Newsletter · · Ashutosh Agarwal

KI übernimmt das Labor: GPT-5 schlägt die Bestmarke um 40% - AI Drug Discovery Weekly - Woche vom 16. Juli 2026

AI-Drug-Discovery-Newsletter für die Woche vom 9. bis 16. Juli 2026. Ginkgo Bioworks ließ GPT-5 in seinem robotergesteuerten Cloud-Labor ein komplettes Experiment eigenständig durchführen und übertraf damit das beste veröffentlichte Ergebnis um 40 Prozent, Formation Bio legte dar, wie eine KI-native Firma zum nächsten Pharmariesen werden könnte, und das Nasslabor, nicht das Modell, entpuppte sich als der eigentliche Engpass des Feldes.

AI Drug Discovery Weekly

Woche vom 16. Juli 2026: KI übernimmt das Labor, GPT-5 schlägt die Bestmarke um 40%

TL;DR

  • Das eindrucksvollste Ergebnis der Woche kam von Ginkgo Bioworks (DNA). In einem Projekt mit OpenAI ließ das Unternehmen GPT-5 ein komplettes wissenschaftliches Experiment end-to-end durchführen, es entwarf das Experiment, las die Ergebnisse aus, entwarf die nächste Runde, und das alles innerhalb seines robotergesteuerten "Cloud-Labors". Nach sechs Zyklen übertraf die KI das zuvor beste veröffentlichte Ergebnis um 40 %. Das markiert eine Verschiebung von KI, die Moleküle vorschlägt, hin zu KI, die die Wissenschaft selbst betreibt. (The Times Tech Podcast, 9. Juli)

  • Der CEO von Formation Bio lieferte die bislang klarste Antwort auf die große Frage dieses Jahres: Kann eine KI-native Firma zum nächsten Eli Lilly werden, anstatt ihre Medikamente an das heutige Eli Lilly zu verkaufen? Er erklärte anhand konkreter Zahlen, warum seit den 1980er-Jahren kein neuer Pharmariese mehr entstanden ist, und wie er dieses Muster durchbrechen will. (The Heart of Healthcare, 13. Juli)

  • Neue branchenweite Zahlen kamen ans Licht: Es gibt inzwischen 173 KI-entwickelte Wirkstoffe in klinischen Studien, gegenüber nur 24 Ende 2023, und KI-designte Medikamente bestehen frühe Studienphasen Berichten zufolge mit 80–90 %, verglichen mit 40–65 % auf dem alten Weg. (Equity Mates, 8. Juli)

  • Der Engpass verschiebt sich immer weiter. Es ist nicht mehr die Intelligenz der KI, sondern die Geschwindigkeit, mit der sich reale Experimente durchführen lassen, um sie zu füttern. LabGenius kann sich 2 Millionen Antikörper-Designs ausdenken, aber physisch nur rund 3.000 alle fünf bis sechs Wochen testen. (The Bio Report, 8. Juli)

  • Die Aktien juckte das nicht. RXRX, SDGR und LLY fielen alle im Wochenvergleich, Recursion am stärksten, wieder nahe seinem 52-Wochen-Tief, während Lilly gleichzeitig eine neue Welle von Kurszielerhöhungen der Analysten wegen des Optimismus bei Adipositas-Medikamenten einsammelte.

Was ist neu

Das mit Abstand wichtigste Ereignis dieser Woche: Eine KI führte ein reales Experiment durch, keine Simulation, und gewann.

Ginkgo-Bioworks-Mitgründer und CEO Jason Kelly erläuterte dies im Times Tech Podcast. Zunächst zum Setup. Ginkgo betreibt sogenannte "Cloud-Labore", reale Labore, in denen Roboter die physische Arbeit erledigen (kleinste Flüssigkeitsmengen bewegen, Proben durch Geräte laufen lassen), sodass ein Wissenschaftler das Ganze vom Keyboard aus steuern kann, so wie man eine Website steuert. Kellys eigene Beschreibung der althergebrachten Laborarbeit: "fünf Jahre am Labortisch stehen und sehr, sehr vorsichtig klare Flüssigkeiten mit Dingen bewegen, die man Pipetten nennt... im Grunde wie sehr ausgefeilte Strohhalme." Das Cloud-Labor nimmt die menschlichen Hände aus diesem Prozess heraus. (The Times Tech Podcast, 9. Juli)

