Newsletter · 2026-07-28 · Ashutosh Agarwal

Die Woche, in der die KI-Wirkstoffforschung geprüft wurde - Branchenfokus: Healthcare & Biotech - Woche vom 28. Juli 2026

Startup- und Venture-Capital-Newsletter für die Woche vom 28. Juli 2026. Der Branchenfokus Healthcare & Biotech, in dem Podcasts aufhörten, KI-Wirkstoffforschung zu feiern, und anfingen, sie zu zählen, mit Xaira, ARC Institute, Caris, Bayesian Health, Initiate Ventures und Yosemite im Fokus, sowie einer laufenden Debatte darüber, ob ein gelerntes Modell die Physik schlagen kann.

Branchenfokus: Healthcare & Biotech

Woche vom 28. Juli 2026: Die Woche, in der die KI-Wirkstoffforschung geprüft wurde

Die Rotation dieser Woche landet bei Healthcare und Biotech. Das Thema, das sich durch die Podcasts zieht: Das Feld hat endlich angefangen zu zählen. Ein Forscher machte sich auf die Suche nach der Welle KI-designter Medikamente, von der alle annahmen, sie baue sich gerade auf, und kam mit einer Zahl zurück, die niemandem gefiel.

Die Lage

Seit drei Jahren lautet das Versprechen, KI werde die Wirkstoffforschung verdichten. Diese Woche hörten mehrere Podcasts unabhängig voneinander auf zu feiern und fingen an zu messen, und die Zahlen sind interessanter als der Hype.

Beginnen wir mit der Prüfung. Im Digital Pathology Podcast ging Thibault Geoui eine einfache Übung durch. Die Boston Consulting Group hatte ein Paper veröffentlicht, das zählte, wie viele "KI-entwickelte" Medikamente sich in klinischen Studien befanden. Ende 2023 lautete die Antwort: 67. Geoui arbeitete mit dem KI-Forscher Eliott Greenblatt zusammen, um dieselbe Methodik erneut anzuwenden und zu fragen, was danach geschah.

"Ich dachte wirklich: Okay, bei all den Investitionen, die wir in KI für Wirkstoffforschung und -entwicklung hatten, müssten wir doch bei 300, 400 Medikamenten stehen. Wir fanden nur sechs oder sieben mehr. Ich dachte: Wie kann das sein? Ich war wirklich, wirklich überrascht."

Sechs oder sieben mehr, 28 Monate später. Und noch kein einziges KI-designtes Medikament hat bislang überhaupt den Markt erreicht. Geoui ist hier vorsichtig: Die ein oder zwei Medikamente, die manchmal als KI-entwickelt und zugelassen beschrieben werden, sind bei genauerer Betrachtung umgewidmete Medikamente, bestehende Wirkstoffe, die auf eine neue Krankheit ausgerichtet wurden. KI half bei der Umwidmung. Das ist nicht dasselbe.

Er bietet Gründe statt Vorwürfe an. Einige der ursprünglichen 67 sind schlicht gescheitert, was angesichts der branchenüblichen Misserfolgsquote von rund 95 % normal ist. Viele wechselten den Eigentümer, weil KI-first-Biotechs ein Asset ein Stück weit vorantreiben und es dann an ein großes Pharmaunternehmen übergeben, das über die Skalierung für Studien der späten Phase verfügt.

Und in der schlechten Zahl steckt ein tatsächlich starkes Gegenargument. Insilico Medicine, Geouis Beispiel für den echten Fall, hat Forschung und präklinische Arbeit von den üblichen fünf bis sechs Jahren auf rund 18 Monate verdichtet. Skeptiker sagen, Insilico habe noch immer kein Medikament auf dem Markt. Richtig. Aber wie Geoui es ausdrückt:

"Sie werden nach fünf oder sechs Jahren scheitern statt nach 18 Monaten zu scheitern. Ich scheitere lieber nach 18 Monaten."

Das ist der ehrliche Stand der Dinge. KI hat Medikamente noch nicht besser gemacht. Sie hat den frühen Teil billiger und dramatisch schneller gemacht, was in einem Geschäft, in dem 95 % der Versuche sterben, für sich genommen bereits sehr viel wert ist, noch bevor auch nur eine einzige Zulassung erfolgt.

Der zweite rote Faden: Der Engpass ist von Algorithmen zu Daten gewandert, genauer gesagt zu einer Art Daten, die es größtenteils noch gar nicht gibt.

Das kam am deutlichsten bei Latent Space zum Ausdruck, wo Bo Wang, Chief AI Scientist von Xaira Therapeutics, und Ci Chu, Chief Discovery Officer, erklärten, warum Proteindesign durchgestartet ist, Zellbiologie hingegen nicht. Chus Antwort: Proteindesign erbte 70 Jahre hochwertiger, von der Community kuratierter Strukturdaten in der Protein Data Bank. Das machte AlphaFold erst möglich. Für Zellen oder Patienten gibt es nichts Vergleichbares.

