Künstliche Intelligenz

KI-gestützte Medikamentenentdeckung löst einen Biotech-M&A-Superzyklus aus

mm
Veröffentlicht am
Aktualisiert am
Securities.io maintains rigorous editorial standards and may receive compensation from reviewed links. We are not a registered investment adviser and this is not investment advice. Please view our affiliate disclosure.

Das neue Zeitalter der KI-gesteuerten Biotechnologie

Die Pharmaindustrie wurde ursprünglich auf der Leistungsfähigkeit der Chemieindustrie aufgebaut, die begann, immer nützlichere Produkte zu schaffen, darunter auch solche für medizinische Zwecke. Anfangs ging es vor allem darum, natürliche chemische Verbindungen wie Aspirin aus Weidenrinde und Chinin aus einem tropischen Baum zu isolieren und zu reinigen.

Dann begann sie, völlig neue Verbindungen zu erzeugen, die es in der Natur nie gab, und diese in Medikamente zu verwandeln. Dieser Ansatz hat jedoch in den letzten Jahrzehnten begonnen zu scheitern.

Die am leichtesten zu produzierenden oder am leichtesten zu entdeckenden Chemikalien wurden bereits gefunden, und andere Moleküle sind oft nicht gut genug: zu instabil, zu toxisch, zu schwer herzustellen usw.

Infolgedessen hat die Pharmaindustrie die Biotechnologie ins Visier genommen, die biologische Moleküle wie Hormone, Proteine oder DNA & RNA in Medikamente umwandelt. Das führte zu künstlichem Insulin, monoklonalen Therapien, Gentherapien und vielen anderen beeindruckenden Fortschritten.

Auch hier hat der Fortschritt begonnen zu stagnieren, da die leicht zu erntenden Früchte bereits gepflückt wurden: die meisten aktiven Biologika sind bereits identifiziert und bekannt, sodass die komplexeren, schwer zu durchschauenden biologischen Mechanismen zur Heilung von Krankheiten, die noch resistent gegen Behandlungen sind, zurückbleiben.

Das ist ein ernstes Problem für große Pharmaunternehmen. Nicht nur, dass viele ihrer chemiebasierten Therapien bald oder bereits aus dem Patentschutz herausfallen, sondern die Strategie, einfach Biotech-Startups zu kaufen oder mit ihnen zu kooperieren, reicht nicht mehr aus.

Diese Unternehmen müssen Innovationen schnell erwerben, und das, was früher funktionierte, reicht jetzt nicht mehr.

Zum großen Teil liegt das daran, dass die wahre Darstellung einer einzelnen menschlichen Zelle für eine einzelne Person fast unverständlich komplex wäre, wie das durch ein computer‑generiertes Bild aller Komponenten einer einzelnen menschlichen Zelle, das vor einigen Jahren viral ging, illustriert wurde.

Quelle: Newsweek

Glücklicherweise kommt eine neue Welle von Biotech‑Innovation aus dem Einsatz von KI in Biolaboren. Diese geht einher mit einer Revolution der Daten, die aus der sogenannten Multiomics‑Revolution resultieren, die eine beispiellose Datenmenge bis hinunter zur intrazellulären Ebene erzeugt.

Und KI, mit ihrer Fähigkeit zur Analyse großer Datensätze, die weit über das menschliche Gehirn hinausgeht, hilft nun, all das zu verstehen.

Illustrativ für diesen Trend ist die am 12. Januarth, 2026, zwischen Nvidia (NVDA ) und Eli Lilly (LLY ) angekündigte Partnerschaft, die plant, gemeinsam bis zu 1 Milliarde $ über fünf Jahre in Infrastruktur und Forschung für KI‑gestützte Medikamentenentdeckung zu investieren.

Das Zeitalter der digitalen Biologie

Digitale Biologie verändert, wo Zeit, Kosten und Ausfallrisiko im Medikamentenentdeckungs‑Pipeline entstehen – sie verlagert mehr Exploration und Optimierung in die Berechnung, bevor die teuerste Wet‑Lab‑Arbeit beginnt.

