Claude geht über das Chatfenster hinaus und hält Einzug in die Arzneimittelforschung: Er hilft Forschenden bei der Suche nach einer möglichen Behandlung von Lebensmittelallergien.
Innerhalb von etwa einem Monat entwickelte die KI rund 35.000 Antikörperdesigns, und erste Labortests identifizierten mehrere vielversprechende Kandidaten.
Anthropic veröffentlichte die Ergebnisse am 27. Okt. aus seiner Zusammenarbeit mit Divergence Labs, einem von sechs Partnern aus der Arzneimittelentwicklung, die Claude in echten Forschungsprogrammen testen. Andere Projekte meldeten Fortschritte bei der Entwicklung von Krebszellen, der Antikörperprüfung und pharmazeutischen Verwaltungsaufgaben.
Für Arzneimittelhersteller stellt sich die Frage, ob schnellere Forschungsaufgaben den kostspieligen Weg von einem vielversprechenden Design zu einem wirksamen Medikament verkürzen können.
Claudes Allergieprojekt zielt auf Antikörper ab, die an Immunzellen gebunden sind
Immunglobulin E (IgE) trägt zur Auslösung allergischer Reaktionen bei. Ein Teil zirkuliert im Blut, während ein anderer Teil an Immunzellen gebunden ist. Divergence will das gebundene IgE entfernen, statt lediglich das im Blut zirkulierende zu neutralisieren.
Eine Behandlung müsste aus zwei Teilen bestehen: einem, der IgE bindet, und einem weiteren, der es von den Immunzellen abzieht. Anthropic zufolge ergaben erste Tests drei Designs, die IgE banden, und 20, die es ablösten. Drei dieser 20 schienen mehr IgE zu entfernen als ein Standardmedikament.
Wie bereits bei früheren von Claude entwickelten Proteinbindern handelt es sich um frühe Laborkandidaten, nicht um fertige Medikamente. Divergence muss beide Funktionen noch kombinieren und testen, ob sie zusammenwirken.
Was eWEEK herausgefunden hat: Claude zeigt auch außerhalb der Allergieforschung vielversprechende Ansätze
Claudes gemeldete Beiträge gingen über die Entwicklung von Kandidaten hinaus. Ein Partner nutzte ihn, um krebsbekämpfende Immunzellen zu modifizieren, ein anderer, um experimentelle Antikörperfragmente zu verbessern, und ein dritter, um Herstellungsunterlagen zu prüfen. Anthropic fasste die Ergebnisse in seinem Bericht vom 27. Okt. zusammen:
Partner | Gemeldetes Ergebnis | Was es zeigt |
| Generate Biomedicines | Genetische Anweisungen um 70 % kürzer; Immunzellen produzierten etwa zehnmal mehr Krebs erkennende Rezeptoren | Vielversprechende Laborergebnisse, keine Ergebnisse aus Patientenstudien |
| BigHat Biosciences | Etwa 1.010 Varianten getestet; die besten banden sich mehr als zehnmal fester an die Zielstrukturen | Verbesserte experimentelle Moleküle |
| Enveda | 1.061 Seiten geprüft; 11 bekannte Probleme gefunden, sieben weitere markiert; Prüfzeit um 89 % gesunken | Eine messbare Zeitersparnis bei Verwaltungsaufgaben |
Die Messgrößen unterscheiden sich. Laut Interesting Engineering meldeten Generate und BigHat Verbesserungen bei Labortests; Enveda erfasste die beim Prüfen von Dokumenten eingesparte Zeit. Keines der Ergebnisse belegt, dass eine neue Behandlung bei Patienten wirkt.
Das Allergieexperiment lässt eine zentrale Frage unbeantwortet. Anthropic legte nicht offen, wie viele der 35.000 computergenerierten Designs physisch getestet wurden, sodass sich keine Erfolgsquote berechnen lässt. Auch das zum Vergleich eingesetzte Medikament wurde nicht genannt.
Enveda meldete die deutlichste messbare Zeitersparnis. Die meisten anderen Projekte befinden sich noch in der präklinischen Phase, und ihre Laborfortschritte belegen weder bessere Behandlungen noch niedrigere Gesamtkosten der Entwicklung.
Die Ergebnisse zeigen, warum sich die Auswirkungen von KI auf die Arzneimittelentwicklung nicht anhand eines einzigen Maßstabs messen lassen. Generate Biomedicines und BigHat meldeten Laborverbesserungen, die noch validiert werden müssen, während Enveda messbare Zeitersparnisse bei der Dokumentenprüfung nachwies. Keines der Ergebnisse belegt niedrigere Gesamtkosten der Arzneimittelentwicklung.
