Eine neue Ära in der computergestützten Wirkstoffforschung: Isomorphic Labs stellt IsoDDE vor

Die Landschaft der künstlichen Intelligenz im Gesundheitswesen hat mit der Einführung der Isomorphic Labs Drug Design Engine (IsoDDE) durch Isomorphic Labs einen entscheidenden Wendepunkt erlebt. IsoDDE stellt einen bedeutenden evolutionären Sprung dar, der über das weithin gefeierte AlphaFold 3 hinausgeht und die Branche von der bloßen Strukturvorhersage in den Bereich des hochpräzisen rationalen Wirkstoffdesigns (Rational Drug Design) führt. Diese Entwicklung markiert den Übergang von der Frage „Wie sieht dieses Protein aus?“ zur Beantwortung der kritischen pharmazeutischen Frage: „Wie können wir ein Molekül entwerfen, um es zu behandeln?“

Für das Team von Creati.ai unterstreicht diese Ankündigung die rasche Reifung der generativen Biologie. Während AlphaFold 3 den Zugang zu Strukturdaten demokratisierte, adressiert IsoDDE die komplexe, ungeordnete Realität der pharmazeutischen Forschung und Entwicklung (R&D) und bewältigt Herausforderungen wie schwer vorhersehbare Bindungsstellen und die Affinität potenzieller Wirkstoffkandidaten.

Neudefinition der Genauigkeit bei der Generalisierung

Das Kernversprechen von IsoDDE liegt in seiner Fähigkeit zur Generalisierung (Generalization) auf „unbekannte“ biologische Targets – Proteine und Liganden, die sich erheblich von den in öffentlichen Trainingsdatensätzen verfügbaren Daten unterscheiden. In der computergestützten Biologie haben Modelle oft Schwierigkeiten mit „Out-of-Distribution“-Daten; sie schneiden bei bekannten Strukturen gut ab, versagen jedoch bei neuartigen therapeutischen Zielen.

Isomorphic Labs hat berichtet, dass IsoDDE die Genauigkeit von AlphaFold 3 beim anspruchsvollen „Runs N' Poses“-Benchmark mehr als verdoppelt. Dieser Benchmark wurde speziell entwickelt, um die Leistung eines Modells bei Protein-Ligand-Strukturen zu testen, die sich von den Trainingsbeispielen unterscheiden. Durch die exzellenten Ergebnisse demonstriert IsoDDE eine Robustheit, die für die First-in-Class-Wirkstoffforschung unerlässlich ist, bei der es den Zielstrukturen oft an umfangreichen historischen Daten mangelt.

Die Beherrschung der dynamischen Natur von Proteinen

Proteine sind keine statischen Statuen; sie sind dynamische Einheiten, die ihre Form verändern. Eine wesentliche Einschränkung früherer Modelle war ihre Unfähigkeit, die induzierte Anpassung (Induced Fit) zu berücksichtigen – das Phänomen, bei dem ein Protein seine Struktur verändert, um einen bindenden Wirkstoff aufzunehmen. IsoDDE modelliert diese komplexen Interaktionen erfolgreich, einschließlich der Öffnung von „kryptischen Taschen (cryptic pockets)“.

Kryptische Taschen sind Bindungsstellen, die normalerweise verborgen sind und sich erst offenbaren, wenn ein spezifischer Ligand bindet. Sie stellen eine Goldmine für Wirkstoffforscher dar, da sie alternative Wege bieten, krankheitsverursachende Proteine anzuvisieren, die zuvor als „untherapierbar“ (undruggable) galten. In einer beeindruckenden Bestätigung seiner Fähigkeiten rekapitulierte IsoDDE autonom die jüngste Entdeckung einer kryptischen Stelle am Protein Cereblon, einem Schlüsselziel in der Krebstherapie und beim Proteinabbau, wobei lediglich die Aminosäuresequenz des Proteins als Eingabe diente.

Überlegene Leistung bei Biologika und Antikörpern

Über niedermolekulare Substanzen hinaus orientiert sich die Pharmaindustrie zunehmend an Biologika, insbesondere an Antikörpern. Das Design dieser komplexen Moleküle erfordert die Vorhersage der Struktur der Antikörper-Antigen-Schnittstelle mit äußerster Präzision. Der CDR-H3-Loop eines Antikörpers ist besonders berüchtigt für seine hohe Variabilität und Flexibilität, was ihn zu einem Stolperstein für traditionelle computergestützte Methoden macht.

IsoDDE hat eine 2,3-fache Verbesserung der Genauigkeit gegenüber AlphaFold 3 und eine erstaunliche 19,8-fache Verbesserung gegenüber Boltz-2 bei der Vorhersage von Antikörper-Antigen-Strukturen gezeigt. Dieser Leistungssprung ist entscheidend für das De-novo-Antikörper-Design und könnte die Zeit, die für das Screening und die Optimierung biologischer Kandidaten erforderlich ist, von Monaten auf Tage verkürzen.