Das Experiment mit OpenAI warf eine größere Frage auf: Könnte ein KI-Modell, in diesem Fall GPT-5, den Denkanteil der Wissenschaft übernehmen, nicht nur den manuellen Teil? Echte Wissenschaftler arbeiten in einer Schleife: eine Idee haben, Experimente durchführen, die überraschenden Stellen in den Daten betrachten, eine klügere nächste Runde entwerfen, so lange wiederholen, bis man eine Antwort hat. Ginkgo ließ das Modell diese Schleife eigenständig durchlaufen, in einem Bereich namens zellfreie Proteinsynthese (eine saubere Methode, Proteine im Reagenzglas herzustellen). In jeder Runde entwarf das Modell etwa 30.000 winzige Experimente. Menschen setzten lediglich die "Leitplanken", jede Rezeptur stets in vier Kopien laufen lassen, immer Kontrollproben einschließen, und ansonsten das Modell "machen lassen".

Das Ergebnis, in Kellys Worten: "Nach vier Runden hatten wir den Stand der Technik geschlagen. Und nach sechs Runden übertrafen wir ihn um 40 Prozent." Die Bestmarke war der beste "Protein-pro-Dollar"-Wert, den ein akademisches Labor zuvor veröffentlicht hatte. Kellys Fazit ist der Teil, der zum Nachdenken anregt: Ein Wissenschaftler "könnte einen Agenten starten, etwa einen GPT-5-Agenten, und ihm sagen, geh und arbeite ein paar Wochen... Und man könnte vielleicht 10 oder 100 oder 1.000 davon gleichzeitig laufen lassen, die viele unterschiedliche Hypothesen verfolgen." Das ist eine tatsächlich andere Art, Wissenschaft zu betreiben, unzählige unermüdliche digitale Forscher, die parallel Experimente durcharbeiten.

Er brachte zudem ein ökonomisches Argument vor, das für das gesamte Feld relevant ist. Automatisierte Labore seien, so seine These, nicht nur schneller, sondern auch billiger: Roboter erlauben es, Geräte eng zu packen (etwa 3-mal weniger Stellfläche) und rund um die Uhr zu laufen (etwa 3-mal mehr Betriebsstunden), was er auf eine "Verbesserung um das 9- bis 10-Fache" bei der Effizienz für exakt dieselbe Arbeit hochrechnet. Und ein pointierter geopolitischer Hinweis: Die westliche Biotech-Branche verlagert Laborarbeit nach China, schlicht weil menschliche Wissenschaftler dort günstiger sind. Kellys Wette ist, dass die Automatisierung des Labors der einzige Weg ist, wie der Westen seine Wissenschaftsindustrien überhaupt behält.

Das zweite große Thema der Woche: Wem am Ende die Medikamente gehören. Bei The Heart of Healthcare gab Formation-Bio-CEO Ben Liu die bislang konkreteste Antwort auf die letzte Woche aufgeworfene Frage, ob KI-Firmen ihre eigenen Pharma-Imperien aufbauen oder lediglich Tools an die alte Pharmaindustrie verkaufen werden. Sein Ausgangspunkt ist ein echtes Rätsel: Die letzten gegründeten Pharmariesen (Vertex, Amgen, Regeneron) stammen alle aus den 1980er-Jahren. Warum keiner seither? (The Heart of Healthcare, 13. Juli)

Seine Erklärung dreht sich ganz um die Mathematik des Risikos. Ein venture-finanziertes Biotech-Unternehmen braucht drei bis fünf Jahre, nur um einen Wirkstoff in klinische Studien am Menschen zu bringen, dann zwei bis vier weitere Jahre für ein Ergebnis der mittleren Phase ("Phase 2"), und nur etwa 30 % davon fallen positiv aus. Wenn eines funktioniert, bietet ein großes Pharmaunternehmen typischerweise rund 3 Milliarden Dollar, um es aufzukaufen (etwa ein Jahr Spitzenumsatz). Die Alternative, die teure Abschlussstudie selbst durchzuführen, kostet einige hundert Millionen und birgt eine 40-prozentige Chance, auf null zu fallen, gegenüber einer 60-prozentigen Chance auf einen Gewinn von 6–9 Milliarden Dollar. Rechnet man das risikoadjustiert durch, so ist laut Liu die rationale Entscheidung fast immer der Verkauf. Vielversprechende junge Wirkstoffunternehmen werden also verschluckt, bevor sie erwachsen werden können.

