Start / News / Große Pharmakonzerne melden schnellere Forschungszyklen mit KI
KI-gestützte Arzneimittelforschung

Große Pharmakonzerne melden schnellere Forschungszyklen mit KI

21. Nov. 20265 Min. Lesezeit
Große Pharmakonzerne melden schnellere Forschungszyklen mit KI

Nachrichtenüberblick

Große Pharmaunternehmen erklären, künstliche Intelligenz beginne, die frühesten Phasen der Arzneimittelforschung zu verkürzen: Novo Nordisk berichtet von weniger und schnelleren Zyklen beim Moleküldesign, und Novartis beschreibt einen kürzeren Weg vom Projektstart bis zu einem Wirkstoffkandidaten. Die Fortschritte betreffen ausschließlich die Forschung und die Kandidatenauswahl; sie belegen noch nicht, dass KI-entwickelte Medikamente in Studien erfolgreich sein werden oder Patienten früher erreichen.

Frühe Forschung wird schneller

In Äußerungen, über die am 20. November 2026 (US-Ostküstenzeit) berichtet wurde, beschrieben Wissenschaftler großer Arzneimittelhersteller, dass KI über administrative Unterstützung hinaus in das Moleküldesign, die Bewertung von Kandidaten und die frühe Sicherheitsbewertung vordringe. GSK, Bristol Myers Squibb, Novartis, Eli Lilly, Novo Nordisk, AstraZeneca und Sanofi erklärten, sie setzten KI in Arbeitsabläufen der Forschung und Entwicklung ein.

Novo Nordisk nannte eine konkrete Prozesskennzahl: KI-gestützte Arbeit habe die Zahl der Zyklen für das Entwerfen, Herstellen und Testen neuer Moleküle von etwa acht auf drei verringert. Das Unternehmen berichtete außerdem, dass jeder Zyklus nun rund vier Wochen dauere, gegenüber zuvor acht Wochen. Zusammengenommen bedeutet diese Veränderung weniger Iterationsrunden im Labor und ein kürzeres Intervall für jede Runde.

Novartis berichtete, die durchschnittliche Zeit vom Start eines Forschungsprogramms bis zur Auswahl eines Wirkstoffkandidaten sei von rund drei Jahren auf etwa 18 Monate bis zwei Jahre gesunken. Die Forschungsleitung führte den Fortschritt darauf zurück, dass angesammelte Daten wirksamer genutzt würden. Zudem erklärte das Unternehmen, KI-Werkzeuge hätten geholfen, fünf Zielstrukturen für mögliche Behandlungen von Nierenerkrankungen zu priorisieren.

Sanofi erklärte, ein KI-gestützter Ansatz zur Interpretation früher biologischer Erkenntnisse und für klinische Entscheidungen habe es ermöglicht, während der Entwicklung des Asthmamedikaments Lunsekimig eine Studie zur Dosisauswahl zu überspringen und damit mindestens ein Jahr zu sparen. Das ist ein konkretes Beispiel auf Programmebene und kein Beleg dafür, dass jedes Arzneimittelprogramm dieselbe Verkürzung erleben wird. Bristol Myers Squibb erklärte, einer seiner Kandidaten gegen die Sichelzellenanämie wäre ohne die unternehmenseigenen KI-Systeme nicht entwickelt worden; diese Systeme werden auch genutzt, um Moleküle zu verfeinern und Ergebnisse anhand von Studiendaten zu simulieren.

Was die Zahlen messen

Diese Kennzahlen beschreiben Forschungsabläufe: wie viele Entwurfs- und Testrunden nötig sind, wie lange eine Runde dauert oder wie schnell Teams einen Kandidaten erreichen, der eine Weiterentwicklung verdient. KI-Systeme können große chemische und biologische Datensätze durchsuchen, Molekülstrukturen vorschlagen, Eigenschaften abschätzen und Wissenschaftlern bei der Entscheidung helfen, welche Experimente als Nächstes durchgeführt werden sollen. Die Verknüpfung dieser Vorhersagen mit Laborautomatisierung kann den Kreislauf aus Vorschlagen, Synthetisieren und Testen von Verbindungen kontinuierlicher machen.

Die berichteten Ergebnisse sind Aussagen der Unternehmen, und die Kennzahlen sind zwischen den Organisationen nicht identisch. Ein schnellerer Weg zu einem Kandidaten zeigt für sich genommen nicht, dass dieser sicherer, wirksamer oder erfolgversprechender in der klinischen Prüfung ist. Der weitere Entwicklungsprozess hängt weiterhin von Versuchen am Menschen, Nachweisen zu Nutzen und Sicherheit sowie der behördlichen Prüfung ab.

