KI: Super-Booster für neue Medikamente

Bevor ein fertiges Medikament im Apothekenregal steht, muss es eine Reihe von Schritten durch­laufen – angefangen bei der Identifikation eines Enzyms oder Rezeptors im Körper, an dem das Medikament ansetzen soll, über die Entdeckung des passenden Wirkstoffes und die Optimierung der chemischen Struktur bis hin zur präklinischen und klinischen Studie.

Schon der erste Schritt ist eine Herausforderung: die Suche nach dem richtigen Angriffsziel für ein Medikament, in der Pharma­forschung auch „Target“ genannt. Dabei handelt es sich zumeist um ein Enzym oder einen Rezeptor. Infrage kommen nur diejenigen, die eine wesentliche Rolle im Krankheits­verlauf spielen und über eine Bindungs­stelle verfügen, an der sich ein potenzieller Wirkstoff anheften kann. Es geht kompliziert weiter. Ist ein Target entdeckt, braucht es eine Substanz, die auf es einwirkt. Bei Massen­testungen in Laboren zeigt nur etwa jeder zwei­hundertste bis tausendste Stoff tatsächlich einen Effekt. Und der Treffer ist meist nur Ausgangs­punkt für weitere chemische Optimierungen.

Technologien auf Basis von Künstlicher Intelligenz (KI) sollen die Entwicklung von Medikamenten vereinfachen. Pharma­unternehmen hoffen, so den Zeitraum vom Forschungs­beginn bis zur Zulassung reduzieren zu können. Aktuell dauert es im Durchschnitt 13 Jahre, bis ein neues Arznei­mittel verschrieben werden kann.

Immer mehr Unternehmen und Forschungs­institute erkennen das Potenzial von KI. Laut einer Befragung von GlobalData nutzten allein im Jahr 2021 bereits 23 Prozent der Pharma­unternehmen KI für die Wirk­stoff­forschung. Ihnen stellen zum Beispiel die Forschenden am Fraunhofer-Institut für Intelligente Analyse- und Informations­systeme IAIS in Sankt Augustin ihr KI-Know-how zur Verfügung. Eine große Hilfe wäre es, berichtet Dario Antweiler, Daten­analyst und Geschäfts­feld­leiter Healthcare Analytics am Fraunhofer IAIS, wenn man KI-Modelle zum Aufspüren von relevanten Daten aus einer Masse von bereits veröffentlichten wissenschaftlichen Publikationen nutzen würde. „Über unstrukturierte Daten wie Texte, Labor­befunde oder Bilder kann man nicht einfach so einen Algorithmus laufen lassen. Heutzutage gibt es aber bereits Künstliche Intelligenzen, die diese Daten in ein strukturiertes Tabellen­format oder eine Datenbank über­tragen können“, so der KI-Experte. „Und sie helfen darüber hinaus auch bei der Analyse dieser Daten.“

Um etwa im Körper ein Target für eine bestimmte Erkrankung zu identifizieren, sichtet die KI massen­weise historische Daten. Ist sie erfolg­reich, sucht sie auf Basis von Informationen aus Forschungs­artikeln, Dokumentationen von Labor­werten und bereits ausgeführten Experimenten nach Mustern: Welche Wirk­stoff­moleküle haben die höchste Wahrscheinlichkeit, auf das Target einzuwirken? Identifiziert werden meist chemisch-synthetische Substanzen. Die Verbindungen kann die KI nochmals genauer auf Eigenschaften wie ihre Toxizität untersuchen. KI-Modelle können sogar Prognosen über die Wirkung der Wirk­stoff­kandidaten treffen. Darüber hinaus kann KI dafür genutzt werden, um zu prüfen, ob bereits zugelassene Medikamente auch für andere Erkrankungen einsetzbar sind.

„Eine große Herausforderung ist es, die Verlässlichkeit einzuschätzen“, erklärt Antweiler. „Modelle können auch halluzinieren und Informationen zusammen­stellen, die vielleicht gar nicht existieren. Daher ist es wichtig, die Vorschläge des Programms genau zu überprüfen und nicht alles mit einem Klick zu übernehmen. Anders ausgedrückt: Die KI sollte nur ein unter­stützender Co-Pilot für den Menschen sein, der die letzte Entscheidung trifft.“ Überhaupt müssen Forschende beim Einsatz von KI noch viele Punkte beachten und sollten nicht jedes Ergebnis der KI unkritisch weiter­verwenden. Denn KI arbeitet auf Basis von Daten. Und um aus­sage­kräftige Ergebnisse hervor­zu­bringen, benötigt sie Daten von hoher Qualität. Da Gesundheits­daten jedoch personen­bezogen sind und dementsprechend strengen Daten­schutz­vorgaben unterliegen, ist es schwierig, auf sie zuzu­greifen – auch für die KI.

Ein Risiko, das bei der Arbeit mit Gesundheits­daten besteht, ist die Reproduzierung von Bias – also eine Verzerrung der Daten. Gerade bei klinischen Studien ist es häufig der Fall, dass Medikamente nicht an einer vielfältigen Gruppe von Menschen getestet und Bevölkerungs­gruppen ausgelassen werden. So gibt es zu weißen Menschen und Männern viel mehr Gesundheits­daten als zu anderen Teilen der Bevölkerung. Eine KI, die mit Gesundheitsdaten arbeitet, die nur Männer repräsentieren, könnte demnach Ergebnisse generieren, die auf Frauen möglicher­weise nicht zutreffen.

Damit KI zuverlässigere Ergebnisse in der Pharma­forschung liefert, müssen Forschende dabei aktiv gegen Diskriminierung durch Daten vorgehen. Das bedeutet, man sucht aktiv nach Daten aus verschiedenen Ländern und Altersgruppen. Zudem kann man KI so programmieren, dass sie prüft, ob alle Personen­gruppen in den Daten repräsentiert werden. Technische Lösungen allein reichen jedoch nicht aus. Um Gesundheits­daten von Bias zu befreien, müssen verschiedene Bevölkerungs­gruppen in der Pharma­forschung repräsentiert werden. Ein möglicher Schritt wäre der Aufbau von diverseren Teams, die sich aktiv für Vielfalt in der Forschung einsetzen.