KI-gestützte Arzneimittelentwicklung bewegt sich hin zum virtuellen menschlichen Körper: Differentia Bio validiert das neue Paradigma mit prospektiven klinischen Belegen

„Die AI-gestützte Arzneimittelentwicklung steckt an einer Schwelle, die als „Phase-II-Kluft“ bezeichnet wird: Die Fähigkeiten zur Moleküloptimierung haben sprunghaft zugenommen, aber die Vorhersage der Wirksamkeit am Menschen beruht nach wie vor auf Versuch und Irrtum. Ein Unternehmen namens Differentia Bio liefert mit einer über drei Jahre reichenden Beweiskette ein Beispiel, das die Industrie neu bewerten sollte.“

Ein branchenweit anerkanntes Dilemma: KI kann Moleküle entwerfen, aber nicht den Menschen richtig vorhersagen

In den letzten zehn Jahren war das Hauptfeld der KI in der Arzneimittelentwicklung die präklinische Phase. Die Effizienz von Schritten wie Molekülgenerierung, ADMET-Vorhersage und Optimierung der Zielbindungsaffinität wurde deutlich verbessert. Aber ein noch kritischeres Problem tritt nun zutage.

Eine Branchenanalyse von Boston Consulting aus dem Jahr 2024 liefert zwei Gruppen wichtiger Daten: Die Erfolgsrate von KI-entdeckten Arzneimitteln in klinischen Phase-I-Studien erreicht 80 %–90 %, weit über dem historischen Niveau von etwa 52 % bei herkömmlichen Arzneimitteln; nach Eintritt in die Phase-II sinkt die Erfolgsrate jedoch abrupt auf etwa 40 %, fast auf dem Niveau von herkömmlichen Arzneimitteln mit etwa 37 %.

Das bedeutet, dass KI gut darin ist, „Moleküle herzustellen“, aber nicht „vorauszusagen, ob ein Molekül bei komplexen menschlichen Krankheiten wirklich wirksam ist“. Biologische Unterschiede zwischen Tieren und Menschen sowie die hohe Heterogenität der Krankheitsmechanismen von Patienten führen zu großen Unsicherheiten bei der klinischen Translation. Noch schwieriger ist, dass nach Eintritt in die klinische Phase die frühen Daten normalerweise spärlich und fragmentiert sind und nur Ergebnisse bei einer begrenzten Anzahl von Patienten, Dosierungen und Behandlungsplänen widerspiegeln. Wenn Pharmaunternehmen mit Fragen wie „Was passiert bei Dosisanpassungen?“, „Was passiert bei einem Wechsel der Patientengruppe?“ oder „Was passiert bei einer Kombinationsbehandlung?“ konfrontiert werden, die direkt über Erfolg oder Misserfolg der Entwicklung entscheiden, müssen sie oft auf der Grundlage begrenzter Daten kostspielige Entscheidungen treffen.

Das ist genau die Aufgabe der zweiten Phase der KI-gestützten Arzneimittelentwicklung: KI muss nicht nur Moleküle erzeugen können, sondern auch komplexe menschliche Krankheiten verstehen, Arzneimittelinterventionen simulieren und vor Vorliegen klinischer Ergebnisse eine wissenschaftliche Grundlage für Entwicklungsentscheidungen liefern. Der Übergang von der Molekülgenerierung zur Simulation menschlicher Krankheiten wird zu einem beachtenswerten neuen Trend der KI-gesteuerten Arzneimittelentwicklung.

Eine seltene Beweiskette: Vorhersage zuerst, klinische Validierung danach

Vor diesem Hintergrund lieferte ein von dem in San Francisco, USA, ansässigen Unternehmen für KI-digitale Zwillinge Differentia Bio bekannt gegebener Fortschritt bei der prospektiven Validierung ein beachtenswertes Beispiel.

Die Vorhersage des Unternehmens zu den Behandlungsmechanismen der IgG4-assoziierten Erkrankung (IgG4-RD) erhielt wichtige Unterstützung durch nachfolgende unabhängige klinische Studien am Menschen und von der FDA zugelassene Arzneimittel.

2023–2024: Prospektive Modellvorhersagen und öffentliche akademische Aufzeichnungen. Das Differentia-Team integrierte multiomische Daten von Patienten, KI-Wissensgraphen und quantitative Krankheitsmechanismusmodelle, um potenzielle Behandlungswege von IgG4-RD systematisch zu simulieren und vorrangig zu bewerten. Es identifizierte Interventionsrichtungen mit therapeutischem Potenzial wie CD19+ und IL-4/Th2. Die entsprechenden Ergebnisse wurden auf internationalen akademischen Konferenzen wie ACOP, PAGE und NBC öffentlich vorgestellt, was nachverfolgbare frühe wissenschaftliche Aufzeichnungen hinterließ.

