Newsletter · 2026-07-30 · Ashutosh Agarwal

Das AlphaFold-Team zerbricht, während KI-Labore anfangen, eigene Medikamente zu entwickeln - AI Drug Discovery Weekly - Woche vom 30. Juli 2026

KI-Wirkstoffforschungs-Newsletter für die Woche vom 30. Juli 2026. Google löst das AlphaFold-Team auf und verlagert Forscher zu Gemini und Isomorphic Labs; Anthropic hat offengelegt, dass es eigene präklinische Medikamente entwickeln wird; und Regeneron, Bristol Myers Squibb und Eli Lilly zeigten, dass die proprietären Patientendaten, die heute als der eigentliche Burggraben gelten, bei den etablierten Konzernen liegen - all das vor den Quartalszahlen von Recursion, Schrodinger und Lilly am 5. August.

AI Drug Discovery Weekly

Woche vom 30. Juli 2026: Das AlphaFold-Team zerbricht, während KI-Labore anfangen, eigene Medikamente zu entwickeln

Das Team, das das Protein-Faltungsproblem gelöst hat, wird gerade aufgelöst - und die KI-Unternehmen haben beschlossen, nicht länger Schaufeln zu verkaufen, sondern selbst zu graben.

TL;DR

• Google löst das AlphaFold-Team auf. Forscher der Gruppe, die für die Vorhersage von Proteinstrukturen den Nobelpreis gewonnen hat, wurden zu Gemini versetzt oder zu Isomorphic Labs, Alphabets Wirkstoffforschungssparte, umgesetzt. Rund ein Viertel des Teams hat das Unternehmen bereits komplett verlassen. DeepMinds VP of Research sagte, die "langjährige Strategie der großen Herausforderungen habe sich nun weiterentwickelt." Übersetzt heißt das: Das gefeiertste KI-für-die-Wissenschaft-Projekt des Jahrzehnts hat einen internen Budgetkampf gegen einen Chatbot verloren.
• Anthropic wird eigene Medikamente entwickeln. Nicht Werkzeuge für Pharmaunternehmen, sondern echte präklinische Programme für seltene und vernachlässigte Krankheiten. Dies wurde diese Woche im BioCentury-Podcast offengelegt, und es verändert die Wettbewerbsfrage für jedes Pharmaunternehmen, das über ein Abonnement der Plattform nachdenkt.
• Letzte Woche lautete der Konsens: "Nicht das Modell ist der Flaschenhals, sondern die Daten." Diese Woche haben wir erfahren, wem die Daten gehören - den etablierten Konzernen. Regeneron hat drei Millionen Menschen sequenziert und über 100 protektive genetische Mutationen gefunden, von denen rund 50 zu Wirkstoffprogrammen wurden. Bristol Myers Squibb hat seinen eigenen KI-Supercomputer erweitert, um die Target-Identifikation von Wochen auf Tage zu verkürzen. Eli Lilly lizenziert Zugang zu historischen Forschungsdaten im Wert von einer Milliarde Dollar.
• Reid Hoffman verlässt den Microsoft-Vorstand, um ein KI-Chemieunternehmen hauptberuflich zu leiten. Er sagt, Manas AI habe Krebswirkstoffe hervorgebracht, "die Menschen nicht entdeckt hatten" und die seine computergestützten Chemiker noch nie gesehen hatten. Intern nennt er das "Zug 37 für die Chemie."
• Schrodinger brachte den einzigen echten Produktstart der Woche heraus - einen agentischen KI-Assistenten namens Bunsen, gebündelt mit NVIDIA- und Google-Cloud-Infrastruktur. Bemerkenswert: Kein einziger Podcast hat darüber gesprochen.
• Recursion hatte eine wirklich stille Woche. Keine Nachrichten, keine Analystenaktionen, keine Podcast-Berichterstattung. Der einzige Auftritt war der CEO, die ein Labor beschrieb, das eine Billion Neuronen gezüchtet hat.
• Alle drei von uns genannten Aktien berichten am selben Tag über ihre Zahlen: dem 5. August. Diese Woche dreht sich alles um Positionierung vor der Berichtssaison.

