Newsletter · · Ashutosh Agarwal

Der eigentliche Engpass in der KI-Wirkstoffforschung sind jetzt die Daten - AI Drug Discovery Weekly - Woche vom 23. Juli 2026

AI Drug Discovery Weekly für die Woche vom 16. bis 23. Juli 2026: Drei getrennte Podcasts, zu Xaira, A-Alpha Bio und Cythera, kommen zum selben Schluss, dass nicht mehr das Modell die Beschränkung in der Wirkstoffforschung ist und der Kampf sich darum dreht, wer die richtigen im Labor erzeugten Daten besitzt, während eine skeptische Stimme im Digital Pathology Podcast darauf hinweist, dass noch kein wirklich KI-entwickeltes Medikament auf den Markt gekommen ist.

AI Drug Discovery Weekly

Woche vom 23. Juli 2026: Der eigentliche Engpass in der KI-Wirkstoffforschung sind jetzt die Daten

Betreffzeile: Das Modell war nie der Engpass: diese Woche haben drei unabhängige Labore es laut ausgesprochen, und der Kampf dreht sich jetzt um Daten.

TL;DR

  • Das mit Abstand lauteste Thema in den Podcasts dieser Woche war eine auffällige Übereinstimmung: Das KI-Modell bremst die Wirkstoffforschung nicht mehr. Drei unabhängige Teams, das gut finanzierte Startup Xaira, das Datenplattform-Unternehmen A-Alpha Bio und ein erfahrener Computerchemiker, der jetzt Cythera leitet, sagten jeweils in ihren eigenen Worten, dass der eigentliche Mangel bei den richtigen im Labor erzeugten Daten liegt (oder in der richtigen Art, ein Molekül einem Computer darzustellen). Der Engpass hat sich vom Gehirn zu den Augen und Händen verschoben.
  • Es geht nicht nur um "mehr Daten". Die Nuance, die diese Woche zutage trat: Die Biologie braucht eine bestimmte Art von Daten, die die heutigen öffentlichen Datenbanken größtenteils nicht enthalten: Daten über Ursache und Wirkung, Daten darüber, was nicht funktioniert (nicht nur, was funktioniert), und Daten, die jedes Mal auf dieselbe Weise gemessen werden, damit ein Modell sie tatsächlich vergleichen kann.
  • Xaira veröffentlichte X-Cell, ein Modell einer "virtuellen Zelle" mit 4,5 Milliarden Parametern, und machte seine Philosophie zum Titel der Episode: kausale Modelle brauchen kausale Daten. Ihre Antwort: diese Daten im eigenen Haus in industriellem Maßstab herstellen (Latent Space, 21. Juli).
  • Der klarste Realitätscheck der Woche: Trotz allem Hype gibt es noch kein wirklich KI-entwickeltes Medikament, das zugelassen und auf dem Markt ist; das eine oder andere oft zitierte Beispiel entpuppt sich als wiederverwertetes älteres Medikament (Digital Pathology Podcast, 22. Juli).
  • Ein anschaulicher Blick darauf, wohin die Reise geht: Lila Sciences beschrieb, wie man "etwa fünf Jahre Biotech-Arbeit in sechs Monaten, für 10 % der Kosten" erledigt, und erreichte bei einer Krebstherapie Affendaten-Niveau mit einem Team von zwei oder drei Personen plus einem automatisierten Labor (Latent Space, 16. Juli).
  • Ein bemerkenswerter Personalwechsel kam nebenbei zur Sprache: Anthropic hat John Jumper eingestellt, den mit dem Nobelpreis ausgezeichneten Schöpfer von AlphaFold, laut Cytheras Woody Sherman, ein weiteres Zeichen dafür, dass die großen KI-Labore tiefer in die Wissenschaft selbst vordringen, statt nur Werkzeuge zu verkaufen (Data in Biotech, 20. Juli).
  • Bei den von uns beobachteten Aktien: Recursion (RXRX) verharrte flach und weiterhin nahe seinem Jahrestief; Schrödinger (SDGR) gab erneut nach; Eli Lilly (LLY) sprang nach einem großen Studienergebnis zu einem Adipositas-Medikament, das nichts mit KI zu tun hat.