Auch der erforderliche Validierungsaufwand unterscheidet sich zwischen den Projekten. KI-generierte Antikörper müssen im Labor getestet werden, um ihre Wirksamkeit zu bestätigen, während sich Dokumentenprüfungswerkzeuge anhand vorhandener Unterlagen auf Fehler und Auslassungen prüfen lassen. Beide Bereiche erfordern fachkundige Aufsicht, doch ihre Wege zu einem praktischen Nutzen unterscheiden sich.
Arzneimittelhersteller sollten Fortschritte über die Designphase hinaus messen
Claudes Ergebnisse geben Biotechnologieunternehmen Anlass, die KI-gestützte Arzneimittelforschung zu erkunden. Die Entwicklung von Tausenden Designs ist jedoch nur ein Teil der Entwicklung eines Medikaments. Forschende müssen vielversprechende Moleküle weiterhin herstellen, ihre Eigenschaften testen und feststellen, ob sich die Ergebnisse wiederholen lassen.
Divergence Labs veranschaulicht die Herausforderung. Obwohl Claude vielversprechende Designs zum Binden und Entfernen von IgE identifiziert hat, hat das Unternehmen beide Funktionen noch nicht in einer einzigen Behandlung kombiniert. Für Arzneimittelhersteller werden die nächsten Experimente zeigen, ob dieser Ansatz gegenüber bestehenden Methoden einen praktischen Vorteil bietet.
Bevor sie weiter in KI-gestützte Forschung investieren, sollten Biotechnologieteams drei Bereiche bewerten:
- Erfolgsquoten bei Experimenten: Erfassen Sie, wie viele KI-generierte Designs im Labor getestet werden, wie viele die beabsichtigten Wirkungen zeigen und ob sich diese Ergebnisse reproduzieren lassen. Ein Vergleich dieser Zahlen mit herkömmlichen Forschungsmethoden kann dabei helfen festzustellen, ob KI die Wahrscheinlichkeit erhöht, nützliche Kandidaten zu finden.
- Gesamtkosten der Forschung: Ein schnelleres Design bedeutet nicht zwangsläufig eine günstigere Arzneimittelentwicklung. Unternehmen sollten Kosten für Rechenleistung, Labormaterialien, erfolglose Experimente, die Prüfung durch Fachleute und zusätzliche Tests berücksichtigen. Die Kosten pro validiertem Kandidaten sind ein aussagekräftigerer Maßstab für den finanziellen Nutzen von KI.
- Klinische Einsatzreife: Eine stärkere Antikörperbindung oder eine erhöhte Produktion von Rezeptoren, die auf Krebszellen abzielen, kann die weitere Forschung unterstützen, garantiert aber keine erfolgreiche Behandlung. Forschende müssen weiterhin Sicherheit und Wirksamkeit prüfen und klären, ob vielversprechende Laborergebnisse zu einem Nutzen für Patienten führen.
Fortschritte in anderen Bereichen der KI-gestützten Medizin liefern einen hilfreichen Kontext. Frühere KI-entwickelte Impfstoffforschung und ein KI-gestützter Arzneimittelkandidat wurden am Menschen getestet, während sich Divergences Allergieprojekt noch in einer früheren Phase befindet.
Für Führungskräfte in der Pharmabranche, die über eine Ausweitung von KI-Forschungsprogrammen entscheiden, sollten messbare Effizienzsteigerungen in der Forschung Priorität haben – einschließlich des Zeit- und Geldaufwands für die Entwicklung von Kandidaten, die Labortests bestehen.
Ein erfolgreiches Pilotprojekt sollte einen Nutzen belegen, der über die Zahl der entwickelten Designs hinausgeht.
Für Menschen mit Lebensmittelallergien wird der nächste bedeutsame Meilenstein eine Behandlung sein, die beim Menschen sicher und wirksam funktioniert. Claude kann Forschenden helfen, mehr Möglichkeiten zu erkunden, doch der entscheidende Test ist, ob diese Möglichkeiten letztlich zu besseren Medikamenten führen.
Möchten Sie Ihre KI-Kenntnisse ausbauen? Probieren Sie unseren kostenlosen sechsminütigen Kurs „So sprechen Sie mit KI“ aus, um einige einfache Möglichkeiten kennenzulernen, bessere Prompts zu schreiben und nützlichere Ergebnisse von KI zu erhalten. eWeek-Leser erhalten außerdem sieben Tage kostenlosen Zugang zu den anderen KI-Kursen der Neuron Academy. Hier finden Sie alle Lektionen →