KI in der Wirkstoffforschung: Vom Hype in die klinische Pipeline – was wirklich in Studien steckt

Die Werbung für KI in der Wirkstoffforschung läuft seit Jahren: KI werde neue Targets finden, neuartige Moleküle entwerfen und Zeiträume verkürzen, die sich historisch über Jahrzehnte erstreckten. Im Jahr 2026 ist die Proof-of-Concept-Phase tatsächlich vorbei. Über 200 KI-entworfene Wirkstoffe befinden sich in klinischer Prüfung, die FDA hat einen speziellen beschleunigten Weg für KI-entdeckte Medikamente eingerichtet, und das am weitesten fortgeschrittene KI-generierte Molekül hat Phase IIa mit positiven Wirksamkeitsergebnissen bestanden. Das bedeutet nicht, dass das Problem gelöst ist – aber die Frage ist nicht mehr, ob KI zur Wirkstoffforschung beitragen kann. Sondern welche Beiträge tatsächlich bis in späte Studienphasen überleben und wie der regulatorische Weg aussieht, wenn sie es tun.

Der fortschrittlichste Fall: Rentosertib gegen Lungenfibrose

Insilico Medicines Rentosertib ist derzeit das am weitesten fortgeschrittene KI-entdeckte Medikament in der klinischen Entwicklung. Es zielt auf TNIK, eine Kinase, die an fibrosebedingten Signalwegen beteiligt ist, und wurde vollständig von KI-Systemen identifiziert und entworfen – von der Target-Identifikation bis zum Moleküldesign. Das Medikament wird gegen idiopathische Lungenfibrose (IPF) entwickelt, eine fortschreitende Lungenerkrankung mit begrenzten Behandlungsmöglichkeiten.

Die Phase-IIa-Ergebnisse, die Anfang 2026 veröffentlicht wurden, zeigten positive Wirksamkeits- und Sicherheitssignale. Rentosertib wird nun auf Phase IIb vorbereitet, was es zum ersten KI-generierten Molekül macht, das klinische Wirksamkeit beim Menschen nachweist. Der wichtige Vorbehalt: Phase IIa umfasst typischerweise 50–200 Patienten. Phase-III-Studien laufen mit Tausenden. Der Übergang von Phase II zu Phase III ist historisch der Punkt, an dem die meisten Wirkstoffprogramme scheitern, und Rentosertibs Bilanz sagt noch nichts über die Phase-III-Wahrscheinlichkeit aus.

Die breitere Pipeline von Insilico umfasst mehrere weitere KI-entworfene Kandidaten in der Onkologie und Entzündungsforschung. Das Unternehmen setzt generative KI für das Moleküldesign und Bestärkendes Lernen zur Optimierung ein – ein Arbeitsablauf, der heute im gesamten Feld üblich ist, den Insilico jedoch früher als die meisten anderen im klinischen Maßstab einsetzte.

Isomorphic Labs und die klinischen Ambitionen von AlphaFold 3

Isomorphic Labs, der Spin-off von Google DeepMind, der AlphaFold kommerzialisiert, bereitet sich darauf vor, bis Ende 2026 mit KI-entworfenen Wirkstoffkandidaten in der Onkologie in Phase-I-Studien zu gehen. Das Unternehmen baut auf AlphaFold 3 auf, das die ursprünglichen Fähigkeiten zur Proteinstrukturvorhersage erweiterte, um gleichzeitig zu modellieren, wie Proteine mit kleinen Molekülen, Nukleinsäuren und anderen Proteinen interagieren – die Wechselwirkungen, von denen die Arzneimittelbindung abhängt.

Die Fähigkeit von AlphaFold 3, Protein-Ligand-Bindungsstrukturen vorherzusagen, war ein bedeutender praktischer Fortschritt für das Wirkstoffdesign. Frühere Strukturvorhersagen konnten zeigen, wie ein Protein aussieht; AlphaFold 3 kann modellieren, wie ein Kandidatenwirkstoffmolekül in die Bindungsstelle passen könnte. In Kombination mit generativem Moleküldesign entsteht ein In-silico-Arbeitsablauf, der Milliarden von Molekülkandidaten bewerten kann, bevor eine einzige physikalische Substanz synthetisiert wird.

Isomorphic Pipeline unterscheidet sich von AlphaFold selbst – das Forschungswerkzeug ist offen zugänglich, während Isomorphic darauf aufbauend eigene Wirkstoffprogramme entwickelt. Die für Ende 2026 erwartete Phase-I-Ankündigung wird ein bedeutender Meilenstein sein: der erste Test eines Moleküls am Menschen, das mit AlphaFold 3 vollständiger Struktur-Interaktionsvorhersagefähigkeiten entworfen wurde.

Der regulatorische Rahmen holt auf

Die FDA startete Anfang 2026 ihren beschleunigten KI-Pilotpfad und wählte zehn Unternehmen mit KI-entdeckten oder -entworfenen Wirkstoffkandidaten für eine beschleunigte Phase-I-Prüfung aus. Der Pilot reagiert auf die wachsende Zahl von KI-stammenden Anträgen auf Prüfmedikamente (Investigational New Drug, IND) und die Notwendigkeit der Behörde, die Kompetenz der Prüfer für KI-generierte Evidenzpakete zu entwickeln, bevor das Volumen weiter steigt.

