AI, revolutioniert sie gerade die Pharmaindustrie?

Mit der wilden Jagd von Kapital, dem Einstieg großer Konzerne und der Unterstützung durch politische Maßnahmen ist die KI-Pharmazeutik in letzter Zeit absolut in aller Munde.

Das aus ByteDance ausgegliederte KI-Pharmazeutikunternehmen Xinsheng Tantu Anew Labs hat seine Erstfinanzierung in Höhe von 290 Millionen US-Dollar abgeschlossen, mit einer Bewertung von 1,5 Milliarden US-Dollar.

Unmittelbar danach wurde bekannt, dass Anthropic im San Francisco Bay Area heimlich Nasslabore aufgebaut hat, um mit Claude angetriebene Roboter für echte biologische Experimente einzusetzen.

Am 9. Oktober erholten sich die Konzepte der KI-Pharmazeutik und CRO am Nachmittag: Berry Genetics stieg direkt zum Limitpreis, erreichte 3 Limitpreise in 6 Tagen, Tylor Immunotherapeutics stieg um mehr als 10 %, während Jinshi Pharmaceutical, Tellgen Life, Nuocheng Jianhua und SinocellTech schnell anstiegen.

Nach der kürzlichen Zusammenarbeit von GenScript Biotech mit Lilly TuneLab erreichte ihr Aktienkurs einen neuen Höchststand. JPMorgan Chase äußerte sich eindeutig positiv zu dem starken Wachstum der Biowissenschaften, das von der AIDD angetrieben wird.

Was bedeutet dieses Signal?

Wird die KI die Pharmaindustrie wirklich umgestalten?

Beschleunigung und Kostensenkung

Um diese Frage zu verstehen, muss man zuerst klären, wie die pharmazeutische Entwicklung funktioniert.

Die Entwicklung eines neuen Arzneimittels lässt sich grob in fünf Phasen unterteilen: Wirkstoffentdeckung, vorklinische Studie, klinische Prüfung, Marktzulassung und Überwachung nach der Markteinführung.

Ablauf der Entwicklung neuer Arzneimittel

Der gesamte Prozess dauert durchschnittlich zehn Jahre, kostet mindestens eine Milliarde US-Dollar, die klinische Erfolgsrate liegt unter 10 %, und die Kosten für Fehlversuche sind extrem hoch.

Das ist die grausame "Zwei-Zehn-Regel" der traditionellen Pharmaindustrie.

Das Aufkommen der KI hat die Logik der Wirkstoffentdeckung umgestaltet.

Die Wirkstoffentdeckung ist die Quelle der Innovation, deren Ziel es ist, einen wirksamen "Schlüssel" für eine Krankheit zu finden.

Zuerst muss das spezifische Biomolekül (Zielstruktur) bestimmt werden, an dem das Arzneimittel im Körper wirkt, und seine Beziehung zur Krankheit muss nachgewiesen werden.

Der enorme Zeit- und Kostenaufwand der traditionellen Pharmazeutik beginnt genau an dieser Stelle.

Früher erfolgte das Screening manuell: Wissenschaftler synthetisierten und testeten wiederholt im Labor, um unter hunderten Millionen von Molekülkombinationen glücklicherweise das eine wirksame Molekül mit einer Wahrscheinlichkeit von einem Milliardstel herauszufiltern – so wie eine Nadel im Heuhaufen zu suchen.

Im Wesentlichen handelte es sich um ein unidirektionales Ausprobieren mit Fehlern.

Jetzt schreibt die KI diesen Schritt um: Sie "zeichnet" Moleküle direkt.

Ablauf der KI-Pharmazeutik

Auf Basis massiver pharmazeutischer Daten generiert die KI direkt potenzielle Molekülstrukturen oder Proteinsequenzen auf dem Computer.

Dieser Teil wird vollständig auf dem Computer erledigt, ohne echte Reagenzien oder Zellen zu berühren – deshalb heißt es Trockenexperiment, das für die Konzeption zuständig ist.

Für das Molekülscreening, das im traditionellen Modell Monate oder sogar Jahre dauert, braucht die KI nur wenige Sekunden bis mehrere Stunden, um es präzise abzuschließen.

Natürlich kann die Berechnung den Suchraum verkleinern, aber sie kann die Daten echter Experimente nicht ersetzen.

Um ein Molekül vom Entwurf zu einer realen Substanz zu machen, muss es in ein echtes Labor gebracht werden, um synthetisiert und exprimiert zu werden, und man muss prüfen, ob es binden kann, eine Wirksamkeit hat und sicher ist.

Dieses Labor heißt Nasslabor, und das Nassexperiment ist für die Überprüfung zuständig.

