Medical Strategy News vom 27.10.2026
In der Biotechnologie entscheidet sich, ob Künstliche Intelligenz auch einen besonders langwierigen und kapitalintensiven Forschungsprozess produktiver machen kann. Für Anleger bleibt entscheidend, welche Unternehmen wissenschaftliche Fortschritte in klinisch relevante Therapien übersetzen können.
Die Entwicklung eines neuen Medikaments beginnt lange vor der ersten klinischen Studie. Forscher müssen zunächst verstehen, welche biologischen Prozesse eine Krankheit auslösen und an welcher Stelle ein Wirkstoff eingreifen könnte. Anschließend entstehen oft Tausende mögliche Moleküle, von denen nur wenige die präklinischen Untersuchungen erreichen. Auch nach Beginn der Studien am Menschen bleibt die Ausfallquote hoch. Viele Kandidaten scheitern, weil sie nicht ausreichend wirken, unerwartete Nebenwirkungen verursachen oder sich im Körper anders verhalten als erwartet.
Künstliche Intelligenz setzt an mehreren dieser Engstellen an. Lernende Systeme können große Mengen biologischer und medizinischer Daten auswerten und dabei Zusammenhänge erkennen, die sich mit herkömmlichen Verfahren nur schwer untersuchen lassen. Generative Modelle entwerfen Moleküle mit bestimmten Eigenschaften und berechnen, wie wahrscheinlich sie an eine Zielstruktur binden. Andere Anwendungen helfen Forschern dabei, geeignete Patienten für klinische Studien zu identifizieren oder mögliche Sicherheitsprobleme früher zu erkennen. KI kann solche Suchen gezielter gestalten. Wenn Forscher ungeeignete Zielstrukturen oder Moleküle früher aussortieren, verwenden Unternehmen ihr Kapital auf aussichtsreichere Programme. Dies kann den Unterschied in einem Sektor machen, in dem wenige erfolgreiche Medikamente die Kosten zahlreicher gescheiterter Projekte finanzieren.
Proteinstrukturen werden berechenbar
Wie weit KI die biologische Forschung bereits verändert hat, lässt sich an AlphaFold erkennen. Proteine erfüllen zentrale Aufgaben im menschlichen Körper. Ihre Funktion hängt wesentlich davon ab, welche dreidimensionale Form sie annehmen. Diese Struktur experimentell zu bestimmen, konnte Jahre dauern. Das von Google DeepMind entwickelte System AlphaFold2 berechnet Proteinstrukturen aus der Abfolge ihrer Aminosäuren. Demis Hassabis und John Jumper erhielten dafür 2024 einen Teil des Nobelpreises für Chemie.
Die frei zugängliche AlphaFold-Datenbank enthält inzwischen Vorhersagen für mehr als 200 Millionen Proteine. Forscher können dadurch schneller untersuchen, wie Krankheiten entstehen und an welchen Strukturen sich neue Wirkstoffe ansetzen lassen. AlphaFold entwickelt selbst noch kein zugelassenes Medikament. Der wissenschaftliche Nutzen liegt darin, dass ein grundlegendes Problem der Biologie rechnerisch sehr viel besser zugänglich geworden ist. Je genauer Forscher die räumliche Form eines Proteins verstehen, desto gezielter können sie nach Molekülen suchen, die seine Funktion beeinflussen.
„AlphaFold verdeutlicht, wie KI die Voraussetzungen der Arzneimittelforschung verändert. Biologische Fragen, die früher jahrelange experimentelle Arbeit erforderten, lassen sich heute teilweise in sehr viel kürzerer Zeit untersuchen. Für Investoren ist entscheidend, welche Unternehmen aus solchen Werkzeugen belastbare Entwicklungsprogramme ableiten“, sagt Thomas Vorlicky, Geschäftsführer der auf Biotechnologie spezialisierten Investmentboutique Medical Strategy. Das Unternehmen investiert seit über 25 Jahren mit wissenschaftlicher Expertise in medizinische Innovationen mit hohem therapeutischem Bedarf und wirtschaftlichem Potenzial.
Frühere Entscheidungen können Kapital sparen
Die Arzneimittelentwicklung wird durch KI wahrscheinlich nicht in allen Phasen gleichermaßen schneller. Tierversuche, klinische Studien und regulatorische Prüfungen benötigen weiterhin Zeit. Patienten müssen lange genug beobachtet werden, damit Forscher die Wirkung und mögliche Risiken beurteilen können. Besonders groß erscheint der Nutzen daher in den frühen Forschungsphasen. Ein Modell kann beispielsweise vorhersagen, welche Moleküle mit größerer Wahrscheinlichkeit die gewünschten Eigenschaften besitzen. Dadurch sinkt die Zahl der Substanzen, die ein Unternehmen synthetisieren und im Labor testen muss; somit lassen sich aussichtslose Projekte beenden, bevor sie hohe Entwicklungskosten verursachen.
