AlphaFold kann die KI-gestützte Arzneimittelentwicklung nicht retten

Text von Yin Lina

Das Jahr 2026 wird in der Branche weithin als „Jahr Null der physischen KI“ anerkannt. Jensen Huang verkündete auf der CES, dass „der ChatGPT-Moment der physischen KI gekommen ist“, während Li Fei-Fei Weltmodelle in drei Kategorien unterteilt: Renderer, Simulator und Planer, und prognostiziert, dass sich diese drei Modellarten schließlich zu einem echten Weltmodell verschmelzen werden.

Hinter dieser Begeisterung strömt Kapital schnell ein. Daten von Crunchbase zeigen, dass im ersten Halbjahr 2026 die Finanzierungssumme von Startups im Bereich der physischen KI 47,4 Milliarden US-Dollar erreichte, große Technologiekonzerne steigen eilig in das Feld ein und Finanzkapital setzt intensiv auf entsprechende Projekte. Die wirklich fragwürdige Frage ist jedoch, wo die erste Welle des Werts der physischen KI realisiert wird.

Die Antwort liegt wahrscheinlich nicht im autonomen Fahren und auch nicht in der verkörperten Intelligenz. Kai-Fu Lee urteilt: „In den letzten 20 Jahren konzentrierte sich die KI hauptsächlich auf das Verstehen und Generieren von Informationen der menschlichen Welt; in den nächsten 20 Jahren wird die wichtigste Aufgabe der KI sein, in die natürliche Welt einzutreten, wissenschaftliche Gesetze zu verstehen und an wissenschaftlichen Entdeckungen teilzunehmen.“

AI4S (AI for Science) wird von Jensen Huang als eine der drei Schlüsselrichtungen der KI neben großen Sprachmodellen und verkörperter Intelligenz eingestuft, und die langfristige Marktgröße dürfte Hunderte von Milliarden US-Dollar erreichen. Die Berechnungen von Guosheng Securities sind konkreter: Wenn die Durchdringungsrate der KI-Forschung und -Entwicklung 2,5 % erreicht, beträgt die Größe der AI4S-Branche etwa 14,9 Milliarden US-Dollar; steigt die Durchdringungsrate auf 25 %, wird sie zu einem superblauen Ozean mit einem Jahresumsatz von über 140 Milliarden US-Dollar.

Die erste Station der physischen KI in der wissenschaftlichen Welt wird derzeit auf molekularer Ebene eingeläutet. Unter allen Erkundungen im Bereich AI4S ist das AI-gesteuerte Wirkstoffdesign (AI-driven Drug Design, AIDD) das erste, das in die kommerzielle Validierung eintritt und auch als erstes an seine Grenzen stößt – es ist höchstwahrscheinlich auch das erste Feld, das durch den Eintritt der physischen KI Veränderungen erfährt.

Nach fast zehn Jahren Tätigkeit im Bereich des AI-gesteuerten Wirkstoffdesigns stellte Zhou Jielong, Gründer und CEO von StoneWise, auf der WAIC 2026 eine konkretere Beurteilung auf: Das AI-gesteuerte Wirkstoffdesign befindet sich im Übergang von der „Agentenphase“ zur „Phase der physischen KI“, und das Mikroweltmodell ist das zugrundeliegende Modell, das zur physischen KI führt. Er meint: „Agenten können Werkzeuge orchestrieren und Abläufe ausführen, aber sie können kein grundlegendes Verständnis und keine Fähigkeit zur Ableitung für das mikrokosmische System des Lebens entwickeln. Das Mikroweltmodell wird wahrscheinlich früher Durchbrüche erzielen als das physische Weltmodell.“

Zhou Jielong, Gründer und CEO von StoneWise

Wo liegt das Problem des traditionellen AIDD?

Die Forschung und Entwicklung innovativer Medikamente ist in der Branche weithin für die bekannte Drei-Zehn-Regel bekannt – die Entwicklung eines neuen Medikaments dauert zehn Jahre, kostet eine Milliarde US-Dollar und hat eine Erfolgsquote von weniger als einem Zehntel. Sie zeichnet sich von Natur aus durch hohes Risiko und hohe Investitionen aus und erfordert gleichzeitig die Zusammenarbeit von Berechnung, Modellen und Experimenten – was sie zu einem der typischsten und realistischsten Anwendungsfälle von AI4S macht.