Klinische Nachweise bleiben der Maßstab

Die Zahl der KI-gestützt entdeckten Wirkstoffkandidaten in klinischen Prüfungen ist nur schrittweise gewachsen. Ein Forscher, der das Feld beobachtet, ermittelte im März 2026 129 Kandidaten bei 69 Unternehmen – gegenüber etwa 117 Kandidaten acht Monate zuvor; die meisten befanden sich weiterhin in früher Entwicklung. Fachleute erwarten, dass die Entwicklungspipeline wächst, doch ist noch unklar, ob KI-gestützt entwickelte Medikamente bessere klinische Erfolgsquoten oder schnellere Zulassungen erreichen als andere Kandidaten.

Studien am Menschen können Jahre dauern und unterliegen praktischen Einschränkungen, die Werkzeuge für das Moleküldesign nicht beseitigen. KI kann Teams helfen, Zielstrukturen auszuwählen, Studiendesigns zu verfeinern oder Daten zu interpretieren, doch solche Beiträge müssen getrennt von der späteren Leistung eines Medikaments bei Patienten bewertet werden. Der bislang stärkste Beleg ist, dass einige Unternehmen Zeit und Wiederholungen bei ausgewählten Aufgaben der frühen Forschung reduzieren.

Daten und Zusammenarbeit prägen die Einführung

Arzneimittelhersteller verbinden interne biologische und chemische Datensätze mit Werkzeugen des maschinellen Lernens und Laborfachwissen. Die Leitung der Bereiche Computerwissenschaften und KI bei Sanofi erklärte, der Wert eines Modells hänge vom Zugang zu geeigneten Trainingsdaten ab; das Unternehmen und Novo Nordisk gaben an, keine proprietären Daten an führende KI-Labore zum Modelltraining weiterzugeben. Diese Entscheidungen spiegeln wider, wie wichtig unternehmensspezifische Daten sind, damit wissenschaftliche Vorhersagen innerhalb eines bestimmten Forschungsprogramms nützlich werden.

Auch das Verhältnis zwischen Pharmaunternehmen und KI-Entwicklern wandelt sich. Manche Arzneimittelhersteller betrachten KI-Firmen als Partner, andere sehen sie als potenzielle Wettbewerber, da diese Firmen Kompetenzen in der wissenschaftlichen Forschung aufbauen. Pharmaunternehmen bringen jahrelange Versuchsergebnisse und Fachwissen mit; Technologieunternehmen bringen universell einsetzbare Modelle und Recheninfrastruktur ein. Wie sich diese Stärken verbinden lassen, wird darüber entscheiden, ob die heutigen Verkürzungen der Zykluszeiten bei weiteren Krankheiten und Programmen wiederholt werden können.

Ein messbarer, aber früher Produktivitätswandel

Die berichteten Verkürzungen bieten einen praktischen Weg, KI in der Arzneimittelforschung zu bewerten: experimentelle Zyklen zählen, die Zeit vom Projektstart bis zur Kandidatenauswahl verfolgen und messen, ob Programme mit stärkeren Nachweisen vorankommen. Die Zykluszahlen von Novo Nordisk und der Zeitrahmen von Novartis für die Kandidatenauswahl deuten auf spürbare Fortschritte in Teilen der frühen Wirkstoffsuche hin. Der Bericht von Sanofi zeigt, dass KI-gestützte Entscheidungen auch beeinflussen können, wie ein Entwicklungsprogramm aufgebaut wird.

Der nächste Schritt besteht darin, diese operativen Fortschritte mit Ergebnissen zu verknüpfen: Qualität der Kandidaten, klinischer Erfolg, Sicherheit und Zeit bis zur Behandlung. Solange diese Kennzahlen nicht ausgereift sind, sollte schnellere frühe Forschung als Produktivitätssteigerung mit wissenschaftlichem Potenzial verstanden werden – nicht als Beweis, dass KI den gesamten Weg von der Laboridee bis zum zugelassenen Medikament verkürzt hat.

Dieser Artikel wurde von der AIBARS-Redaktion mit KI-Unterstützung zusammengestellt. KI kann Fehler machen, prüfe wichtige Angaben daher an der Originalquelle. Fehler entdeckt? Schreibe an [email protected].

KI-gestützte Arzneimittelforschungpharmazeutische Forschung und Entwicklung