KI-Startup überspringt Laborarbeit für Drug Discovery

Potential Sciences, ein vom britischen Staat unterstütztes Startup, geht einen ungewöhnlichen Weg in der Wirkstoffentwicklung. Statt sich stark auf langsame und teure Laborversuche zu verlassen, will es KI-Modelle mit computergenerierten biochemischen Daten trainieren. Die Wette: Synthetische Datensätze können Modellen helfen, den chemischen Raum deutlich schneller zu erkunden als physische Tests allein. Drug Discovery ist seit Langem durch Kosten und Aufwand der Laborarbeit begrenzt. Experimente dauern, brauchen spezielle Ausrüstung und lassen sich schwer skalieren. Wenn Modelle aus simulierten Daten lernen, könnten Forscher vielversprechende Verbindungen eingrenzen, bevor sie echte Tests ansetzen. Das könnte die Zahl der nötigen Experimente senken und die frühe Forschungsphase beschleunigen. Der Ansatz spiegelt auch ein breiteres Interesse daran, mit KI Engpässe in der Wissenschaft zu umgehen, wo Daten oft knapp oder teuer zu erzeugen sind. Doch es gibt einen offensichtlichen Haken. Simulierte Daten spiegeln womöglich nicht die echte Biologie wider. Ein Modell, das mit computergenerierten Beispielen trainiert wurde, könnte Muster lernen, die überzeugend aussehen, aber in lebenden Systemen versagen. Diese Sorge ist in der computergestützten Biologie altbekannt, und sie ist die zentrale Frage für Potential Sciences. Das Unternehmen muss zeigen, dass seine synthetischen Daten nützlich genug sind, um reale Experimente anzuleiten – und nicht nur elegante Vorhersagen zu produzieren. Die Unterstützung durch die britische Regierung deutet darauf hin, dass politische Entscheider Potenzial in der Idee sehen. Am Ende zählt aber die Wissenschaft, gemessen an Ergebnissen. Funktioniert der Ansatz, könnte er verändern, wie frühe Wirkstoffentwicklung organisiert ist: KI-Modelle übernehmen mehr der ersten Erkundung, Labore konzentrieren sich auf die glaubwürdigsten Kandidaten. Funktioniert er nicht, könnte er daran erinnern, dass schnellere Berechnungen die biologische Realität nicht vollständig ersetzen. Das Startup testet damit sowohl eine technische Methode als auch eine strategische Frage: Wie viel von Drug Discovery lässt sich vom Labortisch auf den Computer verlagern, bevor die reale Welt ihr Wort mitredet?