Was ist neu

Xaira steckt einen Pflock in den Boden: "kausale Modelle brauchen kausale Daten"

Das Highlight der Woche kommt von einem Namen aus unserem Coverage-Universum. Xaira Therapeutics, eines der bestfinanzierten KI-Arzneimittel-Startups, war zu Gast in einem viel beachteten KI-Engineering-Podcast, um X-Cell vorzustellen, sein erstes "virtuelle Zelle"-Modell. Eine virtuelle Zelle ist genau das, wonach es klingt: ein Computermodell, das vorherzusagen versucht, was in einer lebenden Zelle passiert, wenn man etwas verändert, zum Beispiel: Wenn man eines der rund 20.000 Gene der Zelle herunterregelt, was passiert dann mit allen anderen, und beginnt die Zelle, sich wie eine kranke oder wie eine gesunde Zelle zu verhalten? Das ist für die Wirkstoffsuche entscheidend, weil die meisten Medikamente genau dadurch wirken, dass sie einen biologischen Schalter hoch- oder herunterdrehen (Latent Space, 21. Juli).

Zwei Dinge fielen auf. Erstens der Umfang: X-Cell ist ein Modell mit 4,5 Milliarden Parametern ("Parameter" sind die internen Stellschrauben, die ein Modell justiert; mehr Stellschrauben bedeuten, grob gesagt, mehr Kapazität). Zweitens, und wichtiger, das Argument, um das die beiden Xaira-Wissenschaftler, Chief AI Scientist Bo Wang und Chief Discovery Officer Ci Chu, das gesamte Gespräch aufbauten. Chu zog eine klare Trennlinie zwischen zwei Arten von Daten:

  • Deskriptive Daten, Momentaufnahmen gesunder Zellen, die Art, die bereits in riesigen öffentlichen Sammlungen existiert (er zitierte eine Datenbank, die mit über 33 Millionen Zellen begann). Das zeigt, wie Zellen aussehen.
  • Kausale Daten, Daten, die erfassen, was passiert, weil man die Zelle auf eine bestimmte Weise gestupst hat. Das zeigt, was Zellen tun, wenn man eingreift.

Seine unverblümte Behauptung: Modelle, die nur mit deskriptiven Daten trainiert wurden, "übertreffen bei kausalen Aufgaben noch immer keine linearen Modelle." Anders gesagt: Ein riesiges, auf Momentaufnahmen trainiertes KI-Modell ist bei der eigentlich entscheidenden Frage für das Wirkstoffdesign, wenn ich das mit der Zelle mache, was passiert dann?, nicht besser als einfache, jahrzehntealte Mathematik. Der Grund ist eine Logikfalle: Wenn die Gene A, B und C in einer Momentaufnahme immer gemeinsam steigen und fallen, kann man wirklich nicht sagen, ob A B und C steuert, oder B die anderen steuert, oder ein viertes Element sie alle steuert. Es gibt zu viele gleichermaßen plausible Erklärungen. Man muss das Experiment durchführen, um es zu wissen (Latent Space, 21. Juli).

Xairas eigentliches Produkt ist also nicht nur das Modell, sondern eine Fabrik für kausale Daten. Sie nutzen eine Labortechnik namens Perturb-seq, die das Genschere-Werkzeug CRISPR verwendet, um jeweils ein Gen auszuschalten, dies aber über riesige Zellpools hinweg gleichzeitig tut, sodass es keine störende Schwankung von Charge zu Charge gibt. Sie veröffentlichten einen Datensatz namens Pisces: 16 verschiedene Zelltypen über 25 Millionen Zellen, wobei Gene genomweit getestet wurden. Wang wies darauf hin, dass der Wechsel der internen Trainingsmethode des Modells (von "autoregressiv" zu "Diffusion", zwei verschiedene Arten, wie eine KI lernt, ihre Ausgabe zu erzeugen) einen deutlichen Sprung beim schwierigsten Test brachte: der Vorhersage von Effekten in Situationen, die das Modell noch nie gesehen hatte. In einer Demonstration trainierten sie X-Cell nur mit ruhenden Immun-T-Zellen und baten es dann vorherzusagen, was Genausschaltungen bei aktivierten T-Zellen bewirken würden, die es nie untersucht hatte, und es funktionierte, es schlug die einfache mathematische Basislinie. Dieses Ergebnis, "verallgemeinern auf etwas, das man nie gesehen hat", ist der ganze Grund, ein großes Modell zu bauen, statt nur eine Datenbank abzufragen (Latent Space, 21. Juli).

Zum Kontext, warum dieses Thema immer wieder auftaucht: Bo Wang ist der Professor der University of Toronto, dessen Labor eines der ersten "Foundation Models" für Einzelzellen veröffentlichte (genannt scGPT), etwa vier Monate nach dem Start von ChatGPT, und der mitgeholfen hat, den heutigen Begriff "virtuelle Zelle" zu prägen. Wenn jemand mit diesem Werdegang sagt, die Beschränkung liege bei den Daten, nicht beim Modelldesign, lohnt es sich zuzuhören.