Schlimmer noch: Die Daten, die es gibt, sind vom falschen Typ. Die großen Single-Cell-Atlanten sind beobachtend, sie beschreiben gesunde Zellen im Ruhezustand. Wirkstoffforschung braucht kausale Antworten: Wenn ich dieses Gen herunterregle, was passiert dann? Chus Erklärung, warum beobachtende Daten dorthin nicht führen können, war die klarste Version dieses Arguments, das diese Woche jemand lieferte:

"Nehmen wir an, Sie beobachten in Ihrem beschreibenden Datensatz, dass die Gene A, B, C gemeinsam auf- und abgehen. Sie können daraus schließen, dass A B und C reguliert... Sie könnten genauso gut sagen, dass B A und C reguliert, und das wäre ebenso völlig plausibel... Und es gibt n Möglichkeiten, ein kausales regulatorisches Netzwerk in diese Datengruppe hineinzupassen."

Deshalb, so sagt er, würden Modelle, die auf beschreibenden Daten trainiert wurden, "lineare Modelle bei kausalen Aufgaben noch nicht übertreffen". Ein Modell mit fünf Milliarden Parametern, das gegen eine simple Gerade verliert, ist ein ungewöhnlich unverblümtes Eingeständnis für ein Unternehmen, das gerade eines ausgeliefert hat.

Drittens: Das Geld bewegt sich, und zwar in Richtung der Unternehmen, denen ihre eigenen Experimente gehören. Bei Ground Truths machte Patrick Hsu, Mitgründer des ARC Institute, einen Punkt, der jeden Gründer aufhorchen lassen sollte. Die Frontier-KI-Labs konkurrieren jetzt direkt um das Pharma-Budget, und sie verfügen über das billigste Kapital der Branche.

"Wenn Sie heute Venture Capital aufnehmen würden, um ein völlig neues Target anzugehen... sind Sie die ersten zwei, drei, vier, fünf, sechs, sieben, acht Jahre lang ein Geld verlierendes Unterfangen."

Vergleichen Sie das mit Anthropic, das Hsu auf eine Jahreslaufrate von rund 60 Milliarden US-Dollar taxiert. Er beschrieb einen "Kampf um die Mitte": FutureHouse hat Edison Scientific ausgegliedert, das Biomni-Team hat Philo ausgegliedert, Anthropic hat Claude Science gestartet, OpenAI hat sein eigenes Tooling, und Chai Discovery verkauft Modelle zum Antikörperdesign. Alle laufen in dieselben Pharma-Beschaffungsgespräche.

Unternehmen, die man kennen sollte

Xaira Therapeutics: X-Cell. Xaira hat X-Cell veröffentlicht, ein "virtuelles Zell"-Modell mit 4,9 Milliarden Parametern, das vorhersagt, was mit einer Zelle passiert, wenn man ein Gen abschaltet. Das Interessante ist nicht das Modell, sondern die Fabrik dahinter. Xaira hat die Trainingsdaten selbst erzeugt, mittels Perturb-seq, einer gepoolten CRISPR-Technik, die es erlaubt, in einem einzigen verschachtelten Experiment über Tausende von Zellen hinweg pro Zelle ein Gen auszuschalten, sodass keine Batch-Effekte bereinigt werden müssen. Der resultierende Pisces-Datensatz umfasst 25 Millionen Zellen über 16 Zelltypen hinweg, genomweit.

Das entscheidende Ergebnis: Sie trainierten das Modell nur auf ruhenden T-Zellen und fragten es dann, was Perturbationen in aktivierten T-Zellen bewirken würden, die es nie zuvor gesehen hatte. Es funktionierte. Bo Wang beschrieb die Reaktion als "einen Wow-Moment für Biologen, dass zum ersten Mal Biologen tatsächlich feststellen, dass das Modell exakt vorhersagen kann, wie diese ungesehenen Zelllinien auf verschiedene Perturbationen reagieren."

Wang ordnete auch ein, was die Leistung tatsächlich antrieb, was für jeden, der in diesem Bereich baut, ungewöhnlich nützlich ist: "die Qualität im Verhältnis zur Skalierung der Datensätze, dann die Architektur, dann das Vorwissen." Er merkte an, dass der Wechsel von autoregressivem Training zu Diffusions-Sprachmodellen einen deutlichen Schub speziell bei der Generalisierung auf ungesehene Aufgaben brachte. Latent Space: The AI Engineer Podcast, "Causal Models Need Causal Data: Xaira's X-Cell model for Drug Discovery" (21. Juli 2026)