April 2025: Die auf CD19+ abzielende Behandlung erhielt die FDA-Zulassung. Das auf CD19+ abzielende Inebilizumab wurde von der US-amerikanischen FDA zur Behandlung von IgG4-RD zugelassen und ist das erste zugelassene Therapeutikum für diese Indikation. Seine entscheidende klinische Phase-III-Studie zeigte, dass während einer 52-wöchigen Behandlungsdauer im Vergleich zum Placebo das Risiko von Krankheitsschüben um 87 % reduziert wurde (HR=0,13, p<0,0001).

Januar 2026: Der IL-4/Th2-Signalweg erhielt weitere unabhängige klinische Unterstützung. Ein Forschungsteam von Dritten veröffentlichte die Ergebnisse einer frühen klinischen Studie zum auf IL-4Rα abzielenden Therapeutikum Dupilumab zur Behandlung von IgG4-RD: Bei 4 von 5 Patienten trat eine klinische Verbesserung und ein Rückgang des Serum-IgG4-Spiegels auf, bei 3 von ihnen normalisierte sich der IgG4-Spiegel vollständig.

Bei komplexen Krankheiten besteht die Schwierigkeit der Arzneimittelentwicklung oft nicht darin, dass es an potenziellen Zielstrukturen fehlt, sondern darin, angesichts Dutzender von Behandlungshypothesen und verstreuter, sogar widersprüchlicher wissenschaftlicher Beweise zu beurteilen, welche Interventionsmechanismen am meisten für eine klinische Entwicklung in Betracht kommen.

Die Kernkompetenz von Differentia liegt nicht einfach in der Entdeckung neuer Zielstrukturen, sondern darin, die Interventionswirkungen verschiedener Behandlungswege in einem einheitlichen Berechnungsrahmen zu simulieren und die Kandidatenbehandlungsstrategien systematisch zu vergleichen und zu priorisieren.

In der Branche der KI-gestützten Arzneimittelentwicklung demonstrieren zahlreiche Plattformen ihre Vorhersagefähigkeit durch Rückprüfungen historischer Daten, retrospektive Analysen oder Ergebnisse von Zell- und Tierversuchen. Der Unterschied des Differentia-Falls liegt darin: Zuerst gibt es Modellvorhersagen und öffentliche akademische Aufzeichnungen, danach liefern unabhängige klinische Ergebnisse am Menschen die Unterstützung. Das stellt eine seltene Referenz zur Bewertung der Vorhersagefähigkeit von KI-Krankheitsmodellen dar – nicht „die Vergangenheit anzupassen“, sondern „die Zukunft vorherzusagen und validiert zu werden“.

Noch wichtiger ist, dass seltene prospektive klinische Validierungen schwer nachzubildende langfristige Wettbewerbsbarrieren für Differentia aufbauen. Algorithmen und Modelle können ständig weiterentwickelt werden, aber wissenschaftliche Beweise, bei denen die Vorhersage zuerst und die unabhängige klinische Validierung danach kommen, erfordern jahrelange echte Studien am Menschen und Zeitaufwand und können nicht durch historische Rückprüfungen oder hohe Kapitalinvestitionen schnell nachgebildet werden. Mit der Akkumulation weiterer unabhängiger Validierungen über verschiedene Krankheiten und Behandlungsmechanismen hinweg wird diese nachverfolgbare Vorhersagefähigkeit voraussichtlich zu einem wachsenden technischen und vertrauensbasierten Vorteil von Differentia werden.

Weltklasse-Führungscrew aus Industrie und Wissenschaft baut interdisziplinäre technische Barrieren auf

Differentia hat ein Kernwissenschaftlerteam zusammengestellt, das sowohl über international erstklassige akademische Hintergründe als auch über Erfahrung in der Entwicklung weltweit führender multinationaler Pharmaunternehmen verfügt. Dazu gehören Catherine Sherwin, derzeitige außerordentliche Professorin für klinische Pharmakologie an der University of Minnesota in den USA, Atefeh Kazeroonian, ehemalige Leiterin der Arbeitsgruppe für rechnergestützte Immunologie an der Technischen Universität München in Deutschland, Simon Junankar, ehemaliger Leiter der Arbeitsgruppe für Tumorimmunologie an der University of New South Wales (UNSW) in Australien, sowie Kas Subramanian, CEO des Unternehmens, der über mehr als 30 Jahre Branchenerfahrung verfügt, ehemaliger leitender Angestellter für Modellentwicklung bei Applied BioMath und weltweit führender Experte für quantitative systemische Pharmakologie (QSP) ist.