Eine zweite Stimme, dieselbe Diagnose: A-Alpha Bio und das Problem der "negativen Daten"

Wenn Xairas Punkt klang wie ein Unternehmen, das sein eigenes Buch anpreist, sagte diese Woche ein völlig separates Unternehmen fast dasselbe. A-Alpha Bio, 2018 aus dem Labor des Proteindesign-Pioniers David Baker an der University of Washington ausgegründet, heute 35 Mitarbeiter mit rund 50 Millionen US-Dollar eingesammeltem Kapital, betreibt eine Laborplattform namens AlphaSeq, die etwa eine Million Protein-Protein-Interaktionen in einem einzigen Experiment messen kann, alle unter identischen Bedingungen (The Bio Report, 15. Juli).

CEO David Younger machte drei Punkte, die sich fast deckungsgleich auf Xairas Argument abbilden lassen, was die Konvergenz interessant macht:

  1. Modelle werden zur Commodity; Daten sind der Burggraben. In seinen Worten: Unternehmen "fangen an, sich auf Open-Source-Daten zu konzentrieren... stoßen schnell an einen Engpass", versuchen dann, durch Anpassungen an der Modellarchitektur mehr herauszuholen, aber "ein Modell ist immer nur so gut wie die zugrunde liegenden Daten."
  2. Die bekannte öffentliche Datenbank ist zu klein und zu einseitig. Die Protein Data Bank (die Standard-Bibliothek experimentell aufgeklärter Proteinstrukturen) enthält "weniger als tausend" eines bestimmten wichtigen Antikörper-Strukturtyps und insgesamt nur etwa 10.000 Antikörper-Antigen-Strukturen, und sie wächst nur um etwa 1.000 Strukturen pro Jahr. Wie er es ausdrückte: "Wir wollen nicht hundert Jahre warten, um auf hunderttausend Strukturen zu kommen." A-Alpha kann Tausende in ein paar Wochen erzeugen.
  3. Die am meisten übersehene Lücke sind negative Daten. Öffentliche Datenbanken verzeichnen die Interaktionen, die funktioniert haben. Aber um ein Modell zuverlässig zu trainieren, "ist es genauso wichtig, reichlich negative Daten zu haben": die Paarungen, die gescheitert sind. Ein Modell, das nur Erfolge gesehen hat, hat keine Ahnung, wie Scheitern aussieht (The Bio Report, 15. Juli).

Younger wies zudem auf einen Stimmungswandel in der Branche hin, der die ganze Woche zusammenbindet: Bis vor kurzem galt die Annahme, dass "öffentlich verfügbare Nasslabor-Daten plus clevere Machine-Learning-Tricks ausreichen würden", und jetzt "hat sich der Konsens wirklich verändert". KI-native Unternehmen "stoßen auf" Datenmauern und kommen zu Firmen wie seiner, weil Architektur-Anpassungen keinen Spielraum mehr bieten. Zu seinen Kunden zählen Amgen, Bristol Myers Squibb und Gilead (für das A-Alpha einen breiter schützenden HIV-Antikörper entwickelte).

Die dritte Stimme erhöht den Einsatz: vielleicht brauchen wir eine ganz andere Art von KI

Die provokanteste Version des Arguments kam von Woody Sherman, einem Computerchemiker mit einem ungewöhnlichen Lebenslauf: über ein Jahrzehnt bei Schrödinger (SDGR, ein Name, den wir beobachten), Gründer von Silicon Therapeutics, eine Station beim Skalieren von Plattformen bei Roivant, und jetzt Wissenschaftsleiter bei Cythera, das orale Pillen entwickelt, um Zielstrukturen zu treffen, die heute nur als Injektion funktionieren (Data in Biotech, 20. Juli).

Shermans These: Die großen Sprachmodelle, die ChatGPT und Claude antreiben, sind "brillant bei Code und Schreibarbeit" und helfen wirklich beim Schreiben, Lesen und Programmieren im Wirkstoffgeschäft, "aber wo Sprachmodelle keine große Stärke haben, ist der Umgang mit Molekülen. Und in der Wirkstoffforschung dreht sich alles um Moleküle." Seine Ansicht: Mehr Daten in ein Sprachmodell zu stopfen, wird das nicht beheben, weil ein Molekül eigentlich kein Satz ist. Seine Alternative nennt er "physical AI" oder ein "Nanoskalen-Weltmodell": Statt ein Molekül als Textstring oder flache 2D-Skizze darzustellen (die üblichen Abkürzungen), stellt man es so dar, wie die Physik es tatsächlich sieht, als dreidimensionales quantenmechanisches Objekt aus Elektronenorbitalen. Cythera baute ein Modell namens Cyformer, das genau das tut, indem es aus quantenmechanischen Berechnungen lernt statt aus von Menschen gewählten Abkürzungen (Data in Biotech, 20. Juli).

