AI-Design-Wettbewerb für Antikörper: Übertrifft traditionelle Experimente – aber noch lange nicht die Grenzen der Technologie

Enthüllungen über die „Hauptprüfung“ im Bereich des AI-basierten Antikörper-Designs: Was ist wirklich dran, wenn der Glanz verblasst?

Hallo zusammen, ich bin euer Finanzjournalist und Wirtschaftswissenschaftler. Heute sprechen wir nicht über die Kursbewegungen an der Börse, sondern über das aktuell heißeste und am leichtesten übertriebene Thema in der Biomedizin: Kann AI wirklich Antikörpermedikamente entwickeln, die Krankheiten heilen?

In den letzten zwei Jahren hörte man bei jedem Thema rund um die Pharmazie mit AI nur von „Revolutionen“ und „schnellem Ruhm“. Insbesondere mit dem Aufkommen von AlphaFold, einem Tool zur Vorhersage von Proteinstrukturen, geriet die ganze Branche in Aufruhr. Viele Unternehmen behaupteten, dass AI mit einer Antigeninformation (z. B. einem Virus) in der Lage sei, hochaffine Antikörper direkt am Computer zu entwickeln – ohne die zeitaufwendigen und mühsamen Selektionsprozesse in herkömmlichen Laboren.

Kürzlich veröffentlichte jedoch die Fachzeitschrift *Nature Biotechnology* einen bedeutenden Artikel, der eine „echte“ Simulation dieser Prozesse durchführte: den sogenannten „AIntibody Challenge“. Bei dieser Prüfung gab es weder Filter noch Betrug; 29 führende Institutionen stellten insgesamt 511 von AI entwickelte Antikörpersequenzen her und führten damit echte Experimente durch.

Wie lief es aus? Kurz gesagt: AI ist tatsächlich in manchen Bereichen sehr hilfreich, aber noch lange nicht allmächtig – und die Unterschiede zwischen den verschiedenen AI-Modellen sind größer, als man denkt.

Im Folgenden analysiere ich die Ergebnisse dieser „Hauptprüfung“ in fünf Punkten und zeige Ihnen den tatsächlichen Stand des AI-basierten Antikörper-Designs auf verständliche Weise.

---

1. Wie wurde die Prüfung abgehalten? – Es war keine „Offenen-Book-Prüfung“, sondern eine „Blindprüfung“

Zunächst müssen wir verstehen, warum diese Prüfung so wichtig ist. Viele frühere AI-Forschungsarbeiten zeigten gute Ergebnisse, weil sie auf „rückblickenden Daten“ basierten. Das ist wie wenn ein Lehrer Ihnen die Antworten gibt und Sie die Fragen erraten sollen – natürlich treffen Sie dann oft ins Schwarze. Doch die Entwicklung von Medikamenten ist „vorwärtsgerichtet“: Man hat nur die Ausgangsdaten (Sequenzdaten) und muss die Ergebnisse selbst vorhersagen.

Der „AIntibody Challenge“ folgte dem Vorbild des berühmten Proteinstrukturvorhersage-Wettbewerbs (CASP) und verwendete eine blinde, vorwärtsgerichtete Designmethode:

• Prüfungsziel: Das am besten erforschte SARS-CoV-2-Rezeptorbindungsdomän (RBD) wurde als Ziel ausgewählt.
• Drei Aufgaben:

1. Feinabstimmung der Affinität: Man bekam eine Reihe von vorhandenen Antikörperdaten und sollte diese so anpassen, dass die Bindung stärker wird – das entspricht der späteren Optimierungsphase in der Industrie.

2. Auswahl des besten Kandidaten: Aus Tausenden von Sequenzen sollte der beste Kandidat für die Medikamententwicklung ausgewählt werden.

3 Vollständiges Neudesign: Man sollte eine völlig neue Antikörpersequenz entwickeln, ohne auf vorhandene Daten zurückzugreifen – das ist die schwierigste Aufgabe.

• Bewertungskriterien: Es wurde nicht nur die Affinität bewertet, sondern auch die Machbarkeit als Medikament berücksichtigt. Zum Beispiel: Wird sich der Antikörper selbst aggregieren? Ist er instabil (thermische Stabilität)? Greift er andere Moleküle an? Wenn eine dieser Kriterien nicht erfüllt ist, wird der Antikörper auch dann aussortiert, wenn die Bindung stark ist.

Kernlogik: Diese Prüfung verhinderte „Nachträgliche Analysen“; alle von AI erstellten Sequenzen wurden von den Organisatoren gemeinsam synthetisiert und in Experimenten getestet. Das ist der „goldene Standard“, um die wahren Fähigkeiten von AI zu beurteilen.

---

2. Höhepunkte: In der „Feinabstimmungsphase“ kann AI tatsächlich Zeit und Geld sparen

In der ersten Aufgabe zeigte AI besonders gute Leistungen:

• Ergebnis: Das von der Firma Aureka entwickelte Modell verbesserte die Affinität um etwa das 2000-fache auf 95 pM (ein sehr starker Wert). Dieser Wert liegt fast auf dem Niveau des besten Ergebnisses aus herkömmlichen Experimenten (113 pM); statistisch gesehen gab es keinen Unterschied.
• Überraschende Entdeckung: Auch ein Team, das keine komplexe Deep-Learning-Methode verwendetete, sondern nur einfache Statistikmethoden (ProBioGen), erreichte den dritten Platz. Das zeigt, dass einfache statistische Verfahren bei ausreichend echten Daten sehr effektiv sein können.
• Industrielle Bedeutung: In dieser Phase kann AI tatsächlich helfen, da herkömmliche Experimente 2–3 Wochen dauern können. Wenn AI bereits einige vielversprechende Kandidaten vorab aussortieren kann, kann dies die Entwicklungszeit erheblich verkürzen und die Kosten für Fehlversuche senken.

