MRSA wird in Gesundheitseinrichtungen immer häufiger – Hat KI gerade ein Werkzeug zur Gegenwehr bereitgestellt?

Die erste medizinische Revolution

Bis zur Erfindung von Penicillin, dem ersten Antibiotikum, konnte eine einfache Lungeninfektion oder sogar ein kleiner Schnitt tödlich enden. Das war einfach eine Lebensrealität, mit der Menschen lebten (und starben).

Über lange Zeit wurden regelmäßig neue Antibiotikaklassen entdeckt, sodass die Bedrohung durch bakterielle Infektionen in Schach gehalten werden konnte. Kürzlich hat das Auftreten antibiotikaresistenter Bakterien jedoch die Frage aufgeworfen, ob das noch lange so bleiben kann.

Antimikrobielle Resistenz (AMR) verursachte 2019 direkt 1,27 Millionen Todesfälle, wobei 1 von 5 Opfern ein Kind unter 5 Jahren war. Und 4,95 Millionen Menschen, die 2019 starben, litten an medikamentenresistenten Infektionen, wie unteren Atemwegs-, Blutbahn‑ und intraabdominellen Infektionen.

Dies ist besonders problematisch in Krankenhäusern, wo der höhere Antibiotikaverbrauch und schwächere Immunsysteme die Antibiotikaresistenz zu einer Hauptursache für Infektionen und Todesfälle machen.

Im Wettrüsten zwischen neuen Antibiotika und Antibiotikaresistenz gewinnen die Bakterien. Die letzte Entdeckung einer neuen Antibiotikaklasse, die den Markt erreichte, liegt 1987 zurück. Insgesamt funktioniert der altmodische Ansatz, blind Zehntausende von Chemikalien auf Antibiotika‑Potential zu prüfen, nicht mehr.

Quelle: ReAct Group

MRSA – Die drohende Katastrophe im Gesundheitswesen

Staphylococcus aureus ist ein Bakterium, das auf der Haut lebt. Methicillin‑resistenter Staphylococcus aureus (MRSA) sind Bakterien, die gegen gängige Antibiotika wie Methicillin resistent sind und häufig gleichzeitig Resistenz gegen andere Behandlungen/Antibiotika aufweisen.

Die meisten MRSA‑Infektionen treten in Krankenhäusern oder Gesundheitseinrichtungen auf, zum Beispiel in Dialysezentren oder Pflegeheimen. Sie können sich auch durch Haut‑zu‑Haut‑Kontakt verbreiten.

Da Staphylococcus aureus auf der Haut vorkommt, ist es ein wahrscheinlicher Erreger für Infektionen nach Operationen oder offenen Wunden.

MRSA‑Infektionen töten jährlich mehr als 10 000 Menschen allein in den USA, bei über 80 000 Infektionen. MRSA‑Stämme werden zudem zunehmend gegen Vancomycin resistent, eines der letzten wirksamen Antibiotika gegen sie.

Dies erweitert das Spektrum unheilbarer MRSA‑Infektionen und führt zurück in die Ära vor den Antibiotika, in der häufig tödliche bakterielle Infektionen die Regel waren.

KI zur Rettung

Wenn das blinde Screening von Tausenden Kandidaten für neue Antibiotika nicht mehr funktioniert, was wäre dann mit dem intelligenten Screening von Millionen Kandidaten? Das ist die Aufgabe, an der MIT‑Forscher unter Leitung von James Collins arbeiten.

Die MIT‑Forscher nutzen ein Deep‑Learning‑KI‑Modell, um vorherzusagen, welche chemischen Moleküle antibakterielle Aktivität besitzen könnten.

Zuerst lehrten sie das KI‑Modell, welche chemischen Muster bekanntermaßen antibakterielle Aktivität zeigen. Anschließend kann die KI Millionen potenzieller Moleküle auf ähnliche Potenziale prüfen.

Hierfür testete der Forscher zunächst die antibiotische Aktivität von 39 000 Molekülen gegen MRSA und zeigte das Ergebnis der KI, die daraus lernte, was funktioniert.