Warum nicht einfach direkt die Physik durchrechnen? Weil das quälend langsam ist: eine rigorose physikbasierte Simulation eines Moleküls "kostet etwa einen Tag pro Molekül auf einer GPU", sodass man auf diese Weise nicht Millionen durchsuchen kann. Physical AI soll die Abkürzung zur Physik lernen, um physikalisch präzise Antworten schnell zu liefern.

Der Hinweis, dass dies nicht nur die Meinung eines einzelnen Querdenkers ist: Sherman merkte an, dass Anthropic kürzlich John Jumper eingestellt hat, den DeepMind-Wissenschaftler, der sich einen Nobelpreis für AlphaFold teilte, und wies darauf hin, dass Jumper "wirklich ein Atom-Typ ist... er versteht Atome, Moleküle, Molekülsimulationen." Zusammen mit allem anderen dieser Woche gelesen, ergibt sich ein Muster: Die Unternehmen mit dem tiefsten KI-Talent bewegen sich auf das Moleküle-und-Physik-Problem zu, nicht davon weg. (Dies ist eine im Podcast getroffene Aussage; die Einstellungsdetails sollten als von Sherman berichtet und nicht hier unabhängig bestätigt behandelt werden.)

Das Labor der Zukunft sieht aus wie ein Rechenzentrum, und es produziert bereits Wirkstoffkandidaten

Wenn drei Stimmen sich einig sind, dass die Beschränkung bei den Daten liegt, lautet die naheliegende nächste Frage: Wer baut die Maschine, die sie erzeugt? Die konkreteste Antwort dieser Woche kam von Lila Sciences, deren Gründer beschreiben, "KI-Wissenschaftsfabriken" zu bauen (Latent Space, 16. Juli).

Ihre Sichtweise lohnt sich zu verstehen, weil sie die geschäftliche Logik hinter der gesamten Bewegung "eigene Daten erzeugen" erklärt. Der Grund, warum die heutige KI gut wurde, so ihr Argument, ist die Kombination aus enormer Rechenleistung und enormen Daten, und diese Daten kamen aus dem Internet, das nun aufgebraucht ist. (Sie zitieren die bekannte Zeile, dass das Internet "das fossile Brennstoff" der KI sei, und "wir haben nur ein Internet.") Wo also kommt der nächste internetgroße Datensatz her? Ihre Antwort: echte Experimente durchführen und die Natur selbst die Vermutungen der KI bewerten lassen. In ihren Worten: "Wissenschaft... mit Natur und Experimenten als Prüfer ist die ultimative Version" des Ansatzes, der KI in Mathematik und Programmierung gut gemacht hat, weil in beiden Fällen die Antwort überprüft werden kann (Latent Space, 16. Juli).

Zwei Details machten das real statt theoretisch:

  • Ihr Labor ist wie ein Computernetzwerk aufgebaut. Jedes Instrument ist ein "Knoten", und Well-Plates schweben buchstäblich auf Magnetschienen, um zwischen ihnen zu wandern, sodass die KI ein brandneues Experiment, das sie noch nie durchgeführt hat, entwerfen und ausführen kann, ohne dass ein Mensch die Laborbank neu verkabeln muss. Sie haben einen Trainingsdatensatz von 10 Billionen "wissenschaftlichen Tokens" zusammengestellt, experimentell verifizierte Denkspuren über Biologie, Chemie und Materialwissenschaft hinweg, und festgestellt, dass ein allgemeines, über die gesamte Wissenschaft trainiertes Modell tendenziell enge, einzelfachbezogene Modelle übertrifft.
  • Der Beleg: Ein Team von zwei oder drei Personen bei Lila, das an einer im Körper wirkenden Version von CAR-T arbeitet (eine wirksame, aber derzeit sehr teure Krebstherapie, die rund 400.000 US-Dollar pro Behandlung kostet), erzielte bei Affen Daten, bei denen die Wirkung der Therapie "deutlich besser" war als bei einem Konkurrenten, Capstan, der von AbbVie für rund 2,1 Milliarden US-Dollar übernommen wurde. Ihre entworfenen genetischen Anweisungen exprimierten etwa 10-mal stärker als die Standardreferenzen von Moderna und Pfizer. Die Pointe: "fünf Jahre Biotech-Arbeit über einen Zeitraum von sechs Monaten, für 10 % der Gesamtinvestition." Lila wird die klinische Studie nicht selbst durchführen, es ist kein Arzneimittelunternehmen, sondern ein Modellunternehmen, aber es erkundet ein "Startup ohne Mitarbeiter"-Modell, bei dem ein Außenstehender eine Idee mitbringt und Lilas Modell-plus-Labor die Wissenschaft übernimmt (Latent Space, 16. Juli).

