Artificial Intelligence in Drug Discovery: A PRISMA-Based Systematic Review of Methods, Challenges, Taxonomy, and Evaluation Practices

Die Entwicklung eines neuen Medikaments von der Idee eines Wissenschaftlers bis hin zum Apothekenregal ist ein monumentales Unterfangen. Es dauert in der Regel ein Jahrzehnt oder länger und kostet Milliarden von Dollar, doch die überwältigende Mehrheit der potenziellen Wirkstoffe scheitert, bevor sie jemals einen Patienten erreicht. Die meisten dieser Misserfolge treten auf, weil das Medikament nicht gut genug wirkt oder schädliche Nebenwirkungen verursacht, die erst spät im Testprozess sichtbar werden. Um diesen langsamen und teuren Weg zu beschleunigen, haben Forscher auf künstliche Intelligenz zurückgegriffen. In diesem Zusammenhang bezieht sich künstliche Intelligenz auf Computersysteme, die aus Daten lernen können, um Muster zu finden und Vorhersagen zu treffen, ohne explizit mit jeder einzelnen Regel programmiert worden zu sein. Eines der leistungsfähigsten Werkzeuge in diesem Bereich ist das maschinelle Lernen, bei dem Computer riesige Mengen an Informationen analysieren, um ihre eigene Leistung im Laufe der Zeit zu verbessern. Ein weiteres Schlüsselkonzept ist die Wirkstoffforschungspipeline (Drug Discovery Pipeline), also der schrittweise Prozess der Identifizierung eines Krankheitsziels, des Screenings von Millionen chemischer Verbindungen und der Verfeinerung der besten Kandidaten zu sicheren Medikamenten. Jahrelang beruhte dieser Prozess stark auf menschlicher Intuition und langsamen, manuellen Tests, aber die schiere Anzahl der möglichen chemischen Kombinationen ist so gewaltig, dass die menschliche Anstrengung allein sie nicht alle erschließen kann.

Eine umfassende neue Übersicht wissenschaftlicher Literatur hat genau kartiert, wie künstliche Intelligenz derzeit eingesetzt wird, um diese Herausforderungen anzugehen. Die Forscher hinter dieser Studie, angeführt von Mahmud Ahmed und Kollegen, führten kein neues Experiment im Labor durch. Stattdessen agierten sie als meisterhafte Archivare, indem sie 618 separate wissenschaftliche Arbeiten sammelten und analysierten, die zwischen 2019 und 2026 veröffentlicht wurden. Sie durchsuchten drei große Datenbanken mit Millionen von Datensätzen, filterten Duplikate und irrelevante Studien heraus und konzentrierten sich nur auf qualitativ hochwertige Forschung, die künstliche Intelligenz in der Arzneimittelentdeckung anwandte. Ihr Ziel war es, das Rauschen in einem rasant wachsenden Feld zu durchbrechen, in dem jedes Jahr Tausende neuer Arbeiten erscheinen, um zu verstehen, welche Methoden tatsächlich funktionieren, wohin sich das Feld entwickelt und welche Probleme noch ungelöst sind. Sie wollten ein klares Bild der Landschaft schaffen und die chaotische Mischung der Techniken in ein strukturiertes Rahmenwerk organisieren, das Wissenschaftler und Branchenführer nutzen können, um voranzukommen.

Die Übersicht ergab, dass das Feld in den letzten Jahren explodiert ist. Im Jahr 2019 gab es nur 11 relevante Studien, aber bis 2026 war diese Zahl auf 159 angestiegen, was einer vierzehnfachen Zunahme entspricht. Der am häufigsten vorkommende Ansatz in diesen Studien ist das maschinelle Lernen, das in fast jeder der untersuchten Arbeiten auftauchte. Innerhalb dieser breiten Kategorie wurde Deep Learning – eine Art der künstlichen Intelligenz, die dem menschlichen Gehirnnetzwerk nachempfunden ist – in etwa 78 Prozent der Studien verwendet. Während ältere Methoden wie die quantitative Struktur-Wirkungs-Beziehungsmodellierung (QSAR), die vorhersagt, wie ein Molekül basierend auf seiner Form reagieren wird, immer noch weit verbreitet sind, kommen neue Technologien schnell auf. Graph-neuronale Netze, die Moleküle wie Karten aus verbundenen Punkten behandeln, um deren Struktur zu verstehen, und Transformer-Modelle, die dieselbe Technologie sind, die hinter fortschrittlichen Sprachwerkzeugen steht, sind zu dominierenden Kräften geworden, insbesondere in Arbeiten, die in den letzten zwei Jahren veröffentlicht wurden. Diese neueren Werkzeuge sind besonders gut darin, völlig neue Moleküle von Grund auf zu entwerfen, anstatt nur bestehende zu testen.