Anthropic: Coefficient Bio und Claude Science. Patrick Hsu bestätigte, dass Anthropic Coefficient Bio übernommen hat, ein Startup aus der Antikörper-Engineering-Gruppe von Genentech, das Zero-Shot-Antikörperdesign betreibt, und Claude Science gestartet hat, eine Forschungs-Workbench. Hsu verknüpft den Vorstoß mit dem Hintergrund von CEO Dario Amodei, einem PhD in computergestützter Neurowissenschaft von Princeton. Seine Beschreibung der Workbench zeichnet ein gutes Bild davon, wohin die Reise geht: Ein Biologe ohne Programmierkenntnisse kann sagen "Ich möchte Evo verwenden, um eine neue DNA-Rekombinase zu erzeugen", das System Sub-Agenten dispatchen lassen, AlphaFold im Browser aufrufen, um zu prüfen, ob das erzeugte Protein plausibel aussieht, und die DNA dann bei einem Synthese-Anbieter bestellen. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (20. Juli 2026)

ARC Institute. Viereinhalb Jahre alt, aufgeteilt zwischen akademischen Forschern mit Doppelanstellungen in Stanford, Berkeley und UCSF sowie hauseigenen Technologiezentren. Es hat Evo und Evo2 (Sprachmodelle, trainiert auf DNA über die gesamte Evolution hinweg) sowie State und Stack (seine ersten virtuellen Zellmodelle) veröffentlicht. Der von Hsu beschriebene ehrgeizige Ansatz besteht darin, das Modell rückwärts laufen zu lassen: es in einem kranken Zellzustand initialisieren und fragen, welche Abfolge von Perturbationen die Zelle zurück in Richtung Gesundheit bewegt. "Das mag keine einzelne magische Perturbation sein... aber es könnte eine Kombination über die Zeit sein, um sich langsam durch die Zellzustands-Mannigfaltigkeit zu navigieren." ARC arbeitet außerdem mit OpenAI an Alzheimer-Wirkstofftargets. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (20. Juli 2026)

Biomni (Stanford). Veröffentlicht in Science und ausführlich bei Ground Truths besprochen: ein Agent, verdrahtet mit 150 spezialisierten Tools und Softwarepaketen plus einer Datenbank mit 2.500 Publikationen. Die Testfälle waren ungewöhnlich breit gefächert: Diagnose seltener Erkrankungen, Einzelzellanalyse und, bemerkenswert, Wearable-Sensordaten, über 1.000 Teilnehmer in einer COVID-Studie mit 1,4 Milliarden Herzfrequenzmessungen, aus denen sechs Biomarker validiert wurden. Er arbeitete außerdem mehr als 300.000 Einzelzellen durch, um neue Signalwege in der embryonalen Skelettentwicklung zu identifizieren. Hsus Erklärung, warum das plötzlich funktioniert: Es ist ein Nachgelagertes davon, dass Coding-Agenten gut geworden sind. Weil Code von Anfang bis Ende verifizierbar ist, verbesserten sich Coding-Modelle am schnellsten, und jetzt stehen sie jeder anderen Vertikale vorgelagert, einschließlich der Biologie. Ground Truths, "Patrick Hsu: How Is AI Catalyzing Life Science?" (20. Juli 2026)

Cythera und Silicon Therapeutics: Woody Sherman. Sherman verbrachte über ein Jahrzehnt bei Schrödinger, gründete Silicon Therapeutics, skalierte die Plattform bei Roivant und leitet nun die Wissenschaft bei Cythera, das orale Medikamente für Immunologie-Targets entwickelt, die heute nur mit injizierbaren Biologika erreichbar sind.

Die Geschichte von Silicon Therapeutics ist der konkrete Beweis: ein STING-Agonist, vom Konzept bis zur Klinik in rund drei Jahren, mit einem Team von etwa 10 Computational-Leuten und 10 Wet-Lab-Leuten. STING galt als nahezu unmedizinierbar. Die natürlichen Moleküle, die es aktivieren, sind zyklische Dinukleotide, große unhandliche Moleküle, die aus dem Körper ausgeschieden werden, bevor sie etwas bewirken. Shermans Team fand stattdessen ein deutlich kleineres, arzneistoffartiges Molekül und brachte es dazu, sich innerhalb der Bindungstasche über eine quantenmechanische Pi-Pi-Stapelwechselwirkung mit sich selbst zu paaren, was seiner Ansicht nach zuvor noch nie gelungen war.

Keine kommerzielle Software konnte das modellieren, also bauten sie das Tool selbst. "Es wurde nur für einige Monate des Projekts benötigt, aber es war wirklich ein entscheidender Teil davon." Seine Zusammenfassung der erforderlichen Disziplin ist der Satz, den sich Gründer an die Wand kleben sollten:

"Computation kann bei angemessenem Einsatz sehr mächtig sein, aber man kann Medikamente nicht am Computer herstellen."

