Warum die Wirkstoffforschung noch immer Milliarden für Raterei verbrennt

Das Problem

Nikola Tesla sagte einmal, dass „ein wenig Theorie und Berechnung“ Thomas Edison 90 % seiner Mühe erspart hätte. Mehr als ein Jahrhundert später praktizieren die Pharmaindustrie und die Materialwissenschaften immer noch Edisons Spielweise — sie synthetisieren und testen riesige Bibliotheken von Verbindungen physikalisch, in der Hoffnung, durch Zufall auf einen Treffer zu stoßen. Die Zahlen zeigen exakt, wie sehr dieser Ansatz versagt.

Der Raum möglicher arzneimittelähnlicher Moleküle wird auf zwischen 10^60 und 10^100 geschätzt. Ihre beste Hochdurchsatz-Screening-Kampagne testet grob eine Million Verbindungen. Das heißt: Sie decken 0,000000000000000000000000000000000000000000000000001 % der verfügbaren Optionen ab. Das Whitepaper sagt es ungeschönt: Das ist, als wollte man den Pazifischen Ozean kartieren, indem man in zufälligen Abständen einen Teelöffel ins Wasser taucht. Wenn Sie neue Materialien im Nasslabor testen, ohne sie vorher zu simulieren, verbrennen Sie Geld.

Das ist keine technologische Kuriosität. Es ist eine strukturelle Krise der F&E-Ökonomie. Die „Edison’sche“ Methode — rohe Versuch-und-Irrtum-Arbeit — setzt Arbeit an die Stelle von Intelligenz. Dieser Trade-off wird exponentiell schlimmer, je komplexer Ihre Zielstrukturen werden. Die niedrig hängenden Früchte einfacher kleiner Moleküle sind bereits abgeerntet. Was bleibt, erfordert einen grundlegend anderen Ansatz: erst simulieren, dann nur die Kandidaten mit der höchsten Wahrscheinlichkeit synthetisieren.

Warum das für Ihr Unternehmen wichtig ist

Der finanzielle Schaden ist in den Büchern Ihrer Branche bereits sichtbar. Hier sind die Zahlen, die Ihr Vorstand beunruhigen sollten:

• 2,23 Milliarden Dollar pro neuem Wirkstoff — das sind die durchschnittlichen Kosten für die Entwicklung eines einzigen Pharma-Wirkstoffs Stand 2024. Diese Zahl schluckt die Kosten Tausender Fehlschläge pro Erfolg.
• 1,2 % interner Zinsfuß — die pharmazeutische F&E erreichte 2022 ein 12-Jahres-Tief, bevor sie sich 2024 auf 5,9 % erholte. Dieser Aufschwung wurde weitgehend von Ausreißern wie GLP-1-Agonisten getrieben, nicht durch systemische Verbesserung.
• ~90 % Fehlerquote — die allermeisten F&E-Kandidaten erreichen nie den Markt. Jeder Dollar, der für das physikalische Testen einer Verbindung ausgegeben wird, die eine Simulation hätte aussortieren können, ist ein Dollar, der einem tragfähigen Kandidaten entzogen wurde.
• Kostenbewusste KI kann die Reagenzienkosten um bis zu 90 % senken — Algorithmen, die neben dem Informationswert eines Experiments auch dessen Preis einbeziehen, haben dramatische Einsparungen nachgewiesen.

Diese sinkende F&E-Produktivität hat einen Namen: Eroom’s Law — Moores Law rückwärts buchstabiert. Jede Wirkstoffgeneration wird schwieriger und teurer zu entdecken. Ihre Wettbewerber stehen vor derselben Wand, aber wer zuerst auf simulationsbasierte Entdeckung umsteigt, überwindet diese Wand Jahre vor Ihnen.