Diagramm: Wie KI die Wirtschaftlichkeit der Medikamentenentdeckung verändert (Wo Wert entsteht)

Wischen zum Scrollen →

Entdeckungsphase Traditionelles Engpass KI / Digitale Biologie Verschiebung Wirtschaftliche Auswirkung Primäre Wertschöpfung
Zielidentifikation Spärliche oder verrauschte biologische Signale; langsame Hypothesenzyklen Multiomics + ML priorisieren kausale Pfade und Biomarker; schnelle Hypothesenbewertung Mehr Trefferchancen mit weniger Sackgassenprogrammen Datenreiche Pharmaunternehmen und Eigentümer proprietärer Datensätze
Trefferentdeckung Wet‑Lab‑Screenings sind teuer und durch Durchsatz begrenzt In‑silico‑Screenings erkunden größeren chemischen Raum vor der Synthese Niedrigere Kosten pro Treffer; schnellere Iterationsschleifen Compute‑ + Modellplattformen; Anbieter von Laborautomation
Lead‑Optimierung ADME/Tox‑Fehler spät im Zyklus; langsame Schleifen der medizinischen Chemie Generative Modelle schlagen Kandidaten vor, die für Potenz, Selektivität und Entwickelbarkeit optimiert sind Weniger Redesign‑Zyklen; bessere Entwickelbarkeit von Anfang an Pharma‑Integrator*innen mit starken translationalen Pipelines
Präklinische Validierung Tiermodelle passen nicht zur menschlichen Biologie; langsame Validierung und hohe Varianz Bessere Biomarker‑Auswahl + menschlich relevante Modelle; automatisierte, hochdurchsatzfähige Assays Höhere Signalqualität beim Übergang zur IND‑fähigen Arbeit Automatisierungs‑Stacks und Assay‑Plattformen; CROs mit KI‑Tools
Klinische Translation Heterogene Patientenreaktionen; schlechte Stratifikation erhöht Fehlerraten Multiomische Stratifikation identifiziert früher Responder‑Subgruppen und Studienendpunkte Bessere Studieneffizienz; weniger Verdünnung der Wirksamkeit Arzneimittelinhaber (Pharma/Biotech) mit klinischer Umsetzung

Der Aufstieg der Multiomics

Die schiere Komplexität lebender Systeme hat zur Entstehung der Multiomics geführt, einem Feld, das alle -omics‑Untersegmente der Biowissenschaften zusammenführt und als nächster Schritt in der Biotechnologie angepriesen wird:

  • Genomik: die Analyse der DNA‑Sequenz im Zellkern.
  • Transkriptomik: die Analyse von mRNA, die die DNA‑Anweisungen trägt.
  • Epigenomik: die Modifikation des Genoms ohne Veränderung der genetischen Sequenz, oder „Epigenetik“.
  • Proteomik: die Analyse von Proteinen, einschließlich der Modifikation von Proteinen mit Zuckern („post‑translational“).
  • Metabolomik: die Analyse chemischer Verbindungen und des Stoffwechsels.
  • Mikrobiomik: die Analyse aller Mikroben, die im oder auf dem Körper leben.
  • Einzelzell‑Multiomics: die Multiomics‑Analyse einzelner Zellen.
  • Räumliche Biologie: Analyse in 3D des Ortes spezifischer mRNA, Proteine oder Zellen.

Quelle: Ark Research

Multiomics entstand auch dank viel leistungsfähigerer analytischer Werkzeuge, von genetischen Sequenzierern bis zu räumlicher Biologie.

Das Problem ist jedoch, dass dies eine solche Datenflut erzeugt, dass Biologen nun zum ersten Mal nicht mehr danach suchen, einen interessanten Datenpunkt für praktische Anwendungen zu finden, sondern entscheiden müssen, welche Daten für ein gegebenes Problem tatsächlich relevant sind.

Würde jedes Neugeborene weltweit sequenziert, ein wahrscheinlich in den kommenden Jahren gängiges Verfahren, würde das 10.000‑fach mehr Daten erzeugen als ein KI‑Modell wie Llama jährlich nutzt.

Quelle: Ark Research

Was ist digitale Biologie?

Eine neue Option für die Biotech‑Forschung ist kürzlich aufgetaucht: der in‑silico-Ansatz, bei dem eine oder mehrere virtuelle Zellen in einem Computer simuliert werden.

„Im Jahr 2026 wird die Identifizierung von Krankheitszielen auf In‑silico‑Exploration basieren, bevor irgendeine Wet‑Lab‑Validierung beginnt.

Dies wird die Anzahl der Programme reduzieren, die während der präklinischen Entwicklung ins Stocken geraten.“ Veronica DeFelice – Direktor für Biologika bei Sapio Sciences.