Formations Antwort ist strukturell. Das Unternehmen ist als "Hub-and-Spoke"-Modell aufgebaut, sodass es ein einzelnes Medikament verkaufen kann, ohne die gesamte Firma zu verkaufen, und besteht darauf, "mindestens 10 Versuche" zu wagen, denn bei einer Erfolgsquote von 30 % ergeben zehn Versuche erwartungsgemäß drei Gewinner, und diese Portfolio-Mathematik macht es endlich rational, weiterzubauen statt auszusteigen. Liu will ein Unternehmen, das aussieht wie "das Eli Lilly oder Novartis dieser Generation", geführt aber von "ein paar hundert Menschen, unterstützt durch diese KI-Systeme" statt von 100.000. Das Unternehmen begann als Studien-Dienstleister namens TrialSpark (nach dem Ansatz "krabbeln, gehen, laufen", zuerst die Infrastruktur bauen), wird unter anderem von Sam Altman und Lockheed unterstützt und hat sich mit dem ehemaligen Novartis-CEO Joe Jimenez zu einem Wirkstofffonds namens Adidam Bio zusammengetan. Seine KI-Werkzeuge tragen Namen, "Forge" entwirft Studien und "Apollo" führt sie durch, und das Unternehmen zeichnet sogar seine eigenen internen Meetings und Investment-Memos auf, um seine Modelle darin zu trainieren, wie die Firma Entscheidungen trifft.

Zwei weitere aufschlussreiche Datenpunkte zur Dynamik des Feldes stammen aus einem investmentorientierten Gespräch bei Equity Mates: Es gibt inzwischen weltweit 173 KI-entwickelte Wirkstoffe in klinischer Entwicklung, gegenüber nur 24 Ende 2023, und KI-designte Medikamente bestehen Berichten zufolge ihre ersten Studien am Menschen mit 80–90 %, verglichen mit 40–65 % bei traditionell entdeckten Medikamenten. Die Moderatoren führten Insilico Medicine als Beleg an, dessen INS018-055 als erstes vollständig KI-designtes Medikament eine Phase-2-Studie abgeschlossen hat, dieser Meilenstein wurde für etwa 6 Millionen Dollar in 18 Monaten erreicht, gegenüber geschätzten über 100 Millionen Dollar und mehr als sechs Jahren auf dem alten Weg. Man sollte die genauen Prozentwerte als Richtungsangabe behandeln (frühe Studien sind eine kleine, selbstselektierte Stichprobe), aber die Richtung selbst ist real. (Equity Mates, 8. Juli)

Die Debatte

Wo liegt jetzt der eigentliche Engpass, bei der KI oder beim Nasslabor, das sie füttert?

Zwei Jahre lang lief in diesem Feld die Diskussion darüber, ob die Einschränkung bei den Daten, der Rechenleistung oder der reinen Intelligenz der Modelle liegt. Die Episoden dieser Woche weisen deutlich in eine Richtung: Die Modelle sind nicht mehr das schwache Glied, die physischen Experimente sind es.