Ein Entwurf kann in wenigen Sekunden erstellt werden, aber um ihn herzustellen und die Tests durchzuführen, kann es Wochen oder Monate dauern.

Geschlossener Kreislauf von Trocken- und Nassversuchen in der KI-Pharmazeutik

Der entscheidendste Schritt des geschlossenen Kreislaufs ist die Rückführung der Experimentdaten.

Egal ob das Experiment erfolgreich ist oder fehlschlägt, alle echten Daten werden wieder in das KI-Modell eingespeist. Bei jedem Zyklus sammelt das Modell mehr echte Daten, und die Vorhersagegenauigkeit wird immer höher.

Das Forschungs- und Entwicklungsmodell wandelt sich von dem unidirektionalen Glücksspiel zu einem kontinuierlich iterierenden Kreislaufsystem.

Die Ergebnisse zeigen, dass das neue Modell die Umgestaltung von Zeit und Kosten konkret ist.

Vergleich der Zeitkosten

Der Forschungsbericht der Southwest Securities weist darauf hin, dass die KI die gesamte Kette der Entwicklung neuer Arzneimittel umgestaltet: Die Dauer der Wirkstoffentdeckung kann um 70 % bis 90 % verkürzt werden, die vorklinische und klinische Phase sparen jeweils mehr als die Hälfte der Zeit ein, sodass insgesamt etwa 50 % der gesamten F&E-Kosten, also etwa 54 Milliarden US-Dollar, eingespart werden können.

Zum Beispiel hat die Guangzhou Pharmaceutical Group in Zusammenarbeit mit der StoneWise Intelligence die Entwicklung niedermolekularer neuer Arzneimittel durchgeführt: Die frühe Entdeckungsarbeit, die ursprünglich 1 bis 2 Jahre dauerte, wurde mithilfe der KI-Technologie auf 3 bis 6 Monate verkürzt, wobei 70 % der F&E-Kosten direkt eingespart wurden.

Insilico Medicine ist das schnellste Beispiel.

Mit der Pharma.AI-Plattform brauchte es von der Zielstrukturentdeckung bis zur Auswahl des vorklinischen Kandidatenarzneimittels nur 12 bis 18 Monate, während das traditionelle Modell durchschnittlich 4,5 Jahre benötigt.

Ihr Arzneimittel Rentosertib, das durch den gesamten KI-F&E-Prozess entwickelt wurde, absolvierte die Entwicklung von der Zielstruktur bis zum Kandidatenarzneimittel in nur 18 Monaten, wobei die Dauer um mehr als 60 % verkürzt wurde.

Aber die Beschleunigung und Kostensenkung ist nur der Sieg in der ersten Halbzeit.

Hinter den auffälligen Daten beginnt der echte Wettbewerb erst.

Drei Arten von Marktteilnehmern

Die Unternehmen in der Industriekette der KI-Pharmazeutik lassen sich hauptsächlich in drei Kategorien einteilen.

Die erste Kategorie sind die KI-Technologieunternehmen im oberen Strom, die für die Ausgrabung von Zielstrukturen und das Moleküldesign zuständig sind.

Mithilfe großer KI-Modelle vollenden sie die Generierung von Designs für die Entdeckung von Zielstrukturen, Kandidatenmolekülen und Proteinsequenzen und liefern hochwertige Kandidatenarzneimittellösungen.

Sie sind nicht für die nachfolgenden groß angelegten Experimente und die Arzneimittelproduktion zuständig. Die von ihnen erzielten Ergebnisse werden entweder an Pharmazeutikaunternehmen lizenziert oder an Dritte weitergegeben, um Nassversuche zur Überprüfung durchzuführen.

Insilico Medicine ist der Vertreter dieser Kategorie.

Es hat die selbstentwickelte Pharma.AI-Plattform, die den gesamten Prozess von der Zielstrukturentdeckung bis zur klinischen Vorhersage abdeckt. Es hat bereits mit 13 der 20 größten Pharmazeutikaunternehmen der Welt Lizenzvereinbarungen für Software abgeschlossen, darunter Unternehmen wie Servier, Lilly, SK Biopharmaceuticals und Takeda Pharmaceutical.

Seit 2026 beläuft sich die öffentlich bekanntgegebene Gesamtsumme der externen Kooperationen des Unternehmens auf fast 10 Milliarden US-Dollar, während der Umsatz im letzten Geschäftsjahr nur 56,24 Millionen US-Dollar betrug.

Insilico Medicine konzentriert sich auf die KI-Pharmazeutik und nutzt künstliche Intelligenz, um bei der Suche nach neuen Richtungen für Arzneimittel, dem Design von Arzneimittelmolekülen und der Beurteilung, welche Arzneimittel eher für die klinische Weiterentwicklung geeignet sind, zu unterstützen.