Einfache Erklärung: Wenn AI dazu verwendet wird, ein bereits gut entwickeltes Produkt zu verbessern, funktioniert es sehr gut – es ist wie wenn man AI bittet, einen bereits geschriebenen Text zu überarbeiten; es findet Fehler und optimiert die Formulierung.

---

3. Peinliche Momente: In der „Auswahlphase“ ist AI nicht besser als zufälliges Auswählen

Dieser Teil des Artikels ist besonders schockierend und für die Branche peinlich:

• Ergebnis: In der zweiten Aufgabe schnitten die AI-Modelle sehr schlecht ab. Wenn man nicht auf AI zurückgriff, sondern einfach zufällig eine Sequenz aus Tausenden auswählte, hatte man eine 39-prozentige Chance, einen besseren Antikörper zu finden als der Kontrollgruppe.
• Fehlschläge der AI: Die meisten AI-Modelle performten schlechter als diese zufällige Methode. Das bedeutet, dass die von AI entwickelten „Ausgewählten“ oft genauso schlecht waren wie eine zufällige Auswahl.
• Einziges Highlight: Nur das Team der Washington University (WashU) übertraf die zufällige Basislinie.
• Geringe Generalisierungsfähigkeit: Derselbe AI-Algorithmus war in einer Gruppe der Sieger, in einer anderen Gruppe jedoch der Letzte. Das zeigt, dass AI die Regeln der Antikörperbildung nicht wirklich versteht, sondern nur die Merkmale bestimmter Daten memorisiert hat.

Einfache Erklärung: Es ist, als würde man AI beauftragen, Prüfungen zu korrigieren. Wenn die Fragen aus seiner Erfahrung stammen (Feinabstimmung), ist es sehr gut; aber wenn es um komplexe, neue Aufgaben geht (Auswahl aus vielen Optionen), ist es nicht so gut wie ein zufälliger Mensch.

---

4. Fallstricke: In der „Innovationsphase“ erzeugt AI „schöne, aber tödliche“ Moleküle

In der dritten Aufgabe zeigte AI zwar Fantasie, aber auch Schwächen:

• Stärkster Kandidat: Das von Xencor entwickelte Modell erzeugte einen Antikörper mit hoher Bindungskraft (2,9 pM), der in den Experimenten am stärksten war.
• Tödlicher Fehler: Dieser Antikörper konnte jedoch nicht von einer hydrophoben Chromatographie-Säule abgetrennt werden – ein schwerwiegendes Problem in der Medikamentenentwicklung.
• Bewertungsfehler: Aufgrund der Gewichtungskriterien der Challenge konnten andere Mängel die schlechten Ergebnisse ausgleichen; in der realen Medikamentenentwicklung würde dieser Antikörper jedoch sofort aussortiert werden.
• Begrenzte Innovationsfähigkeit: Viele der sogenannten „neuen Designs“ basierten nur auf geringfügigen Veränderungen bestehender Sequenzen; echte Innovationen waren selten.

Einfache Erklärung: AI ist wie ein talentierter Künstler, der jedoch keine technischen Erfahrungen hat. Er kann sehr beeindruckende „Gemälde“ malen, aber die verwendeten Materialien sind oft problematisch (z. B. giftig oder schlecht geeignet für die Medikamentenentwicklung). In Kunstausstellungen kann das gelingen, aber zu Hause könnte es Schäden verursachen. Das zeigt, dass hohe Affinität nicht unbedingt bedeutet, dass ein Medikament gut wirkt – AI versteht noch nicht die biophysikalischen Risiken.

---

5. Implikationen für die Branche: Vertrauen Sie nicht in „allmächtige Modelle“ – AI ist ein Helfer, kein Ersatz

Diese Prüfung war eine Warnung für die gesamte Biomedizinbranche und liefert praktische Ratschläge:

• Kein „Allrounder-Modell“: Für die Feinabstimmung eignet sich die Kombination aus Strukturwahrnehmungsmodellen und Sprachmodellen am besten; für die Auswahl können auch herkömmliche Machine-Learning-Methoden oder zufällige Auswahlverfahren funktionieren; für die Innovationen sind Protein-Sprachmodelle vorteilhaft, aber sie müssen sorgfältig überprüft werden.
• Echte Experimente sind unerlässlich: Rechnerische Bewertungen ersetzen keine echten Tests. Hohe Affinitätswerte, die von AI bereitgestellt werden, gehen oft mit Problemen wie Aggregation oder Multispezifität einher.
• Zukünftige Verbesserungen: Es sollten keine vorgegebenen Affinitätswerte mehr verwendet werden; die Entwicklungsprozesse sollten früher simuliert werden; es sollten Kriterien eingeführt werden, die die Machbarkeit als Medikament ausschließen; außerdem sollten mehr Antigenziele untersucht werden, um die Fähigkeiten von AI auf verschiedene Arten und Ziele zu überprüfen.

Fazit:

Das AI-basierte Antikörper-Design ist keine bereits vollständig umgesetzte Revolution – es steht an einem Wendepunkt. In bestimmten Bereichen kann AI die Medikamentenentwicklung deutlich beschleunigen und Kosten sparen. Doch vom idealen Szenario „Eingabe von Antigen – direkte Erzeugung klinischer Antikörper“ ist noch ein großer biologischer Unterschied zu überwinden.

Für Investoren und Fachleute ist es wichtig, die Überbewertungen zu vermeiden und den tatsächlichen Wert von AI in bestimmten Prozessen zu erkennen. Die Gewinner der Zukunft werden Teams sein, die wissen, wie sie AI mit herkömmlichen Experimenten perfekt kombinieren – nicht diejenigen, die Algorithmen blind verehren.