What's new

Das AlphaFold-Team wird auseinandergenommen

Das ist die Geschichte der Woche, und sie verdient es, klar ausgesprochen zu werden, weil man sie leicht unterschätzen kann.

AlphaFold ist der Grund, warum die meisten Menschen außerhalb der Biologie überhaupt schon von KI in der Wirkstoffforschung gehört haben. Es sagt die dreidimensionale Form voraus, in die sich ein Protein aus seiner zugrunde liegenden genetischen Sequenz falten wird - ein Problem, das dem Fachgebiet fünfzig Jahre lang widerstanden hatte. Die Entwickler erhielten den Nobelpreis. Vor AlphaFold hatte die Menschheit über fünf Jahrzehnte experimentell rund 170.000 Proteinstrukturen bestimmt. Danach stieg die Zahl auf 200 bis 300 Millionen.

Bei der Daily Tech News Show (29. Juli) berichteten die Moderatoren, dass viele Forscher aus diesem Team, "einige von ihnen übrigens Nobelpreisträger für ihre Arbeit an AlphaFold", "zu Gemini versetzt oder zu Isomorphic Labs umgesetzt wurden, Alphabets Wirkstoffforschungsunternehmen, das aus DeepMind ausgegründet wurde." Und die Zahl, auf die es ankommt: "Rund ein Viertel des Teams hat das Unternehmen offenbar bereits verlassen."

DeepMinds VP of Research, Pushmeet Kohli, stellte dies als strategische Weiterentwicklung dar - die "langjährige Strategie der großen Herausforderungen der Gruppe habe sich nun weiterentwickelt" hin zu einer stärkeren Fokussierung auf Gemini, das laut den Moderatoren "offenbar Googles größte Priorität ist. Sie arbeiten wirklich hart daran, auf diesem Spitzenniveau zu konkurrieren."

Die Moderatoren deuteten dies als Sieg für Google, und es gibt eine vertretbare Version dieses Arguments. Wie es einer formulierte: "DeepMind AlphaFold war zu einem gewissen Zeitpunkt eine eigenständige Sache, weil es eine eigenständige Sache sein musste. Und es - Verzeihung für das schlechte Wortspiel - in Gemini zu 'falten' und zu einem Teil der wissenschaftlichen Forschung zu machen, die Gemini bereits leisten kann und die bereits in der Forschung genutzt wird, lässt das Ganze einfach viel stärker wirken." Die AlphaFold-Tools bleiben offen zugänglich, und Isomorphic Labs besteht weiter.

Aber wenn man diese Rahmung beiseite lässt, ist Folgendes passiert: Das wissenschaftlich meistgefeierte KI-Projekt der Welt konkurrierte intern um Talente gegen einen Allzweck-Chatbot - und verlor. Ein Viertel der Belegschaft ist gegangen. Für eine Branche, deren gesamter Investment-Case auf "KI wird die Biologie transformieren" beruht, ist die Tatsache, dass der Vorzeigebeweis dieser These innerhalb des Unternehmens, das ihn geschaffen hat, nicht als eigenständige Priorität zu verteidigen war, es wert, darüber nachzudenken.

In derselben Woche gab es ein verwandtes Signal. Bei Tech Brew Ride Home (29. Juli) wurde in der Diskussion darüber, wie KI-Labore auf sich selbst verbessernde Systeme zusteuern, angemerkt, dass Demis Hassabis Berichten zufolge einen anderen Weg verfolgt - über "Weltmodelle" statt über Coding-Agenten, die sich rekursiv selbst verbessern. Letzte Woche berichteten wir über Cytheras Woody Sherman, der für physikbasierte "Nanoskalen-Weltmodelle" für Moleküle statt für Sprachmodelle plädierte. Diese beiden Stränge könnten zusammenlaufen: Die Wette innerhalb von DeepMind könnte sein, dass die Molekularwissenschaft über Weltmodelle zurückkehrt, nicht über ein dediziertes Team zur Strukturvorhersage.