Sie entwickelten dann eine Methode namens „Monte‑Carlo‑Tree‑Search“, um die KI‑Ergebnisse für die Forscher verständlicher zu machen, indem gezeigt wird, welcher Teil des potenziellen neuen Antibiotikamoleküls für das medizinische Ergebnis verantwortlich ist.

KI‑Teamarbeit

Es reicht nicht aus, nur zu finden, was die schädlichen Bakterien abtötet. Es ist ebenfalls wichtig zu prüfen, dass die chemischen Verbindungen für die Patienten sicher sind.

Nach dem gleichen Prinzip wie bei der Antibiotika‑Entdeckung trainierten die Forscher zudem drei verschiedene Deep‑Learning‑Modelle, um die Toxizität gegenüber drei Arten menschlicher Zellen vorherzusagen.

Die Ergebnisse dieser Befunde würden dann mit denen der MRSA‑fokussierten KI kombiniert, um Verbindungen zu finden, die sowohl gute Kandidaten für antibakterielle Aktivität als auch ein sicheres Profil besitzen.

Dies veranschaulicht gut, wie KI‑gestützte Arzneimittelforschung nicht nur von Menschen gesteuert wird, sondern zunehmend von KI‑„Kommunikation“ untereinander abhängt.

Beeindruckende Ergebnisse

Die MIT‑Forscher analysierten nicht weniger als 12 Millionen chemische Verbindungen. Wichtig ist, dass all diese 12 Millionen Verbindungen kommerziell verfügbar waren, was ihre Kommerzialisierung als neue Antibiotika erleichtert, da die Lieferkette zu ihrer Herstellung bereits existiert.

Mit Hilfe der KI wurde eine Kurzliste von 280 Kandidaten erstellt. Diese wurden gegen MRSA getestet, und zwei Verbindungen derselben Klasse reduzierten MRSA um den Faktor 10. Die Antibiotika wirken, indem sie den elektrochemischen Gradient der Bakterienzellmembran stören.

Dies ist ein neuer Erfolg für das Forschungsteam, das zuvor bereits zwei potenzielle Antibiotika (jedoch nicht wirksam gegen MRSA) gefunden hatte, halicin und aubicin.

Was das für zukünftige Arzneimittelforschung bedeutet

Von Pharma zu Biotech zurück zu Pharma?

Die Arzneimittelforschung stand immer im Kern der Geschäftsmodelle von Pharmaunternehmen. Das ist ein wesentlicher Teil des Geschäfts, da Patente auslaufen und neue exklusive Medikamente nötig sind, um Geldflüsse zu sichern und weitere F&E sowie medizinischen Fortschritt zu finanzieren.

Leider ist der Ansatz, die natürliche Welt und künstliche Moleküle nach neuen aktiven Verbindungen zu durchsuchen, etwas ins Stocken geraten.

Dies war die treibende Kraft für den Aufstieg von Biotech‑Unternehmen, die biologische Moleküle wie Antikörper anstelle von Chemikalien einsetzen. Und warum „altmodische“ Pharmaunternehmen gezwungen wurden, Biotech‑Start‑Ups zu übernehmen, wodurch viele zu reinen „Marketing‑Maschinen“ wurden statt zu F&E‑getriebenen Unternehmen.

Wenn die chemische Arzneimittelforschung erfolgreicher wird, könnten wir sehen, dass mehr Pharmaunternehmen wieder stärker in F&E investieren und weniger in Biotech‑Akquisitionen.

Dies könnte weitreichende Folgen für die Branche haben, einschließlich:

• Eine Rückkehr zu Wachstum für innovative Pharmaunternehmen.
• Das Potenzial für geringere Bieterpreise bei Biotech‑Start‑Ups.
• Das Potenzial, neue „Blockbuster“-Chemikalien für schlecht behandelte Krankheiten zu entdecken.

