwort“ schränkt die Fähigkeit der KI, unbekannte Bereiche zu erforschen, stark ein.

Aus diesem Grund hat das Insilico-Team ein extrem anspruchsvolles Testumgebung aufgebaut:

1. URSA-expert-2026-Benchmark: Dies ist ein Datensatz mit 100 neuen, maschinell generierten Molekülen, deren Synthesezugänglichkeit von Spitzen-Chemieexperten manuell bestätigt wurde. Er ist vollständig von allen öffentlichen Trainingsdaten getrennt und schließt die Möglichkeit aus, dass das Modell „die Aufgaben auswendig lernt“.

2. ChemCensor-Bewertungssystem: Sie prüfen nicht, ob das Modell das Patent perfekt nachbildet, sondern haben das ChemCensor-Framework entwickelt, um anhand grundlegender chemisch-physikalischer Regeln wie „Reaktionszentrenzuordnung“ und „Funktionsgruppenkompatibilität“ zu beurteilen, ob die vom Modell generierte Reaktion wirklich chemisch plausibel ist.

Genau unter dieser Bewertung, die bis zu den grundlegenden physikalischen und chemischen Gesetzen geht, sind fast alle traditionellen LLMs gescheitert.

In frühen Top-1-Tests konnten selbst so starke Modelle wie GPT-5.5 und Gemini 3.1 Pro die Leistung der besten spezialisierten traditionellen Chemie-Modelle (wie MHNreact, LocalRetro) nicht übertreffen.

Die allgemeinen LLMs, die auf dem Prinzip „Mehr Aufwand führt zu Wunder“ setzen, scheinen an ihre Grenzen gestoßen zu sein.

Mit 45 Millionen Datensätzen: Wie wurde die wissenschaftliche Intuition von LLMs „herausgefordert“?

Wenn allgemeine LLMs nicht mit spezialisierten Modellen mithalten können, was soll man dann tun?

Die Antwort der Arbeit hat die Branche erschüttert – man muss nicht das Modell austauschen, sondern eine Methode finden, um das Potenzial des allgemeinen Modells zu aktivieren.

Das Forschungsteam hat in der Arbeit drei entscheidende Maßnahmen vorgeschlagen, die die Einschränkungen großer Modelle im Chemiebereich vollständig aufheben:

Erste Maßnahme: Top-K-Prompt-Paradigma

Da die Retrosynthese „eins zu viele“ ist, sollte man das LLM nicht nur einmal raten lassen.

Das Team hat in der Prompt explizit gefordert: „Gib mir 15 verschiedene Antworten“.

Das Wunder geschah: Allein durch die Umstellung auf den Top-K-Modus erlebten fast alle großen Modelle (GPT-5.5, die Claude Opus-Serie) ein explosionsartiges Wachstum bei der chemischen Plausibilität und Vielfalt.

Die Leistung von Gemini 3.1 Pro stieg im Top-15-Modus stark an und machte es direkt zum stärksten LLM-Basislinie.

Das beweist: Große Modelle verfügen über wissenschaftliches Wissen – die Art und Weise, wie man sie bisher befragt hat, war nur falsch.

Zweite Maßnahme: Aufbau eines riesigen Prüfdatenbestands mit 45,6 Millionen Einträgen (CREED-CCV-2+USPTO-XL)

Um ein Sprachmodell zu trainieren, das speziell auf chemische Einschränkungen ausgerichtet ist (C3LM), hat das Team keine Rechenleistung gescheut und mithilfe von virtuellen Synthese-Engines und dem ChemCensor-Framework einen riesigen Datensatz mit etwa 45,6 Millionen überprüften echten chemischen Reaktionen aufgebaut.

Dritte Maßnahme: „Neuheits“-Belohnung im Reinforcement Learning

Bei der Feinabstimmung des C3LM-Modells haben sie den GRPO-Reinforcement-Learning-Algorithmus eingeführt.

Die Belohnungsfunktion ist extrem anspruchsvoll: Der vom Modell ausgegebene Synthesepfad muss nicht nur den chemischen Plausibilitätskriterien von ChemCensor entsprechen, sondern das Modell erhält eine zusätzliche