Ein Rundgang durch das, was gerade tatsächlich funktioniert

Für eine fundierte Bestandsaufnahme des Feldes lud Kardiologe Eric Topol Patrick Hsu ein, Mitgründer des ARC Institute, der konkrete Ergebnisse statt Versprechen durchging (Ground Truths, 20. Juli):

  • Zwei KI-"Co-Wissenschaftler"-Systeme, die im Mai veröffentlicht wurden, leisteten echte Arbeit: Googles Version schlug die Umwidmung von Medikamenten für Leukämie, Leberfibrose und antimikrobielle Resistenz vor, und das System einer Non-Profit-Organisation (namens Robin) schlug eine Behandlung für Makuladegeneration vor.
  • Ein neu veröffentlichter, von Stanford geleiteter Agent namens Biomni, mit 150 spezialisierten Werkzeugen und Zugang zu Tausenden von Publikationen, verkürzte einen Forschungsworkflow von 360 Stunden auf unter 2 Stunden (eine rund 200-fache Beschleunigung), validierte sechs COVID-Biomarker aus 1,4 Milliarden Herzfrequenz-Sensormesswerten und entdeckte neue Biologie in der embryonalen Knochenentwicklung.
  • Hsu war offen bezüglich der Grenzen: Heutige Modelle "halluzinieren immer noch Werte" und "zeichnen das Falsche auf", und ein Fachexperte würde sagen, diese Ergebnisse "erfüllen meinen Geschmackstest noch nicht wirklich". Aber er betonte den rettenden Vorteil der Biologie, "es gibt eine Grundwahrheit": Man kann die Idee der KI immer in echten Zellen, Tieren und Patienten testen.

Er machte auch einen scharfen Punkt zum Wettbewerbsvorteil, der zur Geldrechnung aus früheren Ausgaben passt: Die großen KI-Labore haben "die niedrigsten Kapitalkosten", um Medikamente zu entwickeln. Während ein Biotech-Unternehmen jahrelang Geld verliert, wird Anthropic "in etwa... auf eine Umsatzrate von 60 Milliarden US-Dollar im Jahr kommen", was eine enorme "Anzahl von Versuchen" finanziert. Und er beschrieb die praktische Geschwindigkeitsobergrenze: Eine rein digitale Schleife ist nahezu augenblicklich, ein Reagenzglas-Experiment dauert Stunden bis einen Tag, ein zellbasiertes Experiment dauert Tage, ein Gewebeexperiment länger, "die Länge dieser Schleifen zu verkürzen, während man die biologische Komplexität steigert, ist wirklich der Kern des Spiels." Dieser eine Satz ist wohl die klarste Zusammenfassung des Themas der ganzen Woche.

Die Debatte

Die Schwungfrage der letzten Woche war, ob der eigentliche Wertengpass das Nasslabor ist, das Daten erzeugt (automatisierte/Cloud-Labore, präklinische Datenerzeugung), statt das KI-Modell. Diese Woche wurde die Antwort laut und nahezu einstimmig, und dann wurde sie spezifischer, und es kam ein nützliches Gegenargument.

Der Konsens (drei unabhängige Stimmen): Nicht mehr das Modell ist der Engpass; es sind die Daten.

  • Xaira: Man braucht kausale Daten, erzeugt durch Eingriffe in Zellen, weil Momentaufnahmen keine Ursache-Wirkung lehren können (Latent Space, 21. Juli).
  • A-Alpha Bio: Man braucht negative Daten und interoperable Daten (jedes Mal auf dieselbe Weise gemessen), die öffentlichen Datenbanken fehlen (The Bio Report, 15. Juli).
  • Cytheras Woody Sherman: erhöht die Messlatte weiter, vielleicht ist sprachbasierte KI die falsche Form für Moleküle überhaupt, und wir brauchen physikbasierte "physical AI" (Data in Biotech, 20. Juli).

Beachten Sie die Spaltung innerhalb des Konsenses: Zwei der drei (Xaira, A-Alpha) sagen, die Lösung sei mehr und bessere Daten; der dritte (Sherman) sagt, die Lösung sei eine bessere Art, das Problem dem Computer darzustellen. Beides kann wahr sein, und sie zeigen auf unterschiedliche Gewinner: Datenfabrik-Unternehmen versus Physikmodell-Unternehmen.

