Immer mehr Menschen kritisieren den Mangel an Fortschritten von KI-gesteuerten Unternehmen, die versprochen haben, eine große Anzahl von Medikamenten auf den Markt zu bringen. Doch was sie produziert haben, ist weder neu noch in klinischen Studien erfolgreich. Die größten Akteure in diesem Bereich haben gesehen, wie mehrere Wirkstoffkandidaten entweder abgebrochen oder von ihren Partnern fallengelassen wurden, da ihre Medikamente entweder in Studien scheitern oder anderweitig enttäuschende Daten liefern.
Zumindest eines dieser Unternehmen hat keine Wirkstoffkandidaten mithilfe von KI generiert; sie haben einfach Wirkstoffkandidaten auf herkömmliche Weise in Universitätslabors lizenziert. In einem kürzlichen Gespräch mit dem CEO von Verseon, Adityo Prakash, erfuhr ich, dass die Ursachen für das Scheitern der aktuellen Gruppe von KI-Arzneimittelforschungsunternehmen in ihren Patentanmeldungen zu erkennen sind.
Die Wurzel des Problems liegt darin, dass Deep Learning, das der fast gesamten Arzneimittelentdeckungs-KI zugrunde liegt, unter dem Paradigma des Big Data entwickelt wurde. Dieser Ansatz gedeiht, wenn es eine große Menge dichter und hochwertiger Daten gibt, aber er kämpft, wenn Datensätze klein und dünn besiedelt sind.
Einige Unternehmen setzen nun ihre Hoffnungen darauf, generative KI einzusetzen, um Verbindungen zu produzieren, die nicht die gleichen grundlegenden molekularen Strukturen wie vorhandene Medikamente aufweisen. Aber generative KI überwindet nicht ein grundlegendes Hindernis: Sie kann keine Dinge produzieren, die radikal anders sind als Beispiele im Datensatz, auf dem sie trainiert wurde.
Sie könnten aus diesem Artikel den Eindruck gewinnen, dass die Arzneimittelforschungs-KI an einem Wendepunkt angelangt ist. Das gilt jedoch nur für Unternehmen, die sich auf einen ausschließlich KI- oder KI-zuerst-Ansatz verlassen. Die Verwendung von KI allein für die grundlegende Arzneimittelforschung ist ein Missbrauch von KI und schmälert ihr wahres Potenzial.