Data in Biotech, "Beyond Language: Why Drug Discovery Needs Physical AI, Not Just Large Language Models" (20. Juli 2026)

Caris Life Sciences: MyClarity. Das konkreteste Beispiel der Woche für "KI ist bereits in der Klinik". Dr. George Sledge, EVP und Chief Medical Officer, beschrieb einen Datenbestand von über einer halben Million Gesamtexome, über einer halben Million Gesamttranskriptome und Millionen digitalisierter Pathologie-Objektträger, verknüpft mit Abrechnungsdaten und elektronischen Patientenakten. Zur Einordnung: Ein Exom umfasst 23.000 Gene; ein Transkriptom 61.000 Transkripte pro Zelle.

MyClarity arbeitet mit dem bescheidensten Objekt der Medizin, dem H&E-gefärbten Objektträger, den Sledge "hochmoderne Technologie von 1877" nennt. Der Pathologe eines Arztes schickt einen Objektträger, er wird digitalisiert, hochgeladen und durch einen Algorithmus geschickt. Innerhalb von 24 Stunden kommt das Ergebnis zurück und sagt, ob eine Patientin mit östrogenrezeptor-positivem Brustkrebs im Frühstadium ein Risiko für ein frühes Rezidiv hat (in diesem Fall braucht sie möglicherweise eine Chemotherapie) oder für ein spätes Rezidiv in 10 bis 20 Jahren (in diesem Fall braucht sie eine verlängerte Hormontherapie). "Das ist etwas, das wir noch vor zwei Jahren schlicht nicht tun konnten."

Er gab auch ein gutes Beispiel dafür, was Skala einem bringt: Um ESR1-Amplifikation zu untersuchen, mussten sie 30.000 Brustkrebspatientinnen durchsuchen, um rund 120 Fälle zu finden.

Und eine eindrucksvolle Zahl dazu, warum Kliniker das überhaupt brauchen: Auf der Hämatologie- und Onkologie-Website der FDA gebe es "buchstäblich jede Woche des Jahres eine neue Indikation, seit fünf oder sechs Jahren." Sledges Urteil: "Der härteste Job der Welt ist gerade, allgemeiner medizinischer Onkologe zu sein." Healthcare NOW Radio, "News You Can Use Special Edition: AI In Action with George Sledge" (19. Juli 2026)

Initiate Ventures und TensorBio. Jessica Owens, früher bei der CDC, Krebsbiologie in Stanford, Investing Partner bei Kleiner Perkins und Mitgründerin von Grail, das sie zu einem Unternehmen mit 8 Milliarden Dollar Wert mit aufgebaut hat, hat Initiate Ventures zusammen mit den Mitgründern Yana und Randy Scott (der drei Unternehmen an die Börse gebracht hat) gestartet. Sie gründen und finanzieren gemeinsam KI-native Gesundheitsunternehmen "auf Whiteboard-Stufe" und investieren bewusst nicht in therapeutische Assets, Agrartechnologie oder implantierbare Geräte, weil Therapeutika "eine Riesenmenge Kapital verschlingen" und ihr Eigentumsmodell sprengen würden.

Das Portfoliounternehmen TensorBio entwickelt einen Bluttest zur Stadieneinteilung der Leberfibrose bei MASH. Owens' Marktrechnung lohnt sich zu wiederholen, weil sie eine Krankheit neu einordnet, die die meisten Investoren für eine Nische halten: 20 Millionen Patienten mit aktiver Erkrankung und 80 Millionen mit Vorstufenerkrankung. Ihr Vergleich: Die gesamte Flüssigbiopsie in der Onkologie wird von rund 18 Millionen Krebsüberlebenden und etwa 2 Millionen Neuerkrankungen pro Jahr getragen. "MASH ist gewaltig."

Der klinische Bedarf ist konkret. Bis 2024 gab es keine zugelassenen MASH-Medikamente, also machte sich niemand die Mühe zu screenen. Jetzt gibt es welche (Rezdiffra verlangt, dass Patienten mindestens Fibrosestadium F2 haben), also müssen Patienten ihr Stadium kennen und dann wissen, ob das Medikament wirkt.

Ihr regulatorischer Punkt ist der, den sich Gründer merken sollten. Alle nahmen an, diese Tests würden FDA-reguliert sein; stattdessen sieht es so aus, als sei der Lab-Developed-Test- und CLIA-Pfad auf absehbare Zeit zurück. Das hat kommerzielle Bedeutung: "Sobald etwas FDA-zugelassen ist, ist es festgeschrieben, und man muss jedes Mal, wenn man den Test ändern will, wieder bei der FDA einreichen." Unter CLIA kann ein Diagnostikum weiter aus Real-World-Ergebnissen lernen.