Die Überwindung der Barriere bei der Bindungsaffinität

Der vielleicht kommerziell bedeutendste Fortschritt ist die Fähigkeit von IsoDDE zur Vorhersage der Bindungsaffinität (Binding Affinity) – das Maß dafür, wie stark ein Wirkstoff an sein Ziel bindet. Historisch gesehen war dies die Domäne physikbasierter Methoden wie der Free Energy Perturbation (FEP). FEP ist zwar genau, aber rechenintensiv, langsam und erfordert hochwertige Kristallstrukturen als Ausgangspunkt.

IsoDDE erreicht oder übertrifft Berichten zufolge die Genauigkeit dieser physikbasierten „Goldstandard“-Methoden, arbeitet jedoch zu einem Bruchteil der Kosten und Zeit. Entscheidend ist, dass es keine experimentellen Kristallstrukturen benötigt, um mit der Analyse zu beginnen. Dies ermöglicht es Forschern, Tausende von potenziellen Wirkstoffkandidaten schnell in silico zu bewerten, bevor sie sich zur teuren Synthese im Nasslabor (Wet-Lab) verpflichten.

Vergleichende Analyse: IsoDDE vs. etablierte Methoden

Die folgende Tabelle skizziert die wichtigsten Leistungsunterschiede zwischen der neuen Engine, ihrem Vorgänger und traditionellen physikbasierten Ansätzen.

Strategische Implikationen für die Pharmaindustrie

Der Start von IsoDDE ist nicht nur ein technischer Meilenstein; es ist ein strategischer Aktivposten, der das Geschäftsmodell von Isomorphic Labs bestätigt. Seit der Ausgründung aus DeepMind hat das Unternehmen hochkarätige Partnerschaften mit Pharmariesen wie Eli Lilly, Novartis und zuletzt Johnson & Johnson geschlossen. Diese Kooperationen bauen auf der Prämisse auf, dass KI mehr kann, als nur Biologie zu visualisieren – sie kann Lösungen konstruieren.

Die Engine wird bereits intern eingesetzt, um die eigene Pipeline von Wirkstoffkandidaten von Isomorphic Labs voranzutreiben. CEO Demis Hassabis hat angedeutet, dass das Unternehmen erwartet, dass seine ersten KI-entworfenen Medikamente bis Ende 2026 in klinische Studien gehen. Dieser Zeitplan deutet auf einen schnellen Übergang vom digitalen Prototyping zur Anwendung am Menschen hin, ein Tempo, das vor einem Jahrzehnt noch unvorstellbar war.

Von der Vorhersage zur Verschreibung

Für Branchenbeobachter ist die Unterscheidung zwischen „Strukturvorhersage“ und „Wirkstoffdesign“ von größter Bedeutung. AlphaFold löste das Problem der statischen Geometrie. IsoDDE versucht, das Problem der funktionalen Interaktion zu lösen. Durch die genaue Vorhersage nicht nur der Position von Atomen, sondern auch der Stärke ihrer Interaktion und ihrer Bewegungen schließt IsoDDE die Lücke zwischen computergestützter Hypothese und biologischer Realität.

Diese Fähigkeit ist besonders wichtig für die Identifizierung „blinder“ Taschen. Die Möglichkeit, die Oberfläche eines Proteins zu scannen und neue, ligandenfähige Taschen ohne Vorwissen zu identifizieren, erlaubt es Wissenschaftlern, Krankheitswege aus völlig neuen Blickwinkeln anzugreifen. Dieser Ansatz gleicht dem Finden einer Hintertür in eine Festung, die zuvor als uneinnehmbar galt.

Fazit

Isomorphic Labs hat die Messlatte für das, was im Bereich der KI-gestützten Gesundheitsversorgung als Stand der Technik gilt, effektiv angehoben. Durch die Adressierung der spezifischen Schwachstellen der Wirkstoffforschung – Generalisierung, Affinitätshervorsage und Identifizierung kryptischer Taschen – positioniert sich IsoDDE als unverzichtbares Werkzeug für die moderne pharmazeutische Forschung und Entwicklung.

Für Creati.ai signalisiert diese Entwicklung, dass die „Hype“-Phase der KI in der Biologie in eine „Impact“-Phase übergeht. Die von Isomorphic Labs bereitgestellten Metriken legen nahe, dass die Werkzeuge nicht mehr nur faszinierende Experimente sind, sondern nun robust genug, um kommerzielle Wirkstoff-Pipelines voranzutreiben. Mit Blick auf das Jahr 2026 wird die Branche genau beobachten, ob diese im Computer geborenen Vorhersagen erfolgreich in sichere und wirksame Medikamente für Patienten übersetzt werden können.