KI-designte Medikamente kommen in klinische Studien – 2026 erfahren wir, ob sie wirklich wirken

KI-designte Medikamente befinden sich jetzt in klinischen Studien am Menschen, und die Branche steht kurz davor zu erfahren, ob eine schnellere Entdeckung zu besseren Arzneimitteln führt. Dabei handelt es sich um zwei getrennte Behauptungen, und 2026 ist das Jahr, in dem sie endlich unabhängig voneinander getestet werden.

Die erste Behauptung – dass KI die Arzneimittelforschung beschleunigt – gilt als erwiesen. Machine-Learning-Modelle identifizieren heute vielversprechende Targets, generieren Kandidatenmoleküle und sagen Bindungsverhalten in einem Bruchteil der Zeit voraus, die traditionelles Wet-Labor-Screening benötigte. Die zweite Behauptung – dass KI-entdeckte Medikamente besser wirken, sobald sie Patienten erreichen – ist keineswegs belegt. Sie wurde noch nie im großen Maßstab getestet, weil bis zu diesem Jahr nur wenige KI-designte Kandidaten weit genug in der klinischen Entwicklung vorangeschritten waren, um echte Wirksamkeits- und Sicherheitsdaten zu liefern. Im Jahr 2026 erreicht eine Welle von ihnen gleichzeitig Phase-2- und Phase-3-Studien, was bedeutet, dass die Branche ihre erste echte Antwort erhält.

Was sich bei den zugrundeliegenden Modellen tatsächlich geändert hat

Der technische Wandel hinter dieser Welle begann mit AlphaFold 3, das Google DeepMind 2024 veröffentlichte. Frühere Versionen von AlphaFold sagten die gefaltete Struktur eines einzelnen Proteins anhand seiner Aminosäuresequenz voraus – nützlich, aber beschränkt auf ein einzelnes Molekül in Isolation. AlphaFold 3 erweiterte die Vorhersage auf Interaktionen von Proteinen mit anderen Proteinen, mit DNA und RNA sowie mit kleinen Molekül-Liganden – dem eigentlichen physikalischen Ereignis, das ein Medikament auslösen muss, um zu wirken. Das ist wichtig, weil die meisten Krankheiten nicht durch ein einzelnes fehlgefaltetes Protein verursacht werden, sondern dadurch, dass ein Molekül ein anderes bindet, blockiert oder aktiviert.

Strukturvorhersage allein entwirft jedoch kein Medikament – sie beschreibt, was bereits existiert. Der nächste Schritt ist das generative Design: die Konstruktion eines völlig neuen Moleküls, das ein bestimmtes Target binden soll. NVIDIA stellte auf der GTC 2026 Proteina-Complexa als Teil seiner BioNeMo-Plattform vor – ein generatives Modell, das speziell dafür entwickelt wurde, neuartige Proteinbinder zu designen, anstatt die Form bekannter vorherzusagen. Novo Nordisk, Viva Biotech und Manifold Bio nutzen es, um Kandidatenbinder für therapeutische Targets zu generieren und dann Tausende von rechnerisch generierten Optionen auf eine Handvoll einzugrenzen, die synthetisiert und getestet werden.

Eine weitere Einschränkung wird ebenfalls angegangen: Die meisten Strukturvorhersagen liefern eine statische Momentaufnahme, aber Proteine sind nicht statisch – sie biegen sich, verschieben sich und ändern ihre Form, wenn ein Medikament sich nähert und bindet. Eine Plattform namens YuelDesign modelliert zusammen mit den zugehörigen Tools YuelPocket und YuelBond diesen dynamischen Bindungsprozess anstelle einer einzigen eingefrorenen Konformation, mit dem Ziel, genauere Vorhersagen darüber zu treffen, wie sich ein Kandidatenmolekül tatsächlich in einer Zelle verhalten wird. Statische Strukturvorhersage kann Bindungsfehler übersehen, die erst auftreten, wenn sich das Zielprotein bewegt.

Was vom Computerbildschirm in die klinische Studie wandert

Im Q1 2026 berichteten begutachtete Fachartikel über experimentelle Validierung von KI-designten Molekülen und biologischen Werkzeugen im präklinischen Umfeld – das heißt, die Designs hielten Labortests stand, nicht nur Simulationen. Dieser Validierungsschritt ist der Grund, warum eine Reihe von Kandidaten jetzt in die Bewertung am Menschen vorrückt. Die Modalitäten, die in Studien gehen, sind Peptidtherapeutika, Antikörper und mRNA-basierte Kandidaten – drei sehr unterschiedliche Arzneimittelklassen mit unterschiedlichen Herstellungspipelines, unterschiedlichen Fehlermodi und unterschiedlichen regulatorischen Histörungen, was an sich schon nützlich ist: Wenn KI-designte Medikamente in einer Modalität erfolgreich sind, in einer anderen jedoch nicht, sagt das Forschern etwas darüber, wo die Stärken der Technologie tatsächlich liegen.