In den letzten fünf Jahren war die Effizienzsteigerung der KI in den frühen Phasen der Wirkstoffentdeckung offensichtlich. KI kann relevante Informationen aus Literatur und Datenbanken abbauen, potenzielle Zielstrukturen schnell identifizieren, Molekülstrukturen mit Potenzial für die Medikamentenentwicklung generieren und die Anzahl der Verbindungen, die tatsächlich synthetisiert und validiert werden müssen, stark reduzieren.

Aber Effizienzsteigerungen lösen nicht das grundlegende Problem. Jeder, der an der Entwicklung neuer Medikamente arbeitet, kennt den Begriff „Tal des Todes“.

Er beschreibt die Kluft zwischen der Entdeckung in der Grundlagenforschung und der erfolgreichen Markteinführung eines Medikaments, an der die überwiegende Mehrheit der Kandidatenmedikamente scheitert. Auf mehreren Branchenkonferenzen sprachen Mitarbeiter von Biotech-Unternehmen: „Obwohl wir jetzt große Modelle haben, ist ihre Vorhersagegenauigkeit für die Umwandlungsrate noch nicht ausreichend gut, was zu dem „Tal des Todes“ zwischen der Zielstruktur und den klinischen Studien am Menschen führt.“

Medikamente, die in zellulären Experimenten in vitro wirksam sind, können im Tierkörper ihre Wirkung verlieren; Zielstrukturen, die in Tierexperimenten sicher sind, können in klinischen Studien zu Off-Target-Toxizität führen. Der Grund dafür liegt darin, dass die derzeit vorherrschende Forschungsparadigma der Biowissenschaften in Molekularbiologie, Zellbiologie und Physiologie nach Skalen getrennt ist und es an einem einheitlichen Rahmen fehlt, um verschiedene Skalen miteinander zu verbinden.

Morgan Stanley erwähnt in dem Bericht *Über Moleküle hinaus: 2026 – das entscheidende Jahr für die Entdeckung von KI-Medikamenten*, dass chemische Modelle „Beschleuniger“ im F&E-System von Pharmaunternehmen sind, aber das Entwicklungsniveau biologischer Modelle die Obergrenze des Werts der Branche für das AI-gesteuerte Wirkstoffdesign bestimmt. Chemische Modelle beantworten die Frage „Wie entwickelt man Medikamente effizient“, während biologische Modelle die Frage beantworten „Welche Medikamente können entwickelt werden“. Das Fehlen des letzteren ist genau die Wurzel des „Tals des Todes“ [2].

Gleichzeitig wirft dies ein weiteres zentrales Problem auf – der „geschlossene Kreislauf von nassen und trockenen Experimenten“, den derzeit Unternehmen für AI-gesteuertes Wirkstoffdesign allgemein hervorheben. Das klingt perfekt, ist aber auch sehr teuer.

Der sogenannte „geschlossene Kreislauf von nassen und trockenen Experimenten“ bezieht sich auf den Prozess: KI-Vorhersage – Molekülsynthese – nasses Experiment – Datenrückkopplung – erneutes Training des Modells.

Aber das Problem ist, dass nach jeder Runde der Modellvorhersage Synthese, Test und Screening in der realen Welt durchgeführt werden müssen, bevor die Daten zurückgemeldet werden. Die Experimente in der Medikamentenentwicklung sind keine A/B-Tests für Internetprodukte: Die Molekülsynthese kostet Geld, biologische Experimente kosten Geld, der Zyklus kann in Wochen oder Monaten gemessen werden, eine große Menge fehlgeschlagener Daten kann nicht leicht standardisiert werden, und wirklich qualitativ hochwertige Daten sind besonders knapp, teuer und ihre Dauer kann nicht verkürzt werden.

Ein erfahrener Branchenkenner verrät: „Für ein nasses Experiment kostet die Synthese eines Moleküls möglicherweise Tausende bis Zehntausende Yuan; um einen Kristall (die dreidimensionale Struktur eines Protein-Kleinmolekül-Komplexes) herzustellen und wertvolle Datenpunkte zu erhalten, betragen die durchschnittlichen Kosten nach der Umrechnung mehrere zehntausend Yuan oder sogar mehr. Ganz zu schweigen von der Phase des Tiermodells: Ein vermenschlichtes transgenes Mausmodell kostet möglicherweise schon Zehntausende Yuan, die Kosten eines Versuchsaffen übersteigen mehrere zehntausend Yuan. Allein eine toxikologische Studie kann Hunderttausende bis Millionen Yuan kosten. Und diese Kosten fallen nur in der präklinischen Phase an – es ist sehr wahrscheinlich, dass das Tiermodell falsche Signale liefert, während das Team weiterhin mehrere Jahre und Dutzende Millionen oder sogar Hunderte Millionen US-Dollar für klinische Validierungen investiert.“

