KI in der Medikamentenentwicklung

Die Entwicklung neuer Medikamente ist teuer, ineffizient und langwierig. Kurzum, keine idealen Bedingungen, wenn es darum geht, aus deren Entwicklung Gewinne zu generieren. Deshalb lohnt es sich für viele Pharmaunternehmen nicht mehr, neue Medikamente zu entwickeln. Das gilt insbesondere für die Art von Medikamenten, die nur geringen Profit versprechen. Doch neue Technologien könnten Abhilfe schaffen: „Der Einsatz von intelligenten Daten und Künstlicher Intelligenz (KI) hat das Potenzial, dieses Problem zu beheben und die Medikamentenentwicklung zu revolutionieren“, sagt PD Dr. med. Christian Meisel, Chief Medical Officer bei Molecular Health, einem Heidelberger Unternehmen, das mit seinem Fokus auf Data Intelligence und KI die digitale Transformation auf dem Gesundheitssektor mit vorantreibt.

Einer der Gründe: Das Verhältnis von Bedarf an neuen Medikamenten und der tatsächlichen Entwicklung ist aus der Balance geraten. „Das derzeitige Modell funktioniert nicht mehr“, sagt Meisel. KI könnte vor allem dabei unterstützen, bereits erlangtes Wissen für spätere Forschung zu erhalten „Bisher hatten wir keinen systematischen Weg, das Wissen, welches in jedem einzelnen Prozess generiert wurde, hinterher nochmals zu benutzen. Das Wissen ging am Ende der Produktion – vor allem, wenn sie nicht erfolgreich war – einfach verloren,“ sagt Dr. Alessandro Curioni, Vize-Präsident von IBM Europe and Direktor des IBM Research Lab in Zürich. „Das ist ineffizient und sorgt dafür, dass der Prozess langwierig und teuer wird.“

Ein Problem, das dank einer hohen Datenvielfalt Technologien wie KI sowie insgesamt verbesserter technischer Möglichkeiten überwunden werden könnte. „Wir haben zum einen mehr Daten, aber vor allem haben wir qualitativ hochwertigere Daten und neue Datentypen, die wir dank der stark verbesserten Computerleistung, die es heutzutage gibt, auch besser analysieren können“, sagt Meisel. Dies ermögliche, so Meisel, ein neues und besseres Verständnis der Biologie – vor allem auf molekularem Level. „Früher sind wir oft in späten Phasen der klinischen Studien daran gescheitert, dass Arzneimittel zwar präklinisch und in den frühen klinischen Phasen gegen die Zielstruktur wirkten, die Zielstruktur aber biologisch unbedeutend war und das Medikament daher letztlich unwirksam“, sagt Meisel. Dies könnte dank des neuen Verständnisses verhindert werden.

Überhaupt ließen sich u.a. mit Hilfe von KI – da sind sich Meisel und sein IBM-Kollege Curioni einig – eine ganze Reihe von Schritten in der aktuellen Medikamentenentwicklung verbessern. So hat Molecular Health beispielsweise das Tool „MH Effect“ entwickelt, das es ermöglicht, das klinische Sicherheitsprofil von Medikamenten in einem präklinischen Stadium basierend auf der Analyse von Patientendaten vorauszusagen. Dadurch können Medikamente bereits vor dem Eintritt in die klinischen Studien in Bezug auf ihre Sicherheit für die Patienten verbessert werden.

Ebenfalls um Vorhersagen, allerdings über den Erfolg von Studien, geht es bei einem anderen Produkt von Molecular Health, „MH Predict“. Basierend auf den Daten von über 60.000 Medikamentenstudien haben Meisel und seine Kollegen mit Hilfe von KI ein Modell entwickelt, das es ermöglicht, zu berechnen, ob eine Medikamentenstudie erfolgversprechend ist oder nicht. Das Modell basiert darauf, dass der Algorithmus Erfolgs- und Misserfolgsfaktoren der bereits durchgeführten Studien analysiert und die neu durchgeführten Studien mit diesen vergleicht. „Fast 80 Prozent der Vorhersagen des Modells sind korrekt“, sagt Meisel. „Mit Hilfe dieses Produkts können wir auch Studiendesigns simulieren und je nach Vorhersage anpassen, sodass wir letztendlich das Studiendesign hinsichtlich der Erfolgswahrscheinlichkeit optimieren könnten.“ Ein weiterer Schritt hin zu einer effizienteren und damit kostengünstigeren Medikamentenentwicklung.