Die klarste Illustration lieferte LabGenius, dessen Chief Scientific Officer Angus Sinclair beschrieb, wie das Unternehmen Antikörper baut, die zwei Ziele gleichzeitig treffen (nützlich, aber gefährlich, wenn sie gesunde Zellen angreifen oder eine überschießende Immunreaktion auslösen). Sein zentraler Punkt: Für diese Art von Design gibt es kaum öffentliche Daten zum Lernen, "einen Mangel an Informationen", sodass das Unternehmen seine eigenen Daten im Labor selbst generieren muss. Und hier liegt der Engpass: LabGenius' KI kann bis zu 2 Millionen Designs vorschlagen, aber das Nasslabor kann physisch nur etwa 3.000 alle fünf bis sechs Wochen testen. Die Vorstellungskraft ist praktisch unbegrenzt, die Hände sind es nicht. (The Bio Report, 8. Juli)

Sinclair war auch erfrischend offen, was den Hype betrifft. Er sagte, KI liefere in der De-novo-Protein- und Antikörperentwicklung, Bereichen mit viel öffentlichen Trainingsdaten, tatsächlich echte Fortschritte, müsse aber bei den härteren, datenarmen Problemen wie multispezifischen Antikörpern "noch aufholen und wachsen". Sein Urteil, was es zur Behebung braucht: hauptsächlich mehr Daten.

Genau deshalb sind Ginkgos Cloud-Labor-Ansatz und LabGenius' Durchsatzproblem zwei Seiten derselben Medaille. Wenn die bindende Einschränkung lautet "Wie viele echte Experimente kann ich pro Woche durchführen", dann bestimmt derjenige das Tempo des gesamten Feldes, der das Nasslabor industrialisiert, es schneller, billiger und über Nacht von einer KI steuerbar macht. Das knüpft auch an die Beobachtung von DARPAs Mike Koeris aus der letzten Woche an, dass es der Biologie an den richtigen Arten von Daten mangelt. Der sich abzeichnende Konsens über die jüngsten Episoden hinweg: Die Grenze ist nicht länger ein klügeres Modell, sondern eine schnellere, billigere Methode, die experimentellen Daten zu produzieren, die dieses Modell braucht.

Darunter liegt eine zweite Debatte, die durch Formation Bio geschärft wird: Tools oder Medikamente? Ben Liu entschied sich ausdrücklich dafür, die Medikamente zu besitzen, statt Software an die Pharmaindustrie zu verkaufen, denn "wenn man Studien für andere Unternehmen durchführt... geht es nicht immer darum, wie man Dinge möglichst billig und schnell erledigt. Es geht darum, wie man möglichst viel Umsatz aus der Ausführung herausholt." Das ist eine direkte Herausforderung an das "Schaufeln verkaufen"-Geschäftsmodell und eine Erinnerung daran, dass die ehrgeizigsten KI-nativen Akteure zunehmend mit ihren potenziellen Kunden konkurrieren wollen, statt ihnen zu dienen.

Aktien im Fokus

Recursion Pharmaceuticals (RXRX), 3,02 US-Dollar, rund 20 % unter den 3,76 US-Dollar der Vorwoche und wieder nahe seinem 52-Wochen-Tief von 2,77 US-Dollar (Spanne 2,77–7,18 US-Dollar; Marktkapitalisierung ~1,4 Mrd. US-Dollar). Allein am Stichtag fiel die Aktie um 8,8 %, bei hohem Volumen (34,6 Millionen Aktien gegenüber einem Durchschnitt von 19,3 Millionen), also echter Verkaufsdruck, kein stilles Abdriften. Es gab diese Woche keine podcastseitige Berichterstattung zu Recursion im Bereich AI Drug Discovery und im betrachteten Zeitraum auch keine Unternehmensnachrichten, sodass es eher nach Stimmung und Positionierung aussieht als nach einem konkreten Ereignis. Es lohnt sich zu beobachten, ob der Rutsch bis zum nächsten Pipeline-Update anhält, das weiterhin für später in diesem Jahr erwartet wird.

Schrodinger (SDGR), 15,60 US-Dollar, rund 7 % unter den 16,79 US-Dollar der Vorwoche (52-Wochen-Spanne 10,95–23,75 US-Dollar; Marktkapitalisierung ~1,2 Mrd. US-Dollar), am Tag selbst 4,1 % im Minus. Auch hier keine neuen Podcast-Erwähnungen und keine Unternehmensnachrichten diese Woche, der auf Physik basierende Reinspiel-Wert im Bereich Wirkstoffdesign bleibt medial ruhig.