Rechnet man das also zusammen: Wenn das Modell nur „1000 Moleküle“ auf „100 Moleküle“ filtert, aber immer noch eine große Anzahl experimenteller Validierungen erfordert, betragen die Kosten immer noch Millionen. Aus dieser Sicht wird der Wert großer Modelle im Pharmabereich immer noch hauptsächlich bei der Optimierung der Generierungseffizienz realisiert, ohne die Kostenstruktur der traditionellen pharmazeutischen Forschung und Entwicklung wirklich zu verändern.

Kurz gesagt: Das traditionelle AIDD führt immer noch nur Korrelationsvorhersagen durch, löst das grundlegende Problem der Medikamentenentwicklung nicht wirklich, und seine Fähigkeitsgrenzen nähern sich der Obergrenze. Die Branche für AI-gesteuertes Wirkstoffdesign im Jahr 2026 steht an einem delikaten Wendepunkt: Auf der einen Seite herrscht eine hohe Kapitalbegeisterung und es treten häufig BD-Transaktionen auf, auf der anderen Seite beginnen die regulatorischen Rahmenbedingungen schrittweise zu verlangen, dass KI-Modelle „kausale Schlussfolgerungen“ nachweisen, anstatt nur „Korrelationsvorhersagen“ zu treffen.

Im Januar 2026 veröffentlichten die US-amerikanische Food and Drug Administration (FDA) und die Europäische Arzneimittel-Agentur (EMA) gemeinsam die *Leitlinien für gute Praktiken der künstlichen Intelligenz in der Forschung und Entwicklung von Humanarzneimitteln und biologischen Produkten*. Dies ist das erste konsensuelle Rahmenwerk der beiden größten Arzneimittelbehörden der Welt für die Anwendung von künstlicher Intelligenz in der Medikamentenentwicklung, das in der Branche große Aufmerksamkeit und Diskussionen auslöste.

Obwohl die Regulierungsbehörden klar verstehen, dass der „schwarze Kasten“ der sicheren und wirksamen Medikamente kurzfristig nicht vollständig zu einem „weißen Kasten“ umgewandelt werden kann, verlangen sie dennoch, dass KI-Systeme in ihrer Entwicklung, Validierung und Nutzung transparent, rückverfolgbar und erklärbar sind. Der Grund ist einfach: Die Regulierung braucht Beweise, um zu beurteilen, ob die Einbeziehung der KI die Sicherheit, Wirksamkeit und Qualität von Arzneimitteln gewährleisten kann.

Das bedeutet: Wenn ein KI-Modell nur die Vorhersage ausgibt „Dieses Molekül ist toxisch“, aber nicht erklären kann, warum es toxisch ist und über welchen Mechanismus die Toxizität entsteht, wird es bei regulatorischen Entscheidungen nicht akzeptiert.

Sowohl die Entwicklung der Technologie der physischen KI selbst als auch die Anforderungen der Regulierung weisen auf ein Signal hin: In Zukunft darf ein KI-Modell in der Medikamentenentwicklung nicht nur ein „hochgenauer schwarzer Kasten“ sein, es muss in der Lage sein, das „Warum“ zu erklären und nachzuweisen, dass seine Schlussfolgerungen den wissenschaftlichen Mechanismen entsprechen.

Das Mikroweltmodell: Eine neue Generation von F&E-Paradigmen, die AI4S umgestalten

Die aktuellen großen KI-Modelle können Korrelationen erkennen, aber keine zuverlässigen kausalen Ableitungen aufbauen. Dies ist kein einzigartiges Problem der Branche für AI-gesteuertes Wirkstoffdesign, sondern eine gemeinsame Einschränkung des gesamten AI4S-Bereichs.

Zhou Jielong meint: Um das „Tal des Todes“ zu überqueren, braucht die KI keine stärkere statistische Anpassung, sondern die Fähigkeit zur kausalen Modellierung der physischen Mikrowelt. Daher stellte er das Konzept des „Mikroweltmodells“ vor.

