Insilico Medicine: KI‑Wirkstoff in Rekordzeit — Phase II in 30 Monaten

Die Herausforderung

Der Wirkstoffentdeckungsprozess in der Biotechnologie ist berüchtigt dafür, lang und teuer zu sein, typischerweise 10–15 Jahre dauernd und 2–3 Milliarden USD pro zugelassenem Wirkstoff kostend, mit einer Fehlerrate von 90 % in klinischen Studien.[1] Bei idiopathischer Lungenfibrose (IPF), einer fortschreitenden Lungenerkrankung mit begrenzten Behandlungsoptionen, sind die Herausforderungen noch größer: die Identifizierung neuartiger Targets inmitten komplexer Biologie, die Entwicklung wirksamer Moleküle sowie die Vorhersage von Eigenschaften wie Toxizität und Wirksamkeit erfordern enorme Datenmengen und aufwändiges Trial‑and‑Error‑Screening.

Traditionelle Methoden stützen sich auf Hochdurchsatzscreening und medizinische Chemie, die jedoch bei seltenen Erkrankungen wie IPF ineffizient sind, da die Patientenzahl begrenzt ist und die Heterogenität der Krankheit den Fortschritt hemmt. Insilico stand vor der Herausforderung, die Zielidentifikation und Moleküldesign zu beschleunigen und gleichzeitig die präklinische Durchführbarkeit sicherzustellen — in einem Umfeld, das gegenüber der Zuverlässigkeit von KI in der realen Pharmawelt skeptisch war.[2]

Quantitative Ergebnisse

• Zeit bis Phase I: 30 Monate (vs. 5+ Jahre traditionell)
• Generierte Moleküle: 10.000+ neuartige Strukturen
• Phase‑II‑Einschreibung: 70+ Patienten in mehreren Regionen
• Kostensenkung: Geschätzt 70–80 % geringere Entdeckungskosten
• Präklinischer Erfolg: Wirkstoff erfüllte alle Sicherheits‑/Wirksamkeitsmarker
• Studiengeschwindigkeit: Phase II‑Start 2,5 Jahre nach Target‑Identifikation

Implementierungsdetails

Übersicht Pharma.AI‑Plattform

Insilicos Pharma.AI ist eine integrierte Suite, die generative adversariale Netzwerke (GANs) und Reinforcement Learning für die End‑to‑End‑Wirkstoffentdeckung einsetzt. Für IPF begann der Prozess mit PandaOmics, das Milliarden von Datenpunkten aus Genomik, Proteomik und Fachliteratur analysierte, um die TNIK‑Kinase als neuartiges Target zu nominieren.[1] Deep‑Learning‑Modelle bewerteten Targets nach Krankheitsrelevanz, Neuartigkeit und Verwendbarkeit.

Generative KI für Moleküldesign

Chemistry42, die zentrale Generierungsengine, nutzte transformerbasierte Architekturen und variationale Autoencoder, um neuartige kleine Moleküle zu produzieren. Trainiert an PubChem und proprietären Daten generierte es Millionen von Gerüsten und filterte diese zu 400 synthetisierbaren Kandidaten, die auf TNIK‑Hemmung, Löslichkeit und Pharmakokinetik optimiert wurden. Multi‑Objective‑Optimierung mittels tiefer neuronaler Netze prognostizierte Bindungsaffinität (IC50 < 10nM) und reduzierte Off‑Target‑Effekte.[4]

Präklinische Validierung und Synthese

Top‑Moleküle wie ISM001-055 (Rentosertib) wurden mit automatisierten Chemierobotern synthetisiert. In‑silico‑ADMET‑Vorhersagen mittels Deep Learning erzielten eine 90%ige Genauigkeit gegenüber In‑vitro‑Assays. Nagetiermodelle bestätigten eine 40%ige Fibrose‑Reduktion ohne Toxizität, validiert durch Histologie und Biomarker.[5] Diese Phase dauerte 18 Monate statt der traditionellen 3–5 Jahre.

Klinischer Studienfortschritt

Die IND‑Einreichung führte zur Phase I (2022, sichere Dosierung in 48 gesunden Freiwilligen), gefolgt von Phase II (2023) in 71 IPF‑Patienten in den USA und China. InClinico simulierte Studienergebnisse mit KI und optimierte Endpunkte wie den FVC‑Rückgang. Bis 2025 erhielt Rentosertib die USAN‑Benennung, ein Zeichen der Reife.[3] NVIDIA‑GPUs beschleunigten das Training und ermöglichten 100x schnellere Simulationen.[6]

Überwindung von Hürden

Frühe Probleme wie Datenknappheit wurden durch Transfer Learning aus verwandten Erkrankungen angegangen; regulatorische Skepsis durch transparente Modell‑Erklärungen. Iterative Mensch‑KI‑Schleifen verfeinerten die Generierungen und führten zu einem First‑in‑Class‑Profil.