Bei seiner Kernpipeline Rentosertib wurde die Zielstruktur von der KI entdeckt. Die Ergebnisse der klinischen Phase IIa zeigten, dass die Lungenkapazität der Patienten in der 60-mg-Gruppe um durchschnittlich 98,4 Milliliter stieg, während sie in der Kontrollgruppe um 20,3 Milliliter sank. Damit wurde es das weltweit erste Konzeptnachweisergebnis für die klinische KI-Pharmazeutik in der Branche. Jetzt ist es in die klinische Phase III eingetreten.

Anew Labs, das von ByteDance ausgegliedert wurde, gehört ebenfalls zu dieser Art von KI-Technologieunternehmen. Es positioniert sich als End-to-End-Entdeckung neuer Arzneimittel und verfügt über selbst entwickelte niedermolekulare Kandidatenpipelines.

Die zweite Kategorie sind die CRO/CDMO-Dienstleister im mittleren Strom, die um die Standardisierung und Produktionskapazität der Nassversuche konkurrieren.

Sie übernehmen eine große Anzahl von Kandidatenmolekülen, die von den KI-Unternehmen im oberen Strom geliefert werden, und erledigen Arbeiten wie die Gensynthese, Proteinexpression sowie Tests zur Wirksamkeit in vitro und in vivo.

Sie setzen nicht auf den Erfolg oder Misserfolg der Pipelines neuer Arzneimittel, sondern kümmern sich nur darum, wie viele Moleküle überprüft werden müssen.

Je mehr Kandidatenmoleküle von der KI im oberen Strom entworfen werden, desto mehr Aufträge erhalten sie.

Zum Beispiel hat Novo Nordisk angekündigt, mit Anthropic zusammenzuarbeiten: Alle von dem großen Modell Claude Science generierten Protein-Kandidatensequenzen werden von externen Dienstleistern über Nassversuche überprüft. Die Lilly TuneLab-Plattform hat sich mit mehreren Dienstleistern wie GenScript und Twist zusammengeschlossen, um ein vollständiges Dienstleistungssystem aufzubauen, das die Proteinüberprüfung, Datentests und Antikörpercharakterisierung abdeckt.

GenScript ist der weltweit größte Anbieter für Gensynthese

In dem Goldrausch sind sie die "Schaufelverkäufer", die Werkzeuge liefern und als Erste Geld verdienen.

Die KI-Pharmazeutik-Aufträge von Twist haben sich drei Jahre hintereinander verdoppelt: 2025 beliefen sie sich auf etwa 25 Millionen US-Dollar, 2026 auf etwa 50 Millionen US-Dollar und 2027 wird ein Ziel von 100 Millionen US-Dollar angestrebt.

Das Schweizer Startup-Unternehmen Adaptyv Bio hat seinen Umsatz in den letzten 18 Monaten um etwa das Zehnfache gesteigert.

Nach der Zusammenarbeit von GenScript mit Lilly TuneLab wird erwartet, dass die KI-angetriebenen Proteinaufträge ein dreistelliges Wachstum beibehalten.

Die dritte Kategorie sind die traditionellen Pharmazeutikaunternehmen im unteren Strom, die für die Industrialisierung und die klinische Umsetzung zuständig sind.

Einerseits können sie Dienstleistungen aus dem oberen und mittleren Strom erwerben, andererseits bauen sie auch eigene KI-Systeme auf, um Kosten zu senken und die Effizienz zu steigern.

Fosun Pharma ist ein typischer Vertreter. In der ersten Hälfte des Jahres 2026 hat es das Upgrade des pharmazeutischen intelligenten Systems PharmAID V2.0 abgeschlossen und ein KI-System gebildet, das die vier Bereiche Entscheidungsmanagement, intelligente Frühforschung, klinische Forschung und datenintegration abdeckt.

Die PharmAID-Plattform von Fosun Pharma

Bis zum 30. Juni 2026 sind bereits zwei neue Moleküle, die mit KI-Unterstützung generiert und strukturell optimiert wurden, in die PCC-Phase eingetreten.

Bereits 2022 hat es eine strategische Zusammenarbeit mit Insilico Medicine geschlossen. 2025 hat es ferner die Zusammenarbeit zwischen Henlius und Deep Potential gefördert, um die KI-F&E-Pfade für Antikörperarzneimittel und ADC-Arzneimittel zu erforschen.

Hengrui Medicine beschleunigt ebenfalls die KI-Umstellung. Im ersten Halbjahr beliefen sich die F&E-Investitionen auf 4,605 Milliarden Yuan, was 29,8 % des Umsatzes entspricht. Die KI wurde bereits in den gesamten F&E-Prozess integriert, einschließlich der Zielstrukturentdeckung, des Designs von Mak