Die Akzeptanzzahlen, die jeder zitiert – und was sie nicht messen

Branchenumfragen berichten, dass etwa die Hälfte der Biotech-Unternehmen, die KI in der Arzneimittelentwicklung einsetzen, eine schnellere Time-to-Target sehen, und 42 % melden eine verbesserte Genauigkeit oder Trefferquote ihrer Computermodelle. Diese Zahlen werden ständig als Beleg dafür zitiert, dass KI-gestützte Wirkstoffforschung funktioniert. Sie sind real, messen aber etwas Engeres als „funktioniert". Time-to-Target und Trefferquoten beschreiben, wie effizient ein Unternehmen von einer Forschungsfrage zu einem testwürdigen Kandidatenmolekül gelangt. Sie sagen nichts darüber aus, ob dieses Molekül sicher ist, ob es eine Phase-2-Studie besteht oder ob es ein konventionell entdecktes Medikament übertrifft, sobald es sich im menschlichen Körper befindet. Ein Unternehmen kann seine Entdeckungszeit halbieren und trotzdem zusehen, wie das resultierende Molekül in der Klinik scheitert – dieses Ergebnis wäre vollkommen vereinbar mit den 50 %/42 %-Werten, denn diese Werte haben nie den klinischen Erfolg gemessen.

Warum Geschwindigkeit keinen Erfolg garantiert

Die grundlegende Fehlerrate der Biotech-Branche ist der Grund, warum diese Unterscheidung wichtig ist. Wirkstoffkandidaten, die in klinische Studien kommen, scheitern in der Mehrzahl der Fälle – unabhängig davon, wie sie entdeckt wurden. Besonders Phase 2 war historisch gesehen der Ort, an dem vielversprechende Moleküle sterben, oft weil die Wirksamkeit beim Menschen nicht mit den präklinischen Modellen übereinstimmt. Die KI-gesteuerte Entdeckung hat diese Dynamik noch nicht geändert, denn bis 2026 gab es nicht genügend KI-designte klinische Kandidaten, um zu wissen, ob sie es tun würde. Ein Modell, das sehr gut vorhersagen kann, ob ein Molekül an sein Target bindet, sagt nichts darüber aus, ob die Bindung dieses Targets die Krankheit tatsächlich behandelt, ob das Molekül in einer wirksamen Dosis toxisch ist oder ob es sich in einer genetisch vielfältigen Patientengruppe vorhersagbar verhält. Das sind die Fragen, die Phase-2- und Phase-3-Studien beantworten sollen, und keine noch so ausgefeilte vorgeschaltete Rechenleistung ersetzt diese Daten.

Worauf man 2026 achten sollte

Für Investoren, Biotech-Profis und alle, die diesen Bereich verfolgen, ist das nützliche Signal nicht eine weitere Entdeckungsgeschwindigkeits-Ankündigung, sondern Studiendaten. Konkret: Achten Sie darauf, ob Phase-2- und Phase-3-Readouts für KI-designte Kandidaten Fehlerraten zeigen, die sich signifikant von historischen Branchenbaselines unterscheiden – in beide Richtungen. Achten Sie darauf, welche Modalität zuerst Ergebnisse meldet – Peptide durchlaufen Studien typischerweise schneller als Antikörper oder mRNA-Kandidaten, sodass frühe Peptide-Readouts eintreffen könnten, bevor das Bild für die anderen beiden vollständig ist. Achten Sie darauf, ob Unternehmen, die dynamische Bindungsmodelle wie YuelDesign verwenden, andere klinische Ergebnisse berichten als diejenigen, die hauptsächlich auf statische Strukturvorhersage setzen, da dies ein früher Hinweis darauf wäre, dass der dynamische Ansatz klinisch besser übertragbare Kandidaten hervorbringt. Und achten Sie darauf, wie Novo Nordisk, Viva Biotech und Manifold Bio über ihre BioNeMo-abgeleiteten Kandidaten sprechen, sobald Studiendaten vorliegen – die Bereitschaft eines Unternehmens, negative Ergebnisse zu veröffentlichen, nicht nur positive, ist ein vernünftiger Indikator dafür, ob die zugrundeliegenden Behauptungen einer genauen Prüfung standhalten.