Sie war auch unverblümt bei der Frage der Evidenzqualität im aktuellen Pitch-Aufkommen: "Ich sehe viel zu viele Pitches, bei denen es heißt: Was war Ihre Entdeckungskohorte? Und dann sind es acht Personen plus all diese EHR-Datensätze." The BioCentury Show, "Ep. 115: Initiate's Owens on what it takes to be AI-native" (23. Juli 2026)

Yosemite (Reed Jobs). Reed Jobs' Firma verkündete den ersten Closing eines zweiten Fonds mit einem Zielvolumen von 350 Millionen Dollar. Das Modell ist auf zwei Achsen ungewöhnlich: Es investiert nur in Onkologie (rund 40 % von Biotech), und rund ein Drittel des eingesetzten Kapitals fließt in Unternehmen, die Yosemite selbst gründet, oft zusammen mit Akademikern aus Yale, Berkeley und Stanford. Neben dem Fonds fließen 2,5 % des verwalteten Vermögens in einen Donor-Advised Fund für bedingungslose Forschungszuschüsse, aufgestockt mit 1 Million Dollar pro Jahr aus Managementgebühren. Im ersten Fonds entstanden zwei von 20 Unternehmen direkt aus einem Zuschuss.

Zu dem, was KI tatsächlich für ihn leistet: "Was KI gerade leisten kann, ist, viel Fleißarbeit zu beschleunigen, bei der sie, ehrlich gesagt, nicht unbedingt einen besseren Job machen. Aber was sie schafft, ist, das unglaublich schnell und mit reproduzierbaren, konsistenten Ergebnissen zu tun." Sein Beispiel: Ein Molekül zu finden, das an ein Target bindet, erforderte früher einen Postdoc mit Röntgenkristallographie, kostete rund 50.000 Dollar und dauerte Wochen. "Heute können wir das in Minuten durchmodellieren."

Er wies außerdem auf eine Änderung im Studiendesign hin, die mehr bedeuten könnte als jedes Modell. Statt einen Kontrollarm zu rekrutieren, nutzt man einen synthetischen Stellvertreter und rekrutiert nur den aktiven Arm. "Das wird die benötigte Patientenzahl halbieren, und es wird die Geschwindigkeit davon massiv erhöhen." Er sagt, die FDA lehne sich derzeit dafür in die Kurve.

Zwei Makrozahlen von ihm. Zum Finanzierungsumfeld: Pharma steht vor der größten Patentklippe seiner Geschichte, während sie auf Rekordbarmitteln sitzt, was in den letzten rund acht Monaten eine Übernahmewelle ausgelöst hat. Zur Forschungsbasis: Letztes Jahr forderte eine Regierung eine Kürzung des NIH-Budgets um bis zu 40 %, während die bislang größte Kürzung 1 % im Jahr 2009 war, was rund 7.000 NIH-Wissenschaftler den Job kostete. Der Kongress lehnte die 40-%-Forderung ab.

Und die beste Einzelillustration dafür, was bessere Chemie freisetzt: Revolution Medicines, inzwischen rund 40 Milliarden Dollar wert, adressiert KRAS, das am häufigsten mutierte Onkogen, bei Bauchspeicheldrüsenkrebs, und hat das Überleben beim pankreatischen Adenokarzinom von 12 auf 24 Monate verdoppelt. Jobs' Analogie: Ein gutes Wirkstoff-Target ist Pac-Man, mit einem offensichtlichen Mund, den man blockieren kann; KRAS "ist eher wie der Todesstern zu Ihrem Pac-Man... dieses Oval, das einfach weiterläuft und einen umbringt." Amgen-Wissenschaftler stießen vor rund einem Jahrzehnt zufällig auf eine kryptische Tasche darin, was zu Lumakras führte. Historisch gesehen war überhaupt nur etwa 15 % dessen, was Ihre DNA kodiert, medikamentierbar. StrictlyVC Download, "Reed Jobs Is Betting Cancer Doesn't Have to Be Fatal" (21. Juli 2026)

Bayesian Health, und die Gegenlesart. Johns Hopkins verkündete die FDA-Zulassung für ein Frühwarnsystem für Sepsis, entwickelt im Labor von Suchi Saria und kommerzialisiert von Bayesian Health, beschrieben als eines der ersten KI-basierten medizinischen Tools mit Zulassung, das Sepsis Stunden früher erkennt als Kliniker und Todesfälle um nahezu 20 % reduziert. Saria begann, die Forschung in die Praxis zu übersetzen, nachdem sie 2017 ihren Neffen an Sepsis verloren hatte.