Die Verschmelzung von Technologie & Pharma

Ein weiterer Effekt erfolgreicher KI‑gestützter Arzneimittelforschung ist, dass der Prozess weniger mit Medizin und Chemie und mehr mit Daten und neuronalen Netzen zu tun hat.

Dies eröffnet tiefere Beziehungen zwischen Technologie‑ und Pharmaunternehmen. KI‑basierte Arzneimittelforschung könnte ebenso transformativ für die Branche werden wie das Aufkommen der Biotechnologie in den 1980er‑Jahren.

Wir könnten auch die Entstehung neuer Joint‑Ventures zwischen Pharma‑ und KI‑Giganten sehen. Zum Beispiel ein von Unternehmen wie Pfizer (PFE ) oder Novartis auf der Pharmaseite und Google oder Microsoft (MSFT ) auf der KI‑Seite mit‑gegründetes Arzneimittelforschungsunternehmen.

Wenn KI‑Arzneimittelforschung zu einem der wichtigsten Profitcenter von KI wird, könnten Technologieunternehmen Pharmaunternehmen übernehmen.

Die Macht der Daten

KI‑Systeme werden dank riesiger Datenschätze gebaut. Die MIT‑Studie war da keine Ausnahme und nutzte hauptsächlich die Mcule‑Datenbank. Das Feld der digitalen Datenanbieter für Arzneimittelforschung befindet sich noch im frühen Stadium und wird von gemeinnützigen Organisationen und privat‑geführten Start‑Ups dominiert.

Langfristig werden wir wahrscheinlich eine Konsolidierung der Branche sehen und vielleicht das Aufkommen weniger Schlüssel‑Anbieter, die ebenfalls an die Börse gehen werden.

Vorhersage von Toxizität „In‑silico“

Ein letzter Effekt der MIT‑Entdeckung ist, das Vorgehen zur Vorhersage chemischer Toxizität und des Erfolgs klinischer Studien neu zu überdenken.

Bis vor Kurzem waren menschliche Erfahrung & Intuition sowie Tier‑ & In‑Vitro‑Modelle die bevorzugten Methoden, um Risiken neuer Moleküle abzuschätzen.

Deep‑Learning‑KI kann nicht nur neue Antibiotikaklassen finden, sondern auch vorhersagen, welche Kandidaten wahrscheinlich nicht toxisch sind. Das eröffnet die Möglichkeit, KI zu nutzen, um die Zahl der Medikamente zu reduzieren, die in Phase I klinischer Studien scheitern – ein Schritt, der die Toxizität beim Menschen prüft.

Rund 35 % der chemischen Kandidaten scheitern in Phase I klinischer Studien. Eine Reduktion dieser Zahl würde die Arzneimittelentwicklung beschleunigen und die durchschnittlichen F&E‑Kosten senken.

Quelle: Duxin Sun et al

Top 3 Unternehmen, die von KI‑Arzneimittelforschung profitieren

Diese MIT‑Entdeckung wurde von Stiftungen, gemeinnützigen Organisationen und öffentlicher Förderung finanziert. Investoren können jedoch über mehrere börsennotierte Aktien Zugang zu KI‑gestützter Arzneimittelforschung erhalten.

Im Allgemeinen lassen sich Unternehmen im Bereich digitaler und KI‑Systeme für die Arzneimittelforschung nach zwei Kriterien gliedern:

1. Computational versus Integration von nassen (biologischen) Daten.
2. Entwicklungsstadium, Partnerschaften und rechnerische/datenbasierte Ressourcen.

Quelle: Recursion

(Die Unternehmen in dieser Liste werden KI‑Tools einsetzen, zum Beispiel NVIDIA (NVDA ) ‑Hardware. Wir konzentrieren uns jedoch hier ausschließlich auf reine Arzneimittelforschungsunternehmen und nicht auf KI im Allgemeinen).