Die FDA und die Europäische Arzneimittel-Agentur veröffentlichten im Januar 2026 gemeinsam die "Leitlinien für gute KI-Praxis in der Arzneimittelentwicklung" – den ersten harmonisierten internationalen Regulierungsrahmen für KI in der Arzneimittel-F&E. Das Dokument behandelt die Dokumentation von Trainingsdaten, Modellvalidierung und die Darstellung KI-generierter Evidenz in Regulierungsanträgen. Es beantwortet nicht jede Frage, gibt den Unternehmen aber einen Standard, auf den sie ihre Compliance aufbauen können, anstatt dass jede Behörde separat improvisiert.

Ein Entwurf einer Leitlinie zur KI-Nutzung bei regulatorischen Entscheidungen über Arzneimittel wird voraussichtlich noch in diesem Jahr von der FDA finalisiert. Der Zeitplan ist wichtig: Ohne endgültige Leitlinien müssen Unternehmen, die stark KI-gestützte Anträge einreichen, mit Unsicherheit darüber rechnen, welche Dokumentation die Behörde erwartet und wie KI-generierte Daten im Vergleich zu traditionellen experimentellen Nachweisen gewichtet werden.

Die Frage nach der klinischen Erfolgsrate

KI-Wirkstoffprogramme zeigen eine Erfolgsrate von 80–90 % in Phase-I-Studien, deutlich höher als historische Durchschnittswerte. Phase I testet hauptsächlich Sicherheit und Dosierung, nicht Wirksamkeit. KI-optimierte Moleküle scheinen bessere Sicherheitsprofile und pharmakokinetische Eigenschaften zu haben als Moleküle, die mit älteren Methoden entdeckt wurden, wahrscheinlich weil die KI-Optimierung von Anfang an explizit ADMET-Eigenschaften (Absorption, Distribution, Metabolismus, Exkretion, Toxizität) modelliert.

Phase II ist eine andere Geschichte. KI-entworfene Medikamente bestehen Phase II mit etwa 40 %, ähnlich dem historischen Branchendurchschnitt. Die Lücke zwischen der Phase-I- und der Phase-II-Leistung deutet darauf hin, dass KI gut darin ist, offensichtliche Fehlermodi (Sicherheit, Verträglichkeit) zu vermeiden, aber noch nicht in der Lage ist, klinische Wirksamkeit vorherzusagen – was von biologischen Hypothesen über Krankheitsmechanismen abhängt, die selbst mit den besten Strukturmodellen schwierig bleiben.

Die Unternehmen mit den glaubwürdigsten Phase-II-Pipelines – Insilico, Recursion Pharmaceuticals, Schrödinger, Generate Biomedicines – gehen jeweils anders vor. Recursion nutzt großflächige biologische Bildgebung, um Trainingsdaten für Modelle von Krankheitsmechanismen zu generieren. Generate Biomedicines konzentriert sich auf proteinbasierte Therapeutika, bei denen die Ziel-Mechanismus-Verbindung direkter ist. Schrödinger kombiniert quantenmechanische Physiksimulationen mit KI. Keiner dieser Ansätze hat bisher Phase-III-Erfolge gezeigt, aber die sich 2026 ansammelnden Phase-I- und Phase-II-Daten werden beginnen, zu differenzieren, welche Plattformen wirklich prädiktive biologische Modelle haben und welche hauptsächlich besser in der Molekülsynthese sind.

Was die erste FDA-Zulassung tatsächlich bedeuten wird

Bis Mitte 2026 hat kein KI-entstandenes Medikament eine vollständige FDA-Zulassung erhalten. Das frühestmögliche Zulassungsfenster ist 2027–2028, abhängig von erfolgreichen Phase-III-Ergebnissen für Medikamente, die sich derzeit in Phase II befinden. Wenn diese erste Zulassung erfolgt, wird sie als Meilenstein zitiert – aber der Meilenstein wird eher regulatorische Präzedenzfälle betreffen als wissenschaftliche Validierung. Die schwierigere Frage ist, wie die Phase-III-Zulassungsraten in der KI-Wirkstoffpipeline bis 2030 aussehen werden, wenn genügend Programme den gesamten Weg durchlaufen haben, um Schlussfolgerungen darüber zu ziehen, welche KI-Ansätze Medikamente hervorbringen, die in großen Populationen tatsächlich wirken.

Der unmittelbarere Meilenstein für 2026, den es zu beobachten gilt, ist der Start von Isomorphics Phase-I-Studie und die Zwischenergebnisse von Rentosertibs Phase IIb. Diese beiden Datenpunkte werden mehr dazu beitragen, das Vertrauen von Investoren und Wissenschaftlern in das Feld zu stärken als jede Anzahl angekündigter Pipeline-Programme.