Diese virtuellen Zellen werden dann dem potenziellen neuen Medikament ausgesetzt, und die Simulation berechnet, wie sie reagieren würden.

Quelle: Ark Research

Eine weitere Option besteht darin, die 3D‑Konfiguration eines Proteins zu simulieren, die letztlich seine biologische Funktion bestimmt.

Ein Protein‑Faltungssimulator wie Google’s AI AlphaFold (GOOGL ) hat sich seit 2018 um bis zu 500‑fach verbessert.

Quelle: Ark Research

Es ist also wahrscheinlich, dass In‑silico‑Simulationen zu einer unverzichtbaren Technologie für die meisten Pharma‑ und Biotech‑Unternehmen werden.

Eine weitere Form der digitalen Biologie ist die Nutzung eines fortschrittlichen Detektionssystems, um Krebsmarker in einer Blutprobe zu identifizieren, wodurch kostspielige und weniger effiziente Biopsien ersetzt werden und potenzielle Krebserkrankungen früher entdeckt werden können.

Schließlich kombinieren Automatisierung, Robotik und KI, um automatisierte Labore zu schaffen, die Experimente ohne menschliche Arbeit durchführen und Millionen potenziell nützlicher Moleküle oder Verbindungen zu geringeren Kosten und 100‑facher Geschwindigkeit gegenüber traditionellen Forschungsmethoden prüfen.

Investitionen in KI-gestützte Medikamentenentdeckung

(LLY )

Eli Lilly Überblick

Eli Lilly ist ein riesiges Pharmaunternehmen, das sein medizinisches Imperium auf Chinin und später Insulin aufgebaut hat.

Die Behandlung von Diabetes bleibt das Kerngebiet des Unternehmens, mit einer langen Reihe von Molekülen, die in den letzten drei Jahrzehnten für diese Krankheit entdeckt und zugelassen wurden. Dazu gehörte Tirzepatid, vermarktet unter dem Markennamen Mounjaro.

In den 2010er‑Jahren ging Eli Lilly auch stark in die Onkologie (Krebsbehandlungen) ein, mit einer Reihe von Akquisitionen und Partnerschaften in diesem Bereich sowie internen Wirkstoffentwicklungsbemühungen, um ein starkes Portfolio an Krebsmedikamenten aufzubauen.

Das Tirzepatid‑Molekül wurde seitdem als Anti‑Adipositas‑Medikament unter dem Markennamen Zepbound, dem größten Konkurrenten von Ozempic, umfunktioniert. Das war ein Rettungsanker für Eli Lilly, da viele seiner älteren Medikamente aus dem Patentschutz herausfallen, sodass Generikahersteller sie nun ebenfalls produzieren und preislich konkurrieren können.

Dennoch ist die massive Abhängigkeit von einem einzigen patentierten Peptid und seinen potenziellen Derivaten eine riskante Position und langfristig nicht nachhaltig. Wie die meisten Pharmaunternehmen besteht ein dringender Bedarf, zu diversifizierter Innovation zurückzukehren. Aber im Gegensatz zu vielen anderen in der Branche hat Eli Lilly einen Plan und setzt dabei vollständig auf KI & digitale Biologie.

Eli Lilly KI-gestützte Medikamentenentdeckung

Die größte und jüngste Ankündigung im Bereich KI‑gestützte Medikamentenentdeckung & Eli Lilly ist die Partnerschaft mit Nvidia.

„NVIDIA und Lilly bringen das Beste unserer Branchen zusammen, um einen neuen Bauplan für die Medikamentenentdeckung zu erfinden – einen, bei dem Wissenschaftler riesige biologische und chemische Räume in silico erkunden können, bevor ein einziges Molekül hergestellt wird.“ Jensen Huang, Gründer und CEO von NVIDIA

Der Plan wird Lillys agentur‑basierte Wet‑Labs mit rechnerischen Dry‑Labs kombinieren und 24/7 KI‑unterstützte Experimente ermöglichen. Dies verbindet sich mit einem zuvor ankündigten KI‑Supercomputer, der 1.000 NVIDIA Blackwell Ultra‑GPUs für eine KI‑Fabrik nutzt, der große biomedizinische Fundament‑ und Frontier‑Modelle trainieren wird, um neue Moleküle zu identifizieren, zu optimieren und zu validieren.