Eli Lilly (LLY), 1.170,23 US-Dollar, rund 4 % unter den 1.216,95 US-Dollar der Vorwoche, obwohl die Analystengemeinde weitere Kurszielerhöhungen nachlegte (52-Wochen-Spanne 623,78–1.249,45 US-Dollar; Marktkapitalisierung ~1,10 Billionen US-Dollar). Die Kurszielerhöhungen dieser Woche: BofA auf 1.334 US-Dollar, Guggenheim auf 1.273 US-Dollar, UBS auf 1.425 US-Dollar, Bernstein auf 1.385 US-Dollar und Citi auf 1.600 US-Dollar, alle mit Kaufen- oder Outperform-Einstufung, alle im Rahmen eines starken zweiten Quartals und der anhaltenden Rotation weg von KI-Titeln und hin zu Pharmawerten mit stabilem Wachstum. Wie bereits letzte Woche vermerkt, dreht sich dieser Optimismus um Adipositas- und GLP-1-Medikamente, nicht um KI-Wirkstoffforschung. Bernstein wies allerdings auf einen "schwächer als erwarteten" US-Markteintritt eines Produkts als Vorsichtssignal hin.

Lilly sorgte diese Woche auch für echte Nachrichten, wenngleich keine davon eine KI-Entdeckungsgeschichte ist:

  • Das Unternehmen stimmte zu, AtaiBeckley für 6,75 US-Dollar je Aktie in bar plus bis zu 2,50 US-Dollar je Aktie an meilensteinbasierten Zahlungen zu übernehmen, insgesamt rund 2,8 Milliarden US-Dollar im Voraus und rund 1 Milliarde US-Dollar an möglichen weiteren Zahlungen, ein Aufschlag von rund 40 %. Der Preis dahinter ist BPL-003, ein intranasal verabreichtes 5-MeO-DMT (ein Psychedelikum) gegen therapieresistente Depression. Das ist eine Wette auf die Neurowissenschaft, keine Wette auf KI.
  • Sein Krebsmedikament Retevmo erhielt die volle FDA-Zulassung für RET-Fusionspositive solide Tumoren (Präzisionsonkologie, gekoppelt an einen genetischen Test).
  • Klein, aber thematisch passend: VivoSim (VIVS) erhielt einen Meilenstein von 5 Millionen US-Dollar von Lilly für die Erstdosierung eines Patienten in einer Phase-2-Studie eines Medikaments, das Lilly von ihm gekauft hatte. VivoSim baut im Labor gezüchtete Modelle aus menschlichem Gewebe, die zum Testen von Medikamenten vor klinischen Studien am Menschen eingesetzt werden, ein Werkzeug zur "Erzeugung besserer präklinischer Daten", und eine leise Erinnerung daran, dass die Datenerzeugungs-Ebene, um die dieser Newsletter immer wieder kreist, allmählich in echten Cash-Meilensteinen sichtbar wird.