Im Gegensatz zu vielen Startups, die hauptsächlich auf externe akademische Berater oder nebenberuflich tätige Experten setzen, integriert Differentia die wissenschaftliche Führungsstärke aus mehreren Bereichen tief in sein Kernforschungs- und Entwicklungssystem. Es kombiniert Schlüsselbereiche wie künstliche Intelligenz, multiomische Bioinformatik, rechnergestützte Immunologie, Tumorbiologie, quantitative systemische Pharmakologie, klinische Pharmakologie und Regulierungswissenschaft, sodass Differentia hochmoderne KI, multiomische Daten von echten Patienten, tiefgreifende Krankheitsbiologie und quantitative Mechanismussimulation eng verbinden kann. Dies schafft die vollständige Fähigkeit, von wissenschaftlichen Hypothesen bis zu klinischen Entscheidungen zu gelangen, und legt eine solide Grundlage für den Aufbau digitaler Zwillinge komplexer menschlicher Krankheiten.

Warum dies für die Industrie wichtig ist: Von „Black-Box-Korrelation“ zu „berechenbarem Mechanismus“

Während Technologien wie virtuelle Zellen und virtuelle Gewebe die Grenzen der KI-Simulation von Lebenssystemen ständig erweitern, hat Differentia seine Simulationsfähigkeit auf die Ebene menschlicher Krankheiten und Patienten ausgedehnt und durch prospektive Vorhersagen und nachfolgende unabhängige klinische Beweise das Potenzial gezeigt, von der biologischen Simulation zu echten Arzneimittelentwicklungsentscheidungen zu gelangen.

Um den Wert dieser Beweiskette zu verstehen, muss man den Unterschied zwischen dem technischen Ansatz von Differentia und dem Mainstream-Ansatz der KI-gestützten Arzneimittelentdeckung erkennen.

Der Ansatz von Differentia geht nicht von der Molekülseite aus, sondern von der Krankheitsbiologie echter Patienten. Multiomische Daten von echten Patienten sind die wichtige Grundlage dieses technischen Systems. Auf der Grundlage eines langjährig aufgebauten globalen Netzwerks für klinische Forschungskooperationen sammelt Differentia kontinuierlich mehrdimensionale multiomische Daten von echten Patienten an. Diese mehrschichtigen menschlichen Daten liefern eine wichtige Grundlage zur Rekonstruktion komplexer Krankheitsmechanismen, zur Abbildung der Patientenheterogenität und zur Kalibrierung dynamischer Krankheitsmodelle und bilden zudem die sich ständig erweiternde Daten- und Modellbarriere des Unternehmens.

Auf der Grundlage des selbst entwickelten DHARMA™-KI-Digital-Zwilling-Motors für Krankheiten kombiniert Differentia generative KI, multiomisches maschinelles Lernen, Wissensgraphen, Systembiologie und quantitative Mechanismusmodelle tiefgreifend, um ein multiskaliges Simulationssystem für menschliche Krankheiten aufzubauen, das Moleküle, Zellen, Gewebe und die Ebene der Patienten abdeckt. Derzeit deckt die Plattform Bereiche wie Tumore, Autoimmunerkrankungen und Stoffwechselerkrankungen ab und verfügt über Simulationsfähigkeiten für verschiedene Behandlungsarten wie niedermolekulare Wirkstoffe, hochmolekulare Wirkstoffe, Antikörper-Wirkstoff-Konjugate (ADC), Radiotherapeutika und Zell- sowie Gen-Therapien (CGT).

In dieser Architektur wird KI nicht nur für die Wissenssuche und Datenanalyse verwendet, sondern ist zudem tief an der Schlussfolgerung von Krankheitsmechanismen, der Modellerstellung und der Parameterkalibrierung beteiligt. Über KI-Agenten werden virtuelle Experimente orchestriert, Behandlungshypothesen erforscht und Simulationsergebnisse analysiert. Die zugrundeliegenden quantitativen Mechanismusmodelle stellen eine dynamische Berechnungsumgebung bereit, die biologischen Regeln entspricht, sodass die von KI generierten wissenschaftlichen Hypothesen durch interpretierbare Mechanismussimulationen überprüft werden können.

Das ist nicht einfach die Verwendung eines großen Modells, um vorherzusagen, ob ein Arzneimittel erfolgreich ist, sondern die Zusammenarbeit von generativer KI und berechenbaren Modellen menschlicher Krankheiten, um einen geschlossenen Kreislauf von wissenschaftlicher Schlussfolgerung, virtuellen Experimenten bis hin zu Entwicklungsentscheidungen zu bilden.