„Unsere Fundamentmodelle eröffnen unseren Chemikern neue Möglichkeiten, indem sie ihnen helfen, neue Motive und Atomkonfigurationen zu entdecken, die mit traditionellen Methoden unerreichbar waren.“ Thomas Fuchs – Chief AI Officer bei Eli Lilly

Diese 1 Mrd. $‑Partnerschaft ist nur der jüngste (und größte) Schritt des Pharmaunternehmens in die KI‑gestützte Medikamentenentdeckung. Zuvor war es insbesondere:

  • Begann eine Forschungspartnerschaft mit Insilico Medicine, mit bis zu 100 Mio. $, die je nach Forschungsergebnissen an das Startup gezahlt werden.
  • Partnerschaft mit Circle Pharma, um Eli Lillys KIs zu nutzen und seine Makrozyklus‑Therapien zu verbessern, einschließlich historisch nicht medikamentierbarer Ziele.
  • Entwicklung von Machine‑Learning‑Modellen mit insitro, einem Pionier im maschinellen Lernen für Medikamentenentdeckung und -entwicklung.
  • Zusammenarbeit mit OpenAI, um neuartige Medikamente zur Behandlung von antibiotikaresistenten Bakterien zu entdecken.
  • Einsatz von KI‑Modellen von Genetic Leap zur Entdeckung von RNA‑zielgerichteten Medikamenten in einem Deal über 409 Mio. $.
  • KI‑Partnerschaft mit dem digitalen Biotech‑Unternehmen Isomorphic Labs von Google/Alphabet, das 45 Mio. $ im Voraus erhält und für bis zu 1,7 Mrd. $ an leistungsbasierten Meilensteinen in Frage kommt.
  • Ein Deal im Wert von bis zu 670 Mio. $ mit Genesis Therapeutics für die molekulare KI‑Plattform des Unternehmens.
  • Ein Deal über 1,3 Mrd. $ mit Superluminal, um mithilfe seiner proprietären KI‑gesteuerten Plattform, die G‑Protein‑gekoppelte Rezeptoren (GPCR) anvisiert, Adipositas‑Medikamente zu entdecken und Eli Lillys bereits führende Position im Adipositas‑Markt zu stärken.
  • Ein Deal mit BigHat Biosciences, um die Entdeckung von KI‑gesteuerten Antikörpertherapeutika dank seiner Milliner‑Plattform voranzutreiben.

Eli Lilly hat zudem mit Benchling, einer cloud‑basierten Softwareplattform für Life‑Science‑F&E, zusammengearbeitet, um Biotech‑Startups Zugang zu Modellen zu geben, die auf Jahrzehnten von Lillys proprietären Forschungsdaten trainiert wurden.

Genannt TuneLab, soll diese Plattform Eli Lilly dabei helfen, mit frühen Life‑Science‑Unternehmen im Rahmen seines „Catalyze360“-Programms zusammenzuarbeiten.

Insgesamt werden diese KI‑gestützten Medikamentenentdeckungs‑Partnerschaften und der Aufbau von Infrastruktur in alle Richtungen voraussichtlich die Entdeckungspipeline von Eli Lilly neu aufbauen und seine Position in Antibiotika, Krebsmedikamenten, seltenen Krankheiten und Adipositas stärken.

Investoren‑Insight: Die Gewinner im Bereich KI‑gestützte Medikamentenentdeckung werden wahrscheinlich (1) Pharma‑Integrator*innen mit Kapital + Daten (z. B. Lilly) und (2) Plattform‑Enabler sein, die Werkzeuge (Compute, Laborautomation, R&D‑Software und Modell‑Tools) verkaufen. Das zentrale investierbare Signal im Jahr 2026 ist Deal‑Velocity: steigende, meilenstein‑intensive Partnerschaften und M&A, da Pharmaunternehmen validierte Ziele, Datensätze und Automatisierungskapazitäten kaufen, um präklinische Zeitpläne zu verkürzen und späte Ausfälle zu reduzieren.

Neueste Eli Lilly (LLY) Aktiennachrichten und Entwicklungen

mm

Jonathan ist ein ehemaliger Biochemiker-Forscher, der in der genetischen Analyse und klinischen Studien tätig war. Er ist jetzt ein Börsenanalyst und Finanzautor mit Fokus auf Innovation, Marktzyklen und Geopolitik in seiner Publikation The Eurasian Century.