Seiner Ansicht nach baut das Weltmodell in der KI eine digitale Umgebung auf, die die Gesetze der realen Welt imitiert, um vorhersagen zu können „Was wird als Nächstes passieren?“, und wiederholt Ableitungen durchzuführen, ohne tatsächlich zu handeln. Wenn diese Fähigkeit von der Makrowelt auf die Mikroskala heruntergebracht wird, erhält man das „Mikroweltmodell“.

Sein Kernlogik lautet: Mit kleinen Molekülen, Proteinen, Atomen und sogar Elektronen als Repräsentationseinheiten werden die grundlegenden Regeln der Quantenmechanik und der statistischen Mechanik befolgt, um Wechselwirkungen zwischen Molekülen, Konformationsänderungen und dynamische Evolution zu simulieren. Zhou Jielong verwendet ein anschauliches Gleichnis: „Das bedeutet, einen „Molekül-Sandkasten“ im Computer zu bauen, der streng den physikalisch-chemischen Gesetzen folgt, sodass Kandidatenmedikamente zuerst diesen Sandkasten betreten und dort „vollständig durchlaufen“ – wie sie binden, wie sie metabolisiert werden und ob sie Toxizität verursachen. So werden so viele Fehlschläge wie möglich beseitigt, bevor die realen Experimente beginnen.“

Traditionelle Molekülgenerierungsmodelle können F&E-Mitarbeitern nur sagen „Die Aktivität dieses Moleküls beträgt möglicherweise 100 nM“, aber das Mikroweltmodell versucht zu beantworten: Warum steigt die Aktivität um das Zehnfache, wenn eine funktionelle Gruppe verändert wird? Entsteht eine neue Wasserstoffbrücke, wird ein Wassermolekül verdrängt oder ändert sich die Proteinkonformation?

Dies ist keine einfache technische Vorstellung. Zhou Jielong erklärt, dass StoneWise derzeit das erste „vollelektronische“ Mikromolekül-Weltmodell entwickelt. Die weltweit modernsten Molekülmodelle – einschließlich AlphaFold3, IsoDDE von Isomorphic Labs und andere – befinden sich im Grunde noch auf der „Vollatomebene“, bei der Atome als kleinste Modellierungseinheit verwendet werden und Wechselwirkungen zwischen Molekülen durch Atomkoordinaten und Kraftfeldparameter beschrieben werden. StoneWise hat sich dafür entschieden, eine Ebene tiefer zu gehen und in die Elektronenebene vorzudringen.

Elektronen sind eines der grundlegenden Teilchen, aus denen die Materie besteht, und können nicht weiter unterteilt werden. Die Bildung und Spaltung von chemischen Bindungen, Wasserstoffbrücken und elektrostatische Wechselwirkungen, π-π-Stapelung, hydrophobe Effekte – diese Kernwechselwirkungen, die das Verhalten von Molekülen bestimmen, finden im Wesentlichen auf der Elektronenebene statt. Traditionelle Modelle sehen die Art und Koordinaten von Atomen, aber die echten Wechselwirkungen zwischen Molekülen finden auf der tieferliegenden Ebene der Elektronenverteilung statt. Zhou Jielong meint: „Wenn wir die vollständigsten Informationen auf der raumzeitlichen Skala von Nanometern und Nanosekunden erhalten, können wir theoretisch durch maschinelles Lernen ständig der endgültigen physikalischen Realität näherkommen.“

Die Bedeutung dieser „vollelektronischen“ Ausrichtung liegt nicht nur in der Genauigkeit. Entscheidender ist ihre Übertragbarkeit. Medikamente, Materialien, Katalysatoren und Halbleiterbauelemente teilen auf mikroskopischer Ebene dieselbe physikalische Grundlage – die Übertragung und Verteilung von Elektronen, die Evolution chemischer Bindungen, die Absorption und Freisetzung von Energie. Ein Modell, das mikroskopische Wechselwirkungen auf der Elektronenebene genau darstellen und ableiten kann, verfügt über eine grundlegende Fähigkeit, die natürlich auf verschiedene Bereiche übertragbar ist. Zhou Jielong vergleicht es mit einer „Karte des Elektronenuniversums“: „Mit den vollständigen Informationen der grundlegendsten Teilchen kann man sehr viele Dinge tun.“

Dahinter stehen die einzigartigen Akkumulationen von StoneWise über viele Jahre im Bereich experimenteller Elektronendichtedaten sowie die Erweiterung der