Emily M. Bender und Alex Hanna gingen die zugrunde liegenden Papers bei Mystery AI Hype Theater 3000 durch und argumentierten, die 20-%-Zahl sei weit enger gefasst als die Schlagzeile. Die retrospektive Studie screente rund 469.000 Patientenkontakte, von denen 9.805 Sepsis hatten; die Analyse klammerte dann die Fälle aus, die das System verpasste, und betrachtete nur echte positive Fälle, um sich dann noch weiter auf Fälle einzuschränken, in denen der Arzt auf den Alarm reagierte und der Patient noch nicht auf Antibiotika war. Fehlalarme, jene, die klinische Aufmerksamkeit kosten, stehen nicht im Nenner. Wie Bender es formulierte: "Wenn man irgendwo einen Prozentsatz sieht, muss man fragen, was der Nenner ist."

Zum Kontext, warum überhaupt jemand skeptisch ist: In den eigenen Zitaten des Papers wird erwähnt, dass eines der am weitesten verbreiteten Sepsis-Frühwarnsysteme eine Sensitivität von nur 33 % und eine Präzision von 2,4 % hatte.

Dieselbe Folge brachte etwas zutage, das Gründer, die an öffentliche Behörden verkaufen, im Auge behalten sollten: Das Seattle Fire Department unterhält seit 2019 eine Beziehung mit Corti, das KI bei 911-Anrufen einsetzt, um Anrufer zu routen, eingerichtet ohne öffentliche Prüfung und ohne Benachrichtigung der Anrufer. Washington ist ein Zwei-Parteien-Zustimmungsstaat mit einer Ausnahmeregelung für 911. Mystery AI Hype Theater 3000, "State of Emergency, 2026.06.29" (23. Juli 2026)

Paradigm und Massive Bio: Der KI-Pilot der FDA. Die FDA hat eine offene Informationsanfrage zu einem Pilotprojekt für KI-gestützte Optimierung von klinischen Studien früher Phasen laufen, und die Moderatoren von Note to File lasen die öffentlichen Kommentare durch. Massive Bios zentrale Empfehlung: Die FDA solle dies als "ein regulatorisch belastbares, menschlich geführtes, KI-gestütztes Programm zur Orchestrierung von Studien konzipieren, nicht als eine enge Modellbewertung oder ein rein sponsorbezogenes operatives Experiment." Die Antwort der Moderatoren, "es wirkt wie ein rein sponsorbezogenes operatives Experiment. Ich meine, zu 100 %", fängt die Stimmung der Praktiker ein, die das beobachten.

Ihre schärfere Frage betraf die Designentscheidung. Der Pilot startet in der Onkologie, was sie je nach Zielsetzung entweder als klug oder naiv einschätzen: Onkologie-Studien sind unübersichtlich und schwer zu rekrutieren, aber weil die Teilnahme an Onkologie-Studien oft bereits die klinische Versorgung ist, liegen die Daten in der elektronischen Patientenakte, was sie zum richtigen Testfeld macht, wenn das, was man eigentlich demonstriert, EHR-Integration ist, wie es Paradigms Ansatz nahelegt.

Getrennt davon behandelte dieselbe Sendung die Real-Time-Clinical-Trials-Initiative der FDA, mit zwei Proof-of-Concept-Studien, die Endpunkte live an die Behörde streamen, und widersprach der behaupteten Reduktion der "toten Zeit" um 45 %, mit dem Argument, dass das Streamen unbereinigter, nicht adjudizierter Daten den eigentlichen Engpass nicht behebe, nämlich die Patientenrekrutierung. Note to File: A Clinical Research Podcast, "WHO's New GCP Course, China Data Ban & FDA's AI Pilot" (22. Juli 2026); "Real-Time Clinical Trials: FDA's Big Bet or Big Mess?" (20. Juli 2026)

Das Geld und der Markt, kurz gefasst

Zwei Dinge, die man wissen sollte, wenn man in dieser Branche finanziert.

Das IPO-Fenster öffnet sich, und Reverse Mergers sind still und leise zu einer echten Alternative geworden. Bei Biotech Hangout stellten die Moderatoren fest, dass Mentaris Reverse Merger in NMED mit einer PIPE von fast 300 Millionen Dollar einherging, für einen bispezifischen PACAP-Antikörper gegen Migräne, einen Mechanismus, den Lundbeck kürzlich mit einem intravenösen Ansatz validiert hat. Das ist nun der sechste Biotech-Reverse-Merger, begleitet von einer Finanzierung von über 200 Millionen Dollar. Letztes Jahr gab es etwa drei; im Jahr davor einen; davor fast keinen. Wie es ein Moderator ausdrückte, hätten Reverse Mergers "endlich herausgefunden, wie man einen Börsengang mit den Vorteilen eines Börsengangs und der Kapitalaufnahme eines Börsengangs approximiert." Der Kompromiss ist eine dünnere Sell-Side-Coverage, teilweise ausgeglichen durch niedrigere Gebühren, wobei die meisten dieser PIPEs mit Bank-Sponsoring und etwas eingebauter Analysten-Coverage einhergehen.