Neben diesen beiden Varianten gibt es eine Vielzahl weiterer Möglichkeiten, wie die Medikamentenentwicklung dank KI verbessert werden kann. So lässt sich mit KI beispielsweise errechnen, wie potenzielle Medikamente mit Zielmolekülen im Körper interagieren, und es kann so die Wirksamkeit bestimmt werden. Alessandro Curioni und seine Kollegen bei IBM nutzen einen solchen Ansatz beispielsweise in der Krebsforschung. PACCMANN – so der Name der frei verfügbaren IBM Software. Diese analysiert, wie bestimmte Zellen in erkranktem Gewebe auf Medikamente reagieren. Das Ziel: Vor der klinischen Phase herauszufinden, welche Medikamente am effektivsten gegen bestimmte Zelllinien wirken und so die Prozesse zu optimieren. „PACCMANN nutzt dafür Daten aus früheren Medikamententests und hat daher eine bessere Vorhersagewahrscheinlichkeit als Modelle, die nur auf Simulationen beruhen“, sagt Curioni. Auch chemische Reaktionen lassen sich dank KI Tools, wie der IBM RXN for Chemistry Technologie, vorhersagen, wodurch wiederum die Wirksamkeit verbessert werden kann.

Die Grundlage für all diese Modelle und Tools sind Daten aus der Vergangenheit und aus aktuellen Forschungsprojekten. „Eine hohe Datenqualität ist von großer Bedeutung für uns“, sagt Curioni. „Darüber hinaus müssen wir sichergehen, dass die Algorithmen, die wir einsetzen, zuverlässig sind, nachvollziehbar arbeiten und keine Verzerrungen enthalten. Sonst können wir keinen Erfolg haben.“ Gerade letzteres ist häufig ein Problem, wenn die Systeme auf alten Daten und Experimenten basieren. „Da die technischen Möglichkeiten, Daten zu bereinigen und von Fehlern zu befreien, ebenso wie die Analyse-Verfahren allerdings immer besser werden, glaube ich, dass die Qualität sich künftig noch weiter steigern lässt und die Probleme damit geringer werden“, sagt Meisel.

Meisel sieht zwei mögliche Richtungen, in die die Entwicklung in den kommenden Jahren gehen könnte: „Wir werden entweder eine Optimierung der Einzelschritte des aktuellen Modells sehen oder eine komplette Transformation, bei der der Patient in den Fokus der Medikamentenentwicklung rückt“, sagt er. In letzterem sieht er dabei das größere Potenzial, vor allem, weil eine stärker individualisierte Medizin letztendlich auch eine gesteigerte Effizienz bedeute. Denn je mehr über den Patienten bekannt ist, desto zielgerichteter können Medikamente auch eingesetzt werden.

Langfristig würden sich so die Gesamtkosten der pharmazeutischen Forschung und Entwicklung senken und ihre Effizienz verbessern lassen. Profitieren würden davon auch das Gesundheitssystem und die Versicherer, da sie viele nicht wirksame Behandlungen der Non-Responder einsparen würden, und somit das Kosten-Leistungs-Verhältnis und die Gesamtkosten pro Patient senken könnten.

„Dieser Weg würde allerdings einen massiven Einschnitt ins System bedeuten, und dazu müsste man einen aktuell noch in vielen Bereichen vorherrschenden Konservatismus überwinden“, sagt Meisel. „An diesem hakt aktuell aus meiner Sicht die breite Überführung der neuen Möglichkeiten in die Anwendung. Ich glaube aber, dass die Entwicklung künftig weiter Fahrt aufnehmen wird. Auch deshalb, weil große Firmen, wie Amazon, Google oder Apple, stark in den Bereich investieren und damit erhebliches Momentum erzeugen.“