1. Schrödinger, Inc.

SDGR Preisdiagramm

Das Unternehmen spezialisiert sich auf physikbasierte Modelle, um das bestmögliche Molekül für ein gegebenes Ziel zu finden und dabei widersprüchliche Kennzahlen wie Potenz, Löslichkeit, Halbwertszeit, Synthesierbarkeit usw. auszubalancieren.

Es nutzt ebenfalls maschinelles Lernen, doch die Ergänzung eines physikbasierten Modells ermöglicht Tests in völlig neuen Bereichen, für die es keinen Datensatz zum „Trainieren“ der KI gibt. Das erlaubt Schrödinger (SDGR ), von einer Milliarde potenzieller Moleküle auf nur 8 solide Kandidaten in wenigen Tagen zu kommen – ausschließlich durch digitale Berechnung.

Quelle: Schrodinger

Schrödinger unterzeichnete 2020 einen 5‑Jahres‑Kooperationsvertrag mit Bayer über einen Umsatz von 10 Mio. $. Ziel der Vereinbarung ist die Nutzung der Schrödinger‑Technologie zusammen mit Bayer‑In‑Silico‑Vorhersagemodellen.

Eine weitere aktuelle Partnerschaft besteht mit Lilly im Jahr 2022, mit bis zu 425 Mio. $ an Gesamtmeilenstein‑Zahlungen für erfolgreiche Entdeckungen.

Frühere Kooperationen umfassten Takeda, Sanofi (SNW.DE ) (SNY ), Bristol‑Myers‑Squibb und andere kleinere Pharmaunternehmen.

Insgesamt baut Schrödinger ein wachsendes Portfolio auf, darunter immer mehr proprietäre und vollständig eigene Moleküle. Es verfügt derzeit über 8 Produkte in seiner proprietären Pipeline, davon 2 in Phase I klinischer Studien, sowie 23 Produkte in Partner‑Programmen und Kooperationen, davon 5 in Phase I und 3 in Phase II klinischer Studien.

Quelle: Schrodinger

Obwohl das Unternehmen noch keinen Umsatz erzielt, ist es nicht profitabel und konzentriert sich auf Expansion und F&E‑Ausgaben zur Verbesserung seiner Technologie. Kurzfristig sollte das kein ernsthaftes Problem darstellen, da das Unternehmen mehrere Jahre Betriebskapital auf der Bilanz hat.

Es prüft zudem die Expansion in neue Segmente jenseits der Arzneimittelforschung, etwa komplexe Biopharmazeutika oder sogar Materialien wie Chemikalien, Batterien oder Polymere.

Quelle: Schrodinger

Investoren sollten die neuen Kooperationen im Auge behalten, da sie den Fortschritt der Schrödinger‑Technologie widerspiegeln, bewertet von Branchenführern, sowie mögliche Erfolge bei der Ausweitung der Kerntechnologie auf neue Märkte.

2. Exscientia

Das Unternehmen nutzt KI, um Präzisionstherapien zu entwickeln.

Es betreibt eine „Full‑Stack“-KI‑Arzneimittelforschungs‑Technologie mit dedizierter Software in jeder Phase des Arzneimittelforschungsprozesses.

Quelle: Exscientia

Statt bestehende Moleküle zu untersuchen, entwirft Exscientias Precision Design KI maßgeschneiderte Moleküle, die zum Ziel passen, das von ihrer Precision Target KI gefunden wurde.

Die Technologie von Exscientia reduziert die für die Umwandlung eines biologischen Ziels in ein entsprechendes Medikament benötigte Zeit um 70 % und macht den Prozess um 80 % kapital‑effizienter.

Dies führte zu 4 Verbindungen in frühen klinischen Phasen, hauptsächlich im Bereich Onkologie (Krebs) und entzündliche Erkrankungen. Das Unternehmen weist ein Potenzial von 4 Mrd. $ an vorkommerziellen Meilensteinen auf.

Quelle: Exscientia

Das Unternehmen beginnt gerade erst, Umsätze zu verbuchen, verfügt jedoch über einen langen Cash‑Runway von mehreren Jahren auf seiner Bilanz.