Das Gegenargument, eine gesunde Dosis "nicht so schnell": Im Digital Pathology Podcast legte der Strukturbiologe Thibault Geoui dar, warum KI die Wirkstoffforschung noch nicht "revolutioniert" hat, und es ist die nützlichste skeptische Stimme, die wir seit Wochen gehört haben (Digital Pathology Podcast, 22. Juli):

  • Die Schlagzeile: Es gibt noch immer kein wirklich KI-entwickeltes Medikament, das zugelassen und verkauft wird. Das "eine oder zwei" oft zitierte Beispiel entpuppt sich bei genauerem Hinsehen als wiederverwertetes älteres Medikament, KI half, eine neue Anwendung für ein bestehendes Medikament zu finden, was seiner Ansicht nach nicht dasselbe ist wie KI, die ein Medikament entwirft. Seine eigene Definition eines echten "KI-entwickelten Medikaments" ist eines, bei dem KI entlang der gesamten Kette signifikanten Mehrwert lieferte: das Auffinden der Krankheitsbiologie, die Auswahl des Zielmoleküls, das Design des Moleküls, die Vorhersage seiner Sicherheit.
  • Die Perspektive zu AlphaFold: Er nannte es wirklich transformativ, es dauerte vier Jahre, eine Proteinstruktur in seiner Doktorarbeit zu lösen; AlphaFold macht das in Minuten, und die Welt ist von ~170.000 experimentell aufgeklärten Strukturen über 50 Jahre auf 200-300 Millionen seit AlphaFolds Veröffentlichung gestiegen. Aber "es hat die Wirkstoffforschung nicht gelöst, weil Wirkstoffforschung nicht nur bedeutet, eine Struktur zu haben." Eine Struktur ist ein wichtiges Puzzleteil, nicht das Puzzle.
  • Die schiere Größe des Problems: Es gibt etwa 10 hoch 60 wirkstoffähnliche kleine Moleküle; um diese Zahl zu erfassen: Jedes Sandkorn auf der Erde ist nur 10 hoch 25, und jedes Atom im Universum ist 10 hoch 80. Man kann sie nicht alle herstellen oder auch nur berechnen; das Spiel besteht darin, die nächste Handvoll auszuwählen, die man tatsächlich synthetisiert.
  • Ein subtiles Argument für Automatisierung: Er wies auf eine langjährige Peinlichkeit in der Biologie hin, eine bekannte Amgen-Übersicht ergab, dass ~60 % der wegweisenden Krebsexperimente nicht reproduzierbar waren, und spätere Erhebungen fanden Ähnliches. Bei repetitiven "Optimierungs"-Aufgaben (wie dem Finden des besten Rezepts, um eine Zelllinie zu züchten), argumentierte er, will man tatsächlich nicht, dass ein Mensch daran rührt; Maschinen sampeln die Möglichkeiten systematischer und konsistenter. Aber bei echter, offener Entdeckung ist "menschliche Beteiligung immer noch sehr wichtig". Er lobte Insilico Medicine als das herausragende "Tech-Bio"-Beispiel, ein Unternehmen, das digital-first aufgebaut ist, konzipiert, um wiederverwendbare Daten zu erzeugen, während er anmerkte, dass sogar sie noch kein zugelassenes KI-entwickeltes Medikament auf den Markt gebracht haben.

Die Schwungfrage dieser Woche: Wenn jetzt alle zustimmen, dass die Beschränkung proprietäre, zweckgebaute Daten sind, dann könnte der dauerhafte Wert bei demjenigen anfallen, der die Datenfabrik besitzt, den Xairas, A-Alpha Bios und Lila Sciences dieser Welt, statt bei demjenigen mit dem cleversten Modell. Aber Vorsicht bei der Gegenposition: Wenn physikbasierte "physical AI" (Cythera, und jetzt möglicherweise Anthropic-mit-Jumper) arzneiwirksame Vorhersagen aus ersten Prinzipien mit weniger Daten herausholen kann, verschiebt sich der Burggraben von Datenvolumen zurück auf modellhafte Einsicht. Welches ist der eigentliche Engpass, das Labor oder die Physik?

Aktien im Blick

Kurse per 23. Juli 2026 (FactSet). Keine KI-spezifischen Nachrichten trieben diese Bewegungen diese Woche an.