Anthropic wird zum Arzneimittelentwickler

Die Episode von BioCentury vom 28. Juli enthielt eine Offenlegung, die mehr Aufmerksamkeit verdient hätte, als sie bekam.

Die Episode war um eine Mapping-Übung herum aufgebaut: Reporterin Lindsay und ihre Kollegin Karen Tkach-Tusman verbrachten Zeit damit herauszuarbeiten, wie die jüngsten Veröffentlichungen der großen KI-Unternehmen im pharmazeutischen Forschungsstack zusammenpassen. Anthropic veröffentlichte Ende Juni Claude Science. Google baut etwas Ähnliches. NVIDIA verkauft die Werkzeuge und die Rechenleistung darunter. Amazon baut Agenten für spezifische Aufgaben. OpenAI arbeitet am Modell selbst.

Dann fragte mitten im Gespräch ein Moderator: "Lizzie, ich habe eine Frage. Ich dachte, ich hätte gehört, dass Anthropic selbst in die präklinische Arzneimittelentwicklung einsteigt?"

Die Antwort: "Ja. ... Anthropic wird nun präklinische Programme für seltene und vernachlässigte Krankheiten entwickeln. Sie haben nicht viel mehr darüber hinaus gesagt."

Die Anschlussfrage ist die, die sich nun jede Führungskraft in der Pharmaindustrie stellen wird: "Wenn Sie also ein Unternehmen sind, das darüber nachdenkt, die Tools zu nutzen, gibt das nicht Anlass zur Sorge? Jetzt ist dieses Unternehmen auch mein Wettbewerber?"

BioCentury legte dies Anthropic direkt vor und sprach dort mit Jonah Kuhl, der sagte, die Plattform trainiere "nicht mit den Daten der Nutzer und halte deren Daten in keiner Weise." Und das sei nicht Teil ihres Geschäftsmodells. Das genannte Motiv sei es, die Schwierigkeiten zu verstehen, mit denen Pharmaunternehmen bei der Arzneimittelentwicklung konfrontiert sind. BioCentury nahm dies nicht einfach hin: "Ich denke, ob sich das wirklich so vollständig entwickelt, werden wir sehen - ob es da auch noch etwas anderes gibt."

Warum das kommerziell wichtig ist: Der gesamte Pitch von Plattform-KI an Pharmaunternehmen lautet "gebt uns eure proprietären Daten, und wir machen euch schneller." Wenn der Plattformanbieter gleichzeitig seine eigene Pipeline betreibt - selbst bei seltenen und vernachlässigten Krankheiten, die kommerziell unattraktiv und daher ein diplomatischer Startpunkt sind - ändert sich die Vertrauensrechnung. BioCentury sagte den Ausweichmechanismus voraus: "eine Entstehung alternativer Wege, um auf Modelle zuzugreifen. Also Dinge wie föderiertes Lernen oder andere Konsortien, die Daten auf geschützte Weise für einen bestimmten Zweck bündeln oder sammeln, ohne dass man seine Daten notwendigerweise einem potenziellen Konkurrenten übermittelt." (Föderiertes Lernen bedeutet, ein gemeinsames Modell zu trainieren, ohne dass eine der Parteien ihre Rohdaten weitergibt.)

Zum Maßstab, wer das tut: Bei Equity (22. Juli) merkte Matt Murphy von Menlo Ventures an, dass Anthropic bis Mai eine annualisierte Umsatzrate von 47 Milliarden Dollar überschritten habe, gegenüber 9 Milliarden Dollar im Jahr 2025, und schrieb dies dem Fokus auf Unternehmenskunden sowie Produkten wie "Claude Code für Life Sciences" zu. Ein Unternehmen mit dieser Umsatzrate, das in die präklinische Entwicklung einsteigt, ist kein Wissenschaftsprojekt.

Die etablierten Konzerne haben gerade ihre Karten offengelegt, und ihre Daten sind gewaltig

Die letzte Ausgabe stellte fest, dass drei unabhängige Stimmen auf eine gemeinsame These zusteuerten: Das KI-Modell ist nicht mehr die Beschränkung, die richtigen im Labor erzeugten