Durch die Position an der Schnittstelle zwischen KI‑Arzneimittelforschung und Präzisionstherapie zielt Exscientia auf zwei der transformativsten Felder der Medizinforschung ab. Angesichts etablierter Partnerschaften mit Merck, Sanofi und BMI betrachten andere etablierte Pharmaunternehmen die Plattform ebenfalls als mit großem Potenzial.

3. Recursion Pharmaceuticals, Inc

RXRX Preisdiagramm

Je mehr KI in die Arzneimittelforschung und -entwicklung einbezogen wird, desto wertvoller werden Daten für das Training der KI.

Biologie ist ein extrem komplexes Feld, wobei integrierte und verifizierte Daten manchmal knapp sind. Das ist ein ernstes Problem, wenn ein Fehler zu Verzerrungen, Einschränkungen und Fehlern in der KI führt, die dann möglicherweise von Grund auf neu trainiert werden muss.

Ein weiteres Problem ist die schiere Menge an Daten, die weit über das hinausgeht, was Menschen manuell erzeugen und organisieren können.

Um diese Einschränkungen zu adressieren, hat Recursion seine Plattform aufgebaut, mit der Mission, „Arzneimittelforschung in ein Suchproblem zu verwandeln“. Sie kombiniert Dry‑Lab (In‑Silico) und Wet‑Lab (biologische Proben) mit:

• Eine Bibliothek von 1,7 Millionen kleinen Molekülen.
• Zellkulturen, CRISPR‑Gen‑Editierung, lösliche Faktoren, lebende Viren usw.
• Ein automatisierter Labor‑Roboter‑Workflow, der bis zu 2,2 Millionen Experimente pro Woche ermöglicht.
• Hochdurchsatz‑Mikroskope und Sequenzierungssysteme.
• Kontinuierliche Video‑Feeds von Kameras, die ganzheitliche Messungen des Tierverhaltens aufzeichnen.
• Fortschrittliche Rechenressourcen, die über 21 Petabyte proprietärer hochdimensionaler Daten erzeugt haben.
• ADMET‑Daten (Absorption, Distribution, Metabolism, Excretion und Toxikologie).

Damit entstehen einzigartige (und massive) Datensätze von Proteomik (Proteinniveaus), Transkriptomik (mRNA‑Niveaus), Phänomik (zelluläre Morphologie), ADMET und „in‑vivonomics“ (Tierverhalten). Das Unternehmen plant zudem, in Zukunft Metabolomik und Genomik zu seinen Datensätzen hinzuzufügen.

Dieser Datenreichtum ermöglicht ein breiteres Kandidatenspektrum in frühen Phasen, jedoch einen engeren Trichter im weiteren Verlauf. Er sollte zudem die Entwicklung hochpotenzieller Arzneimittelkandidaten beschleunigen.

Quelle: Recursion

Das Potenzial dieses Ansatzes bleibt großen Pharmaunternehmen nicht verborgen, mit fortschreitenden Kooperationen in Fibrose (Bayer) und Neurowissenschaften (Roche‑Genentech).

Das Unternehmen erhielt zudem eine Investition von 50 Mio. $ von NVIDIA im Juli 2023, dem neuen Giganten der KI‑Computing‑Hardware. Das geschah kurz nach der Übernahme der präklinischen Start‑Ups Cyclica und Valance im Mai 2023 für insgesamt 87,5 Mio. $.

Insgesamt blickt das Unternehmen auf potenzielle Meilensteine von 13 Mrd. $ über 50+ mögliche Programme plus Lizenzgebühren.

Die Partnerschaften mit Technologie (NVIDIA) und Pharma (Bayer, Roche) Unternehmen sowie die Übernahmen kleinerer KI‑Drug‑Start‑Ups könnten darauf hindeuten, dass Recursion zu einem Grundpfeiler der Branche und zu einem potenziellen Serienkäufer wird, mit dem Ziel, eines der ersten Unternehmen zu sein, das biologische Daten auf ein bislang unvergleichliches Volumen skaliert.