  • Recursion Pharmaceuticals (RXRX): 3,01 US-Dollar, praktisch unverändert gegenüber 3,02 US-Dollar in der Vorwoche (etwa -0,3 %). Es bleibt nahe seinem 52-Wochen-Tief von 2,77 US-Dollar (Spanne 2,77-7,18 US-Dollar), mit einem Marktwert von rund 1,3 Milliarden US-Dollar. Keine themenbezogene Podcast-Berichterstattung und keine Nachrichten im Zeitfenster, die Aktie driftet nahe dem unteren Ende ihrer Spanne, während das breitere Gespräch über KI-Medikamente um die börsennotierten KI-First-Namen herum stattfindet, nicht über sie.
  • Schrödinger (SDGR): 15,13 US-Dollar, etwa 3 % niedriger als 15,60 US-Dollar in der Vorwoche (Spanne 10,95-23,02 US-Dollar, Marktwert ~1,1 Milliarden US-Dollar). Keine SDGR-spezifischen Nachrichten, obwohl das Unternehmen indirekt im Gespräch war: Cytheras Woody Sherman, der über ein Jahrzehnt bei Schrödinger verbrachte, argumentierte diese Woche, dass molekülfokussierte "physical AI", Schrödingers Heimatterrain der physikbasierten Simulation, der Ansatz ist, der tatsächlich zählt (Data in Biotech, 20. Juli).
  • Eli Lilly (LLY): 1.185,77 US-Dollar, etwa 1,3 % höher als 1.170,23 US-Dollar in der Vorwoche und fast 2 % am Tag im Plus (Spanne 623,78-1.249,45 US-Dollar, Marktwert ~1,12 Billionen US-Dollar). Der Kursausschlag wurde ausschließlich durch Adipositas, nicht durch KI, getrieben: Am 23. Juli berichtete Lilly, dass sein Dreifach-Hormon-Medikament Retatrutid das Hauptziel in zwei Phase-3-Studien (TRIUMPH-2 und TRIUMPH-3) erreicht hat, wobei Teilnehmer nach 80 Wochen im Durchschnitt bis zu 22,5 kg (bei Typ-2-Diabetes) und bis zu 25,3 kg (bei schwerer Adipositas mit Herzerkrankung) verloren; Lilly plant, im ersten Quartal 2027 einen Zulassungsantrag in den USA zu stellen (TheFly, 23. Juli). Weitere Lilly-Schlagzeilen dieser Woche waren ebenfalls nicht KI-bezogen: Novo Nordisk verklagte Lilly wegen angeblich irreführender Zepbound/Mounjaro-Werbung; Analysten verwiesen auf Lillys ~7,8-Milliarden-US-Dollar-Übernahme von Centessa und seinen AtaiBeckley-Psychedelika-Deal als Bestätigung dieser Kategorien; und ein vorgeschlagener 100-prozentiger US-Zoll auf importierte Generika (ab 2028) traf die gesamte Pharmabranche.

Read-throughs

  • Der "Besitze die Datenfabrik"-Trade. Die stärkste investierbare Idee in den Podcasts dieser Woche ist keine börsennotierte Aktie, sondern eine Kategorie. Wenn Xaira, A-Alpha Bio und Lila Sciences recht haben, dass proprietäre, zweckgebaute Labordaten die knappe Ressource sind, dann wandert der Wert zu Unternehmen, die biologische Daten in großem Maßstab herstellen (automatisierte Labore, Hochdurchsatz-Screening, Data-as-a-Service). Die meisten davon sind heute privat (Xaira, A-Alpha, Lila), aber der Read-through für börsennotierte Namen besteht darin, zu fragen, welche börsennotierten Unternehmen eine echte Datenerzeugungs-Engine besitzen, gegenüber solchen, die öffentliche Daten mieten, die jeder andere auch nutzen kann (Latent Space, 21. Juli; The Bio Report, 15. Juli).
  • Privatmarkt-Geld bestätigt das Thema weiterhin. Im Nachrichtenfenster sammelten das KI-Protein-Startup Chai Discovery und das KI-Chip-Unternehmen Etched jeweils "Hunderte von Millionen" ein, was ihre Bewertungen in den mehrstelligen Milliardenbereich trieb, TheFly verglich sie explizit mit börsennotierten Marktführern in ihren Sektoren (TheFly, 23. Juli). Chai Discovery kam diese Woche auch auf der wissenschaftlichen Seite zur Sprache, als eines der Unternehmen, die Antikörper-Design-Modelle an Pharmaunternehmen verkaufen (Ground Truths, 20. Juli). Privatkapital finanziert die Ebene "Daten erzeugen / Moleküle entwerfen" weiterhin aggressiv.
  • Die klinische Studienmaschine (CROs) ist eine börsennotierte Möglichkeit, auf "KI macht Arzneimittelentwicklung günstiger" zu setzen. Eine Stimme aus der klinischen Forschungsbranche argumentierte, das Schlimmste sei für Contract Research Organizations vorbei, die Unternehmen, die Pharmaunternehmen für die Durchführung von Studien bezahlen, und dass KI eine "Margen-Waffe und eine Geschwindigkeits-Waffe" sei, kein Job-Killer. Er zitierte IQVIA mit 16,3 Milliarden US-Dollar Umsatz 2025 und einem Auftragsbestand von 32 Milliarden US-Dollar sowie ICON mit 8,25 Milliarden US-Dollar und einem Auftragsbestand von 3 Milliarden US-Dollar, merkte an, dass Medpace effizienter wird, während es KI öffentlich herunterspielt, und verwies auf die FDA-Entwurfsleitlinie zu KI aus 2025 (die einen Menschen in der Schleife verlangt) als praktisch grünes Licht für die Branche, diese Werkzeuge zu übernehmen (Random Musings From The Clinical Trials Guru, 20. Juli). Dies knüpft an eine These aus früheren Wochen an, dass der eigentliche Engpass in der Pharmabranche die klinische Entwicklung ist, nicht die Entdeckung, und IQVIA, ICON und Medpace sind die börsennotierten Namen, die am direktesten exponiert sind, wenn KI die Studienkosten senkt.
  • Der Kapitalkostenvorteil der großen KI-Labore ist real und sollte eingepreist werden. Die Beobachtung, dass Anthropic eine enorme Anzahl von Arzneimittel-"Versuchen" aus einer Umsatzrate von ~60 Milliarden US-Dollar selbst finanzieren kann, während Biotech-Unternehmen jahrelang Geld verlieren, ist ein strukturelles Argument dafür, warum KI-Platzhirsche (Anthropic, Google/Isomorphic, OpenAI) traditionelle Arzneimittelentwickler langfristig überdauern könnten (Ground Truths, 20. Juli). Die berichtete Einstellung von John Jumper bei Anthropic ist ein kleiner, aber aufschlussreicher Datenpunkt in dieselbe Richtung (Data in Biotech, 20. Juli).