Für Ihre Gewinn- und Verlustrechnung ist die Konsequenz unmittelbar. Hochdurchsatz-Screening ist OpEx-lastig: Verbrauchsmaterialien, Reagenzien, Personalzeit und Equipmentstunden. Jedes Experiment, das Sie durch bessere Vorhersage vermeiden, wirkt sich direkt auf das Ergebnis aus. Währenddessen laufen die Patentuhren weiter. Jeder in der F&E gesparte Tag ist ein zusätzlicher Tag Marktexklusivität. KI-entworfene kleine Moleküle von Unternehmen wie Exscientia erreichten die Phase-I-Studien in rund 12 Monaten, verglichen mit dem Branchendurchschnitt von vier bis fünf Jahren.

Was tatsächlich unter der Haube passiert

Der Kernfehler besteht darin, dass traditionelle Entdeckung Verbindungen abscreens statt sie zu entwerfen. Screening unterstellt, dass Ihre Antwort bereits in einer vorgefertigten Bibliothek existiert. Aber wenn Sie sich in komplexe Biologika, Multi-Element-Legierungen und nanostrukturierte Materialien bewegen, sinkt die Wahrscheinlichkeit, dass die optimale Lösung in irgendeiner physikalisch handhabbaren Bibliothek liegt, nahe null.

Denken Sie es sich so. Sie haben ein Zahlenschloss mit 100 Stellen. Traditionelles Screening probiert zufällige Kombinationen einzeln durch. Ein simulationsfirstiger Ansatz studiert zunächst die Mechanik des Schlosses, verengt die Möglichkeiten auf eine Handvoll und dreht dann den Ring.

Der Markt ist überschwemmt mit Blackbox-KI-Modellen, die nur aus Datenkorrelationen lernen. Diese Modelle versagen in neuen Domänen, weil Experimentaldaten spärlich, verrauscht und teuer zu erheben sind. Standardmaschinelles Lernen funktioniert innerhalb seiner Trainingsdaten gut, scheitert aber, wenn es Eigenschaften völlig neuer Materialklassen vorhersagen soll. Schlimmer: Generative KI-Werkzeuge auf Basis großer Sprachmodelle können „halluzinieren“ — sie erzeugen Molekülbeschreibungen, die plausibel klingen, aber grundlegende Chemie verletzen. Sie schlagen möglicherweise eine Struktur vor, die Valenzregeln bricht oder die Massenerhaltung ignoriert. Moleküle sind dreidimensionale Graphen aus Atomen und Bindungen, keine Textzeichenfolgen. Behandelt man sie wie Sätze, erhält man physikalisch unmögliche Ausgaben.

Die Alternative lautet Physics-Informed Machine Learning, oder PIML — Modelle, die die tatsächlichen Gesetze der Physik (Energieerhaltung, Thermodynamik, Quantenmechanik) direkt in die Architektur der KI einbetten. Diese Modelle brauchen weit weniger Trainingsdaten, weil die Regeln der Chemie eingebaut sind. Sie extrapolieren besser in unbekanntes Terrain. Und sie können keine Moleküle vorschlagen, die fundamentale physikalische Randbedingungen verletzen. Ein System namens FlowER verfolgt explizit, wie sich Elektronen während chemischer Reaktionen umverteilen, und stellt so sicher, dass Masse und Ladung stets erhalten bleiben. Kein Standard-Sprachmodell kann das.

Was funktioniert (und was nicht)

Drei Ansätze, die vielversprechend aussehen, aber zu kurz greifen:

• Größere Screening-Bibliotheken: Die Skalierung von einer Million auf eine Milliarde Verbindungen deckt weiterhin einen verschwindend kleinen Bruchteil des chemischen Raums ab. Durch 10^60 Möglichkeiten können Sie sich nicht brachial durcharbeiten.
• Generische KI-Wrapper auf öffentlichen Sprachmodellen: Diese Werkzeuge helfen bei Literaturrecherche und Protokollentwurf, aber ihnen fehlen die domänenspezifischen physikalischen Randbedingungen, die der Moleküldesign benötigt. Ein Wrapper kann die Massenerhaltung in einer chemischen Reaktion nicht erzwingen.
• „Fail fast“ ohne Simulation: Scheitern im Nasslabor ist teuer — Reagenzien, Synthesezeit und Equipment verbrennen allesamt Kapital. Schnelles physisches Scheitern bleibt langsamer und kostspieliger als virtuelles Scheitern, das Millisekunden Rechenzeit kostet.