Sie stellten außerdem den Börsengang von Scribe Therapeutics gegenüber, der rund 100–120 Millionen Dollar einbrachte, noch in früher Phase, mit australischer TGA-Zulassung für eine PCSK9-Gene-Silencing-Therapie, im Vergleich zu Sana Biotechnologys präklinischem Börsengang 2021, der über 600 Millionen Dollar bei einer Pre-Money-Bewertung von 4,5 Milliarden Dollar einbrachte. Andere Zeiten, und die Moderatoren waren offen damit, dass viele Unternehmen nicht so sehr wählen, an die Börse zu gehen, sondern schlicht das private Kapital ausgeht: "vielen Unternehmen geht das private Investorenkapital aus... wenn sie weitermachen wollen, gehen sie an die Börse."

Contract Research Organizations werden nicht disruptiert, sie bekommen einen Margenhebel in die Hand gedrückt. Die Einschätzung des Clinical Trials Guru: Die Nachfrage ist gesund: IQVIA meldete 2025 einen Umsatz von 16,3 Milliarden Dollar gegen einen F&E-Auftragsbestand von 32 Milliarden Dollar, ICON 8,25 Milliarden Dollar. Sponsoren, so argumentiert er, würden nicht länger für Projektmanagement oder Verwaltung zahlen, "das ist zur Ware geworden", aber sie würden zahlen für "Geschwindigkeit, Rekrutierungssicherheit, regulatorisches Vertrauen, saubere Daten und operative Transparenz."

Sein Gegenargument zur Sorge, Pharma werde KI-Agenten nutzen, um klinische Abläufe wieder ins Haus zu holen: "Die KI hat keine Beziehung zu den Standorten. Die KI weiß außerhalb eines theoretischen Algorithmus nicht, welche Standorte gut abschneiden werden." Er erwartet außerdem eine Umkehrung bei der Personalgewinnung, wieder gefragte Senior-Leute und unter Druck geratende Junior-Rollen, gerade weil der Entwurf der FDA-KI-Leitlinie einen verantwortlichen Menschen im Loop hält. Wenn Ihre Tools mehr Probleme aufdecken, brauchen Sie erfahrenere Leute, um darauf zu reagieren.

Eine strukturelle Zahl für alle, die in diesen Markt verkaufen: Ein Bericht von 2025 fand heraus, dass 35 % der Wirkstoffentwickler ihre Nutzung von Functional Service Providern über zwei Jahre hinweg gesteigert haben, gegenüber 29 %, die Full-Service-Outsourcing steigerten, wobei flexible und hybride Modelle inzwischen rund zwei Drittel des klinischen Entwicklungs-Outsourcings ausmachen. Sponsoren wollen à la carte. Biotech Hangout, "Episode 190" (24. Juli 2026); Random Musings From The Clinical Trials Guru, "The Worst Is Over for CROs and Jobs" (20. Juli 2026)

Eine Debatte: Kann man einem KI-Modell trauen, das behauptet, es habe die Physik geschlagen?

Hier ist die ungeklärte Frage der Woche, und es hängt echtes Geld daran.

Vor rund sechs Monaten veröffentlichten Recursion und das MIT Boltz unter einer offenen Lizenz, mit der Schlagzeile, es liefere nahezu FEP-qualitative Vorhersagen der Bindungsaffinität bei rund der 1.000-fachen Geschwindigkeit. (Free Energy Perturbation, kurz FEP, ist die langsame, physikbasierte Simulation, der Pharmaunternehmen derzeit vertrauen, um abzuschätzen, wie fest ein Molekül an sein Target bindet. Sie ist teuer und der Goldstandard.) Wenn ein neuronales Netz das tausendmal schneller erreichen kann, braucht man die Physik nicht mehr im Loop, und ein großer Teil der Industrie für computergestützte Chemie wird über Nacht neu bepreist.

Woody Shermans Antwort war ungewöhnlich direkt:

"Ich kann zunächst einmal sagen, dass diese These nicht standhält. Und genau das lernt das Feld im Laufe der letzten sechs Monate. Es war eine aufregende Nachricht. Es war eine großartige Pressemitteilung, aber es ist einfach nicht die Realität."

Sein Argument ist präzise, nicht abfällig. Die gelernten Modelle funktionieren gut "in Fällen, in denen man bereits genug Daten zum Target und den interessierenden Wirkstoffen hat." Aber der ganze Sinn eines interessanten Wirkstoffprogramms ist ja, dass man zu etwas Neuem geht, wo diese Daten nicht existieren. "Diese Modelle sind derzeit, was ihre Fähigkeit angeht, Affinität in Co-Folding-Modellen vorherzusagen, nicht annähernd so gut wie die physikbasierte Free-Energy-Methode. Sie wissen einfach nichts über das interessierende Target."