Was sich gegenüber der Vorwoche geändert hat

  • Die Schwungfrage der letzten Woche ist weitgehend beantwortet. Wir fragten, ob der Nasslabor-Durchsatz-Engpass automatisierte Labore und präklinische Datenerzeugung zum eigentlichen Wertengpass macht. Diese Woche sagten drei unabhängige Stimmen, Xaira, A-Alpha Bio und Cythera, ja, die Beschränkung sind die Daten (oder die Art, wie Moleküle dargestellt werden), nicht das Modell. Die Debatte hat sich nun innerhalb dieses Konsenses verlagert, hin zu der Frage, welche Art von Daten (kausal? negativ? interoperabel?) und ob eine andere Art von KI (physikbasiert) das Datenproblem ganz umgehen kann.
  • Der Handlungsstrang "KI-Labor als Arzneimittelunternehmen" schritt mit einer echten Zahl voran. Seit Wochen verfolgen wir den Wandel von "KI-Werkzeuge verkaufen" zu "KI nutzen, um eigene Medikamente herzustellen" (Anthropic, Formation Bio). Lila Sciences setzte eine konkrete Zahl auf das Versprechen: Affenstadium-Krebstherapie-Daten in sechs Monaten, bei ~10 % der üblichen Kosten, mit zwei oder drei Personen, und ein "virtuelles Startup"-Geschäftsmodell, das darauf aufbaut (Latent Space, 16. Juli).
  • Neu diese Woche: ein glaubwürdiger Skeptiker. Nach mehreren hype-lastigen Wochen bekamen wir endlich einen rigorosen Realitätscheck: Es ist noch kein wirklich KI-entwickeltes Medikament zugelassen; AlphaFold gab uns Strukturen, keine Heilmittel; und die Behauptung "KI-Medikamente auf dem Markt" hält einer genaueren Prüfung nicht stand (Digital Pathology Podcast, 22. Juli).
  • Neuer Name, der ins Gespräch kommt: Xaira, das auf unserer Watchlist stand, aber erst jetzt substanziell auftauchte. Ebenfalls neu im Blickfeld: A-Alpha Bio, Lila Sciences und Cythera als private Verkörperungen der Datenfabrik-/Physical-AI-Thesen.
  • Personalwechsel, den man beobachten sollte: Die berichtete Einstellung von AlphaFolds John Jumper durch Anthropic ist, falls bestätigt, ein bedeutungsvolles Signal darüber, wohin sich elitäres molekulares KI-Talent bewegt.
  • Kurse: RXRX flach und weiterhin nahe seinem Jahrestief; SDGR erneut um ~3 % niedriger; LLY im Plus wegen Adipositas-Studiendaten (Retatrutid), unabhängig von KI. Die börsennotierten "Pure-Play"-KI-Arzneimittel-Namen (RXRX, SDGR) hinken weiterhin hinterher, während die spannendsten Entwicklungen bei privaten Unternehmen und den großen KI-Laboren stattfinden.
  • Diese Woche weiterhin still auf der Podcast-Front: Recursion (RXRX), Ginkgo (DNA), Tempus (TEM), AbCellera (ABCL), Certara (CERT), Absci (ABSI), Relay (RLAY), Isomorphic Labs, Iambic und Nvidias Gesundheitsplattformen (Clara/BioNeMo) blieben allesamt ohne themenbezogene Berichterstattung.