Weiterführende Überlegungen

  • Die Nasslabor-Ebene könnte der Ort sein, an dem sich der Wert still ansammelt. Wenn der eigentliche Engpass des Feldes darin besteht, Experimente schnell und günstig durchzuführen (Ginkgo, LabGenius), dann sitzen die Unternehmen, die die Experimentierarbeit industrialisieren, automatisierte und Cloud-Labore, Hochdurchsatz-Screening, Gewebemodelle wie die von VivoSim, an einem Engpass, den alle anderen brauchen. Das ist dieselbe "Schaufeln-und-Spitzhacken"-Logik, nur gerichtet auf das Labor, nicht auf das Modell.
  • Achten Sie darauf, ob sich der "Medikament selbst besitzen"-Schwenk ausbreitet. Formation Bios Entscheidung, ein Pharmaunternehmen statt eines Tool-Anbieters zu werden, greift Anthropics Schritt (in früheren Wochen behandelt) in eigene Wirkstoffprogramme auf. Wenn sich mehr KI-native Akteure dafür entscheiden, mit der Pharmaindustrie zu konkurrieren, statt sie zu beliefern, könnten die letztlichen Käufer von KI-Drug-Discovery-Software (Big Pharma) feststellen, dass sich ihre Zulieferer in Konkurrenten verwandeln, ein strategisches Risiko, das noch in keinem Modell steckt.
  • Tempus (TEM) rahmt die Chance als Datenverrohrungsproblem. Eric Lefkofskys Argument, dass bis zu 20 % der US-Krebstodesfälle auf Patienten zurückgehen, die auf dem "falschen Therapiepfad" behandelt wurden, und dass die Behebung des Datenflusses jährlich über 100.000 Leben retten könnte, ist eine Erinnerung daran, dass ein großer Teil des kurzfristigen KI-Werts in der Medizin darin besteht, bestehende Patienten korrekt zu lenken, nicht neue Moleküle zu erfinden. Tempus sagt, man sei erst "zu 20 % des Weges" bei der Anbindung der rund 8.000–9.000 US-Krankenhäuser (heute werden rund 5.500 erreicht), was einen langen Weg vor sich impliziert. (AI and Healthcare, 10. Juli)
  • Die Makrozahlen sind zweischneidig. 173 Wirkstoffe in klinischen Studien (gegenüber 24 vor zwei Jahren) und Erfolgsraten von 80–90 % in frühen Studien sind zweifellos ermutigend, doch der Erfolg in der frühen Phase ist der leichte Teil, und die harten, teuren Fehlschläge passieren nach wie vor in späten Studienphasen. Man sollte den Optimismus verankert halten: Billigere, schnellere Entdeckung beweist noch keine billigere, schnellere Zulassung.

Was sich gegenüber letzter Woche geändert hat

  • Die Kernfrage der letzten Woche hat eine konkrete Antwort erhalten. Die offene Frage war, ob der Wettbewerbsvorteil proprietäre Nasslabordaten sind (die Sicht von CZI/Pharma) oder billig produzierte synthetische Daten (die Sicht der rechenstarken KI-Labore). Diese Woche wurde das neu gefasst: LabGenius zeigt, dass der Vorteil proprietäre Daten sind, gerade weil man sie nicht öffentlich kaufen kann und noch nicht genug davon selbst herstellen kann, die Durchsatzobergrenze des Nasslabors (2 Mio. Designs, 3.000 Tests) ist die eigentliche Mauer. Die Debatte verschob sich von "Daten vs. Rechenleistung vs. Modell-IQ" hin zu "das Modell ist in Ordnung; das Labor ist der Engpass".
  • Der Erzählstrang "KI-Labor als Pharmaunternehmen" entwickelte sich von Anthropic zu einem vollständigeren Playbook. Letzte Woche wandte Anthropic Claude Science auf seine eigene Pipeline an. Diese Woche lieferte Formation Bio die tatsächliche Geschäftslogik, die Risikomathematik, warum Wirkstoff-Start-ups verkaufen, sowie die Hub-and-Spoke- und "10-Versuche"-Struktur, mit der man das schlagen will. Die Geschichte der vertikalen Integration hat nun Zahlen hinter sich, nicht nur eine Schlagzeile.
  • Ein brandneuer Beleg für die Wirtschaftlichkeit. Die Insilico-Zahl (6 Mio. US-Dollar/18 Monate für eine abgeschlossene Phase-2-Studie gegenüber über 100 Mio. US-Dollar/6+ Jahren) ist der bislang schärfste einzelne Kostenvergleich, und der Sprung von 24 auf 173 in der klinischen Pipeline beziffert, wie schnell sich der Ansatz skaliert.
  • Die Kurse liefen erneut auseinander von der Erzählung. Zum zweiten Mal in Folge lebt die Aufregung in den Podcasts, während die handelbaren Namen (RXRX, SDGR) abdriften oder fallen; Recursions rund 20-prozentiger Wochenrückgang in Richtung seines 52-Wochen-Tiefs ist die auffälligste Bewegung. Lillys Stärke bleibt eine Adipositas- und Rotationsgeschichte, keine KI-Geschichte, unverändert gegenüber letzter Woche.
  • Neuer Name auf dem Radar: VivoSim (VIVS), über den Meilenstein von Lilly, ein präklinisches Unternehmen für die Simulation menschlichen Gewebes, ein weiterer Akteur auf der Ebene "bessere Daten erzeugen".