Auch klinische Studien können von datenbasierten Verfahren profitieren. Bei vielen Erkrankungen reagieren Patienten unterschiedlich auf denselben Wirkstoff. KI kann helfen, biologische Merkmale zu erkennen, die mit einer höheren Wahrscheinlichkeit für ein Ansprechen verbunden sind. „Die größte wirtschaftliche Wirkung muss nicht daraus entstehen, dass jede Entwicklung wesentlich schneller abgeschlossen wird. Schon bessere Entscheidungen zu Beginn können viel Kapital freisetzen. Wer ungeeignete Kandidaten früher beendet und die richtigen Patienten präziser auswählt, verbessert die Produktivität seiner Forschung“, erklärt Thomas Vorlicky.
Regulierung bleibt Teil der Entwicklung
Je stärker Unternehmen KI in der Arzneimittelentwicklung einsetzen, desto genauer prüfen die Behörden die zugrunde liegenden Modelle. Die US-Arzneimittelbehörde FDA veröffentlichte Anfang 2025 einen Rahmenentwurf für KI-Modelle, deren Ergebnisse regulatorische Entscheidungen unterstützen sollen. Die europäische Arzneimittelagentur EMA befasst sich ebenfalls mit dem Einsatz Künstlicher Intelligenz während des gesamten Lebenszyklus eines Medikaments. Im Mittelpunkt steht die Frage, ob ein Modell für seinen konkreten Zweck verlässliche Ergebnisse liefert. Unternehmen müssen erklären können, mit welchen Daten es trainiert wurde, wie sie mögliche Verzerrungen kontrollieren und welche Grenzen die Berechnungen besitzen.
Diese Anforderungen begünstigen Unternehmen, die KI eng mit biologischer Forschung und klinischer Entwicklung verbinden. Ein zugekauftes Modell oder eine Kooperation mit einem Technologieanbieter schafft allein noch keinen dauerhaften Vorteil. Entscheidend ist, ob ein Unternehmen über eigene Daten verfügt, seine Modelle fortlaufend verbessert und die gewonnenen Erkenntnisse in der praktischen Entwicklung nutzen kann.
Wissenschaftliche Selektion bleibt entscheidend
Für Anleger erweitert KI das Spektrum möglicher Biotechnologieinvestments. Neben klassischen Medikamentenentwicklern entstehen Unternehmen, die Forschungsplattformen bereitstellen oder gemeinsam mit Pharmakonzernen Wirkstoffe entwickeln. Große Pharmaunternehmen bauen zugleich eigene KI-Kompetenzen auf und schließen Partnerschaften mit spezialisierten Anbietern. Die Grenzen zwischen Software, Datenanalyse und Arzneimittelforschung werden dadurch durchlässiger. Das macht die Bewertung einzelner Unternehmen anspruchsvoller. Ein umfangreicher Datensatz besitzt nur dann einen wirtschaftlichen Wert, wenn er relevante biologische Informationen enthält. Auch eine hohe Zahl rechnerisch entworfener Moleküle sagt wenig darüber aus, ob daraus ein wirksames und sicheres Medikament hervorgeht.
Medical Strategy untersucht deshalb, wie eng ein Unternehmen seine technologischen Verfahren mit medizinischer Forschung verbindet. Die Fonds werden maßgeblich von Molekularbiologen und Medizinern gemanagt und durch einen wissenschaftlichen Beirat begleitet. Bei der Analyse kommt es darauf an, ob die biologische Hypothese überzeugt und die bisherigen Daten eine weitere Entwicklung rechtfertigen. Ebenso wichtig ist die Frage, ob das Unternehmen seine Studien finanzieren kann und bei einem Erfolg einen klar definierten Markt erreicht. „KI ersetzt keine wissenschaftliche Prüfung. Sie erhöht vielmehr die Zahl und die Geschwindigkeit der Hypothesen, die untersucht werden können. Dadurch wächst der Bedarf an Fachleuten, die beurteilen, welche Ergebnisse biologisch plausibel sind und welche Programme klinisch Aussicht auf Erfolg haben“, sagt Thomas Vorlicky.
Biotechnologie als Anwendungsfeld der KI
Die erste Phase des KI-Booms beruhte vor allem auf dem Aufbau technischer Infrastruktur. In der Biotechnologie geht es nun um die Anwendung dieser Rechenleistung auf konkrete medizinische Probleme. Der gesellschaftliche Bedarf ist erheblich. Viele Krebsarten, seltene genetische Erkrankungen und neurodegenerative Leiden lassen sich weiterhin nur unzureichend behandeln. Langfristig kann KI auch die frühere Erkennung von Krankheiten verbessern, bevor ausgeprägte Symptome entstehen.
Dadurch könnten Therapien zu einem Zeitpunkt beginnen, an dem sich Krankheitsverläufe möglicherweise noch stärker beeinflussen lassen. Auch die Prävention und die Erforschung eines längeren Lebens bei guter Gesundheit erhalten dadurch neue wissenschaftliche Grundlagen. KI kann Forschung somit produktiver machen, und ihr wirtschaftliches Potenzial zeigt sich dort, wo belastbare Daten zu besseren Entscheidungen führen und daraus Therapien entstehen, die Patienten einen nachweisbaren Nutzen bieten.