Was tatsächlich funktioniert, ist eine dreistufige Closed-Loop-Architektur:

1. Vorhersagen und auswählen (Input): Eine Bayesian-Optimization-Engine — ein mathematischer Rahmen, der das Erkunden unbekannten chemischen Terrains gegen das Verfeinern bekannter, vielversprechender Gebiete abwägt — identifiziert das wertvollste nächste Experiment. Sie ratet nicht wild. Sie berechnet, wo der größte Informationsgewinn relativ zu den Kosten liegt. Multi-Fidelity-Varianten dieses Algorithmus verschmelzen billige Computersimulationen mit teuren Laborergebnissen und lösen physische Experimente nur aus, wenn das Vertrauen der Simulation zu gering ist.

2. Automatisieren und synthetisieren (Verarbeitung): Robotikplattformen erhalten Anweisungen von der KI, synthetisieren das vorhergesagte Material und fahren Charakterisierungstests — Spektroskopie, Röntgenbeugung, Mikroskopie — ohne menschliches Eingreifen durch. Das A-Lab am Lawrence Berkeley National Laboratory synthetisierte mit diesem Ansatz 41 neuartige anorganische Verbindungen in 17 Tagen. Wenn eine Synthese fehlschlug, analysierte die KI die Ergebnisse, passte das Rezept an und startete einen neuen Versuch — autonom.

3. Lernen und aktualisieren (Output): Jedes Ergebnis — Erfolg oder Misserfolg — fließt zurück ins Modell. Hier wird negative Daten zu Gold. Gescheiterte Experimente schärfen das Verständnis der KI davon, was nicht funktioniert, und kartieren Sackgassenregionen der Chemie dauerhaft. Ihre Organisation verschwendet nie wieder Ressourcen auf diese Pfade. Dieses angesammelte Wissen über Misserfolgslandschaften ist geistiges Eigentum mit Bestand.

Für Ihre Compliance- und Audit-Teams erzeugt diese Schleife etwas, das traditioneller F&E fehlt: eine vollständige, nachvollziehbare Aufzeichnung jeder Vorhersage, jeder Entscheidungsrationale und jedes experimentellen Ergebnisses. Die KI sagt nicht nur „testen Sie diese Verbindung“. Sie zeigt Ihnen, warum sie diese Verbindung jeder Alternative vorgezogen hat, was sie zu lernen erwartete und wie das Ergebnis ihr Modell verändert hat. Diese Entscheidungsspur ist auditierbar, wiederholbar und verteidigbar.

Ihr digitaler Zwilling — ein virtuelles Abbild Ihres physischen Labors — fügt eine weitere Schutzschicht hinzu. Bevor sich ein Roboter bewegt, läuft das Experiment in der Simulation. So werden Protokollfehler, Zeitkonflikte und Gerätekollisionen abgefangen, bevor sie Proben oder Equipment zerstören. Der Echtzeitvergleich zwischen den Vorhersagen des Zwillings und echten Sensordaten markiert Anomalien wie verstopfte Pipetten oder driftende Temperaturen, bevor sie eine Charge ruinieren.

Die ökonomische Rechenschaft ist klar. Autonome Anlagen laufen 24/7 mit nahezu 100 % Verfügbarkeit, verglichen mit den typischen 30–40 % personalbesetzter Labore. Insilico Medicine brachte einen KI-entdeckten Fibrose-Kandidaten in weniger als 18 Monaten von der Zielfindung in die Präklinik — zu einem Bruchteil der üblichen Kosten. Das sind keine Projektionen. Das sind Ergebnisse, die bereits in Produktionsumgebungen erbracht wurden.