Diese Fähigkeit schafft vor allem Wert in drei Schlüsselphasen der Arzneimittelentwicklung:

· Präklinische Phase: Verbesserung der Qualität der Auswahl von Kandidatenarzneimitteln. Durch die Simulation der potenziellen Auswirkungen verschiedener Behandlungsmechanismen auf menschliche Krankheiten werden hochpotente Behandlungsrichtungen früher identifiziert, sodass Projekte, die am Menschen mit Sicherheit scheitern würden, nicht in die klinische Phase eintreten.

· Klinische Entwicklung: Optimierung des Studiendesigns und Vermeidung vermeidbarer Misserfolge. Obwohl für eine Pipeline nur wenige hundert echte klinische Studien durchgeführt werden, lassen sich durch die Kombination von mehr als 2 Millionen virtuellen Patientensimulationen und den systematischen Vergleich von über 5000 verschiedenen Szenarien zu Dosierungen, Patientenstratifizierung, Indikationen, Kombinationsbehandlungen und Konkurrenzprodukten die Erfolgsrate klinischer Studien maximal steigern.

· Phasenweise Entscheidungen: Steigerung der Effizienz der Ressourcenallokation für die Entwicklung. Mit der kontinuierlichen Akkumulation klinischer Daten werden die Modelle ständig kalibriert und aktualisiert. Dies hilft dem Entwicklungsteam, die potenziellen Gründe für eine unzureichende Wirksamkeit zu analysieren, zwischen mechanistischen Einschränkungen und optimierbaren Problemen im Entwicklungsprozess zu unterscheiden und wichtige Entscheidungen wie die Fortsetzung der Entwicklung, die Anpassung der Strategie oder die Einstellung des Projekts zu unterstützen.

Differentia integriert nun die KI-gesteuerte Simulation menschlicher Krankheiten in die Schlüsselentscheidungsphasen von der Auswahl der Kandidatenarzneimittel bis zur klinischen Entwicklung. Bei der Arzneimittelentwicklung fehlt es nicht an wissenschaftlichen Hypothesen, sondern an der Fähigkeit, potenzielle Behandlungsstrategien bei komplexen menschlichen Krankheiten systematisch zu vergleichen, quantitativ zu bewerten und vorrangig auszuwählen.

Das regulatorische Fenster öffnet sich: Warum gerade jetzt

Die Entwicklung digitaler Zwillinge für menschliche Krankheiten befindet sich in einem wichtigen Zeitfenster der Weiterentwicklung globaler regulatorischer Methoden.

Wichtige Regulierungsbehörden wie die FDA und die EMA fördern kontinuierlich die rechnergestützte Modellierung und die modellgestützte Arzneimittelentwicklung (Model-Informed Drug Development, MIDD). Im Jahr 2026 tritt die ICH-Richtlinie M15 „Allgemeine Grundsätze der modellgestützten Arzneimittelentwicklung“ offiziell in die Umsetzungsphase ein und schafft einen stärker abgestimmten internationalen Rahmen für die Planung, Bewertung und Berichterstattung von Modellbeweisen sowie für die regulatorische Kommunikation. Auch das chinesische Center for Drug Evaluation (CDE) fördert kontinuierlich die technischen Richtlinien und regulatorischen Praktiken im Zusammenhang mit der modellgestützten Arzneimittelentwicklung.

Die Regulierung schafft gerade einen klareren Bewertungsweg für die Beteiligung rechnergestützter Modelle an der Arzneimittelentwicklung, wobei die wissenschaftliche Glaubwürdigkeit, Anwendbarkeit und Beweisqualität der Modelle zu den Schlüsselfaktoren werden.

Die digitalen Zwillingsmodelle von Differentia sind in diesen drei Dimensionen anpassbar – alle Vorhersageergebnisse werden auf der Grundlage echter menschlicher Krankheitsmechanismen abgeleitet, verfügen über vollständige akademische Aufzeichnungen und klinische Validierungsgrundlagen und können direkt für konforme Entwicklung und klinische Anmeldungen verwendet werden.

Für die Industrie bedeutet dies, dass „die Beteiligung virtueller Modelle an der Arzneimittelentwicklung“ kein fernes Konzept mehr ist, sondern in ein Zeitfenster der Konformität und Normalisierung eintritt. Wer in diesem Zeitfenster nachverfolgbare Aufzeichnungen prospektiver Validierungen sammelt, erlangt einen Vorsprung.

Von der Validierung zur Kommerzialisierung: Einbettung in die Kernentscheidungsphasen

Auf der Ebene der Kommerzialisierung hat das Unternehmen bereits kommerzielle Kooperationen mit mehreren großen multinationalen Pharmaunternehmen (MNC), führenden Biotech-Unternehmen, klinischen CROs und Investmentinstitutionen weltweit aufgebaut. Es wendet die KI-gesteuerte digitale Zwillingssimulation in Schlüsselszenarien wie der Bewertung von Behandlungsmechanismen, der Optimierung