Das tiefere Problem sind Benchmarks. Sherman glaubt, dass Menschen wirklich versuchen, ehrlich zu sein, und das Leck passiert trotzdem. Er zitierte einen Artikel, den Pat Walters etwa eine Woche zuvor veröffentlichte und der zeigte, dass sogar ein sauber aussehender Datums-Cutoff, trainiere auf allem vor 2025 und teste auf allem danach, undicht ist, weil etwas, das nach dem Cutoff "veröffentlicht" wurde, oft ein Jahrzehnt zuvor unter leicht anderen Bedingungen erstmals publiziert wurde. "Es ist immer noch eine Nachschlagetabelle für etwas, das bereits gemacht wurde."

Er behauptet nicht, dass die Physik immer gewinnt. Er räumt ein, dass mit zunehmender Datenmenge "die Modelle genauer werden als die physikbasierten Simulationen, weil man direkt auf den Endpunkten trainiert, auf die es ankommt," und dass die Physik selbst voller Näherungen steckt. Die in molekulardynamischen Simulationen verwendeten Newtonschen Kraftfelder sind Näherungen der Quantenmechanik, weshalb sein eigenes STING-Programm auf echte quantenmechanische Berechnungen zurückgreifen musste, um die Pi-Pi-Stapelwechselwirkung zu sehen, die den Wirkstoff funktionieren ließ.

Die Debatte lautet also nicht "KI gegen Physik". Sie ist enger und nützlicher: Generalisiert ein gelerntes Modell auf ein Target, das es nie gesehen hat, oder interpoliert es innerhalb eines Bereichs, den es bereits auswendig gelernt hat? Niemand in diesen Gesprächen behauptete, einen Benchmark zu haben, der diese Frage zuverlässig beantwortet.

Stellt man Shermans Vorsicht gegen Reed Jobs' Optimismus, erhält man die ehrliche Bandbreite. Jobs behauptet nicht, dass die Modelle neue Biologie entdecken; er behauptet, sie erledigen die Fleißarbeit schnell, kostengünstig und reproduzierbar, und das allein verändert schon, was ein kleines Team versuchen kann. Sherman stimmt dem allem zu. Wo sie sich unterscheiden würden, ist beim nächsten Schritt: ob sich die Beschleunigung immer weiter zu echter Neuheit aufsummiert oder am Rand der Trainingsdaten ein Plateau erreicht.

Geoui fasst dieselbe Gabelung als den Unterschied zwischen Optimierung und Entdeckung. Optimierung, das richtige Wachstumsmedium für eine Zelllinie zu finden oder einen Parameterraum intelligent zu sampeln, "ist wirklich die Art von Sache, für die man nicht viel Kreativität braucht," und er argumentiert, sie sollte vollständig autonom laufen, teils weil Menschen die Quelle der Irreproduzierbarkeit sind. Er zitierte ein Amgen-Paper, das feststellte, dass rund 60 % der onkologischen Experimente nicht reproduziert werden konnten, sowie eine spätere Nature-Umfrage, die es auf 60–70 % bezifferte. Entdeckung, bei der "schon das Formulieren der Frage schwierig ist", ist weiterhin der Bereich, in dem Menschen zählen.

Diese Unterscheidung ist wahrscheinlich das Nützlichste, das ein Gründer aus dieser Woche mitnehmen kann. Wenn Sie Optimierung automatisieren, ist der Case heute stark und der ROI messbar. Wenn Sie Entdeckung verkaufen, ist die Beweislast gerade schwerer geworden, weil jetzt jemand mitzählt.

Eine Anmerkung zur Größenordnung

Eine letzte Zahl, denn sie erklärt, warum trotz der Prüfung alle weiter versuchen. Geoui legte den Suchraum für niedermolekulare Wirkstoffe dar: Es gibt rund 10^60 arzneistoffähnliche Moleküle. Zur Kalibrierung: Jedes Sandkorn der Erde entspricht rund 10^25, und jedes Atom im Universum rund 10^80.

Man kann sie nicht synthetisieren. Man kann sie nicht einmal alle in einem Computer repräsentieren. Aber die Zahl, die man computergestützt designen kann, ist "um mehrere Größenordnungen größer als das, was man physisch tatsächlich herstellen kann."

Zum Vergleich merkte er an, dass es rund 50 Jahre experimenteller Arbeit brauchte, um 170.000 Proteinstrukturen zu bestimmen. Seit AlphaFold liegt die Zahl im Bereich von Hunderten Millionen.

AlphaFold hat die Wirkstoffforschung nicht gelöst. Niemand Ernstzunehmendes behauptet das. Aber es hat einen Schritt genommen, der früher vier Jahre der Promotion eines Strukturbiologen verschlungen hat, und ihn auf wenige Minuten reduziert. Das ist die Form jedes echten Erfolgs in dieser Branche bisher: keine Heilung, sondern ein Schritt, der früher eine ganze Karriere war.

Nächste Woche: Sales & Customer Service.