---
title: "KI in der Auswahl geeigneter Wirkstoffkandidaten"
language: "de"
type: "post"
original_url: "https://www.atlas-digitale-gesundheitswirtschaft.de/blog/2020/12/15/ki-in-der-auswahl-geeigneter-wirkstoffkandidaten/"
human_version: "../../../../../1/blog/2020/12/15/ki-in-der-auswahl-geeigneter-wirkstoffkandidaten/"
date: "2020-12-15"
section: "Review-Artikel"
categories: ["Automatisierung von Prozessen", "Forschung", "KI", "Machine Learning", "Pharma"]
author: "Jonathan Koß"
reading_time: "7 Min."
description: "Wie kann Maschinelles Lernen (ML) bei der Auswahl von Wirkstoffkandidaten in der Pharmaindustrie helfen?"
publisher: "Lehrstuhl für Management und Innovation im Gesundheitswesen, Universität Witten/Herdecke"
---

# KI in der Auswahl geeigneter Wirkstoffkandidaten

*15.12.2020 · Review-Artikel · Von Jonathan Koß*

Review-Artikel

Die Suche nach geeigneten Wirkstoffkandidaten ist ein zentraler Erfolgsfaktor in der Medikamentenentwicklung und geht mit einem hohen zeitlichen und finanziellen Ressourceneinsatz einher. Mittlerweile betragen die Kosten eines neuen Medikaments von der Entwicklung bis zur Markteinführung bis zu 2,8 Milliarden US-Dollar. Gleichzeitig liegt die Erfolgswahrscheinlichkeit einer Marktzulassung im Durchschnitt bei rund 12 Prozent. Ein zentraler Erfolgsfaktor ist die Auswahl eines geeigneten Wirkstoffkandidaten. Hierzu müssen Forscher in zahlreichen Labortests die Struktur des Wirkstoffes verändern, beispielsweise um eine toxische Wirkung ausschließen zu können. Dieser Prozess kann mehrere Jahre in Anspruch nehmen (1). Erste Wettbewerbe („Challenges“) von unabhängigen Institutionen stellen einen Teil dieses Prozesses nach und zeigen, dass dieser durch den Einsatz von Künstlicher Intelligenz beschleunigt werden könnte. Ein Ergebnis könnte bereits in Millisekunden vorliegen (2, 3). Wie kann Maschinelles Lernen (ML) bei der Auswahl von Wirkstoffkandidaten helfen?

### **Wirkstoffsuche in der Pharmabranche**

Einer der entscheidenden Schritte in der Arzneimittelentwicklung ist die Auswahl des optimalen Wirkstoffkandidaten. Das Ziel ist ein Molekül mit dem größten Potential eines klinischen Erfolgs zu finden. Zu diesem Zweck werden In-vitro- und In-vivo-Studien durchgeführt, um einen oder mehrere Wirkstoffe mit wünschenswerten Eigenschaften in Bezug auf Absorption, Verteilung, Metabolismus, Ausscheidung, Toxikologie sowie Pharmakologie und Wirksamkeit zu identifizieren (3). Insgesamt kann dieser präklinische Prozess bis zu 4,5 Jahre dauern und Kosten von rund 430 bis 1000 Millionen US-Dollar verursachen (1).

### **Erste Use Cases sind vielversprechend**

Ein zentrales Ziel dieses präklinischen Prozesses ist es einen nicht-toxischen Wirkstoffkandidaten zu identifizieren (4). Im Rahmen der Tox21 Challenge wird dieser Prozess simuliert. Konkret versuchen die teilnehmenden Gruppen, 12 verschiedene toxische Wirkungen für 12 000 Chemikalien computergestützt vorherzusagen. Der DeepTox-Algorithmus lieferte dabei vielversprechende Ergebnisse (5).

### **Die Deep Tox Pipeline**

Der DeepTox Algorithmus basiert auf Künstlicher Intelligenz (KI), ein Teilbereich des maschinellen Lernens (ML). Konkret nutzt der DeepTox Algorithmus neuronale Deep Learning Netzwerke (DLN) (5). Die Besonderheit von Deep Learning ist die Nutzung mehrerer sogenannter „Schichten“, die schrittweise nach und nach übergeordnete Merkmale aus den Rohdaten extrahieren, um eine bestimmte Voraussage oder Klassifikation zu ermöglichen (6, 7). Die zugrundeliegende Pipeline besteht dabei aus unterschiedlichen Verarbeitungsschritten. Zunächst identifiziert der DeepTox Algorithmus die unterschiedlichen Merkmale des Wirkstoffes, die in ihrer Gesamtheit ein einzigartiges Wiedererkennungsprofil ermöglichen. Zu den Merkmalen gehören beispielsweise die Anzahl der Atome oder das Vorhandensein oder Fehlen einer vordefinierten Substruktur in einer Verbindung. Diese Merkmale dienen anschließend als Features und somit als Input des Algorithmus. Anschließend werden die Daten in das DLN gespeist. Dies ermöglicht die Verbindung der Input Daten mit einem bestimmten Output, in diesem Fall in eine Klassifikation in toxisch oder nicht-toxisch. In der Tox21 Challenge hat der Algorithmus mithilfe des DLN die höchste Genauigkeit erreicht und konnte in 8 von 10 Fällen korrekt zwischen toxischen und nicht-toxischen Wirkstoffen unterscheiden (5).

### **In der praktischen Verwendung bestehen Limitationen**

Das Beispiel DeepTox zeigt, dass die Ergebnisse nicht fehlerfrei sind. Folglich Bedarf das Ergebnis von Algorithmen weiterhin einer Überprüfung durch die Spezialisten. Es kann jedoch eine gewisse Vorselektion mit relativ hoher Genauigkeit durchgeführt werden, sodass sich der Prozess insgesamt verkürzen könnte (in Abhängigkeit von der vorhandenen Rechenpower). Limitationen bestehen insbesondere, wenn es um die Konstruktion neuer Wirkstoffverbindungen geht: Hier kann es passieren, dass der Algorithmus Wirkstoffkandidaten entwickelt, die in der Praxis schwierig umzusetzen sind. Beispielsweise weil eine Verbindung zu komplex ist. Vor diesem Hintergrund ist eine kooperative Entwicklung von Informatikern und Experten der Wirkstoffendwicklung wichtig, um verwertbare Ergebnisse zu produzieren (2). Außerdem bedarf es großer und qualitativ hochwertiger Datensätze, die ein Trainieren des Algorithmus ermöglichen (6, 7).

### **Kooperationen suchen**

Durch eine vorangehende Selektion geeigneter Wirkstoffkandidaten mittels eines Algorithmus könnte der Prozess effizienter vollzogen werden. Beispielsweise könnte so die Anzahl der Labortests reduziert werden, indem als toxisch klassifizierte Wirkstoffe nicht mehr getestet werden. Die Entwicklung entsprechender Algorithmen ist jedoch hochkomplex und erfordert eine rechenstarke IT-Infrastruktur sowie das Vorhandensein entsprechender Daten. Dementsprechend sollten Pharmaunternehmen Kooperation mit etablierten Unternehmen eingehen, beispielsweise IBM oder mit vielversprechenden Startups wie Exscientia.

<a id="expandable-block--6aac4b6b97762"></a>

Quellen

1. DiMasi JA, Grabowski HG, Hansen RW. Innovation in the pharmaceutical industry: New estimates of R&D costs. J Health Econ. 2016;47:20-33 [zum Original](http://DOI.org/10.1016/j.jhealeco.2016.01.012)
2. Mullard A. THE DRUG-MAKER’S GUIDE TO THE GALAXY: Nature; 2017. [zum Original](https://www.nature.com/news/polopoly_fs/1.22683!/menu/main/topColumns/topLeftColumn/pdf/549445a.pdf)
3. Paul SM, Mytelka DS, Dunwiddie CT, Persinger CC, Munos BH, Lindborg SR, et al. How to improve R&D productivity: the pharmaceutical industry’s grand challenge. Nat Rev Drug Discov. 2010;9(3):203-14 [zum Original](http://DOI.org/10.1038/nrd3078)
4. Chan HCS, Shan H, Dahoun T, Vogel H, Yuan S. Advancing Drug Discovery via Artificial Intelligence. Trends in Pharmacological Sciences. 2019;40(8):592-604 [zum Original](http://DOI.org/10.1016/j.tips.2019.06.004)
5. Mayr A, Klambauer G, Unterthiner T, Hochreiter S. DeepTox: Toxicity Prediction using Deep Learning. Frontiers in Environmental Science. 2016;3 [zum Original](http://DOI.org/10.3389/fenvs.2015.00080)
6. Chen H, Engkvist O, Wang Y, Olivecrona M, Blaschke T. The rise of deep learning in drug discovery. Drug Discov Today. 2018;23(6):1241-50 [zum Original](http://DOI.org/10.1016/j.drudis.2018.01.039)
7. Graves J, Byerly J, Priego E, Makkapati N, Parish SV, Medellin B, et al. A Review of Deep Learning Methods for Antibodies. Antibodies (Basel). 2020;9(2) [zum Original](http://DOI.org/10.3390/antib9020012)





#### Verwandte Artikel

- [Big Data in der pharmazeutischen Forschung](../../06/02/big-data-in-der-pharmazeutischen-forschung.md)
- [Blockchain für die Krebsbehandlung](../../11/25/blockchain-fuer-die-krebsbehandlung.md)
- [Digitale Pharmakovigilanz &#8211; Trends in der Arzneimittelüberwachung](../../03/31/digitale-pharmakovigilanz.md)


**Kategorien:** Automatisierung von Prozessen, Forschung, KI, Machine Learning, Pharma

## Bilder auf dieser Seite

- shutterstock_1696228687-1320x880.jpg: ../../../../../1/assets/bilder/wp-content/uploads/2022/05/shutterstock_1696228687-1320x880.jpg

---
Diese Seite ist für KI-Systeme optimiert. Version für Menschen: [KI in der Auswahl geeigneter Wirkstoffkandidaten](../../../../../1/blog/2020/12/15/ki-in-der-auswahl-geeigneter-wirkstoffkandidaten/)