Die Forscher organisierten diese Ergebnisse in einem klaren System, das zeigt, welche Werkzeuge der künstlichen Intelligenz am besten für die jeweilige Phase des Wirkstoffforschungsprozesses geeignet sind. Die häufigste Anwendung ist das virtuelle Screening, bei dem Computer Millionen chemischer Verbindungen schnell testen, um zu sehen, welche an ein Krankheitsziel binden könnten. Dies machte mehr als die Hälfte der Studien aus. Der zweithäufigste Bereich ist das De-novo-Design, bei dem künstliche Intelligenz neue chemische Strukturen erfindet, die es so noch nie gegeben hat. Obwohl diese Werkzeuge leistungsstark sind, stellte die Übersicht fest, dass das Feld immer noch damit kämpft, ihre Zuverlässigkeit zu beweisen. Ein großes Problem besteht darin, dass viele Studien nur eine einzige Art von Messung verwenden, um den Erfolg zu beurteilen, wobei sie sich oft auf einen einzelnen Wert konzentrieren, der irreführend sein kann, wenn die Daten unausgewogen sind. Wenn ein Datensatz beispielsweise hauptsächlich inaktive Verbindungen enthält, könnte ein Modell sehr genau erscheinen, indem es einfach davon ausgeht, dass alles inaktiv ist, obwohl es die wenigen aktiven Wirkstoffe, auf die es ankommt, nicht finden würde. Die Übersicht ergab, dass nur sehr wenige Studien die spezifischen Metriken meldeten, die nötig wären, um solche Fehler zu erfassen, was einen fairen Vergleich verschiedener Methoden erschwert.

Ein weiterer bedeutender Befund ist, dass die Computer-Modelle zwar immer anspruchsvoller werden, die reale Anwendung dieser Modelle jedoch hinterherhinkt. Die größten Herausforderungen waren nicht technische Fehler der Algorithmen selbst, sondern vielmehr die Schwierigkeit, diese digitalen Vorhersagen in tatsächliche Wet-Lab-Experimente und klinische Studien zu integrieren. Nur ein kleiner Teil der in der Übersicht enthaltenen Studien testete ihre Modelle an völlig neuen, unabhängigen Daten, um zu sehen, ob sie in einem anderen Umfeld funktionieren würden. Darüber hinaus sind viele dieser leistungsstarken Systeme der künstlichen Intelligenz „Black Boxes“, was bedeutet, dass selbst die Wissenschaftler, die sie gebaut haben, nicht vollständig erklären können, warum der Computer eine bestimmte Vorhersage getroffen hat. Dieser Mangel an Transparenz ist eine große Hürde für Regulierungsbehörden, die klare Erklärungen verlangen, bevor sie neue Medikamente zulassen. Die Übersicht hob auch hervor, dass die zur Trainierung dieser Modelle verwendeten Daten oft unvollständig oder verzerrt sind, was zu Modellen führen kann, die in einer Computersimulation gut funktionieren, aber bei der Anwendung auf reale biologische Systeme versagen.

Auch die geografische Verteilung dieser Forschung ist aufschlussreich, wobei der Großteil der Studien aus China, den USA und Indien stammt. Die Übersicht stellte fest, dass Indiens Beitrag größer ist als bisher angenommen, was auf ein wachsendes Innovationszentrum in dieser Region hindeutet. Trotz des rasanten Wachstums und des beeindruckenden Volumens an Forschung kommen die Autoren zu dem Schluss, dass sich das Feld an einem kritischen Wendepunkt befindet. Die Technologie ist so weit fortgeschritten, dass sie neuartige Wirkstoffkandidaten generieren und deren Eigenschaften mit hoher Genauigkeit vorhersagen kann, aber die Infrastruktur, um diese Kandidaten zu validieren, zu interpretieren und sicher einzusetzen, ist noch nicht bereit. Die Übersicht legt nahe, dass der nächste große Schritt nicht nur darin besteht, größere Modelle zu bauen, sondern Systeme zu schaffen, die transparent, reproduzierbar und in der Lage sind, über verschiedene Arten von Daten zu arbeiten, wie etwa die Kombination von genetischen Informationen mit chemischen Strukturen. Bis diese Lücken geschlossen sind, wird das Versprechen der künstlichen Intelligenz, die Zeit und die Kosten für die Markteinführung neuer lebensrettender Medikamente drastisch zu verkürzen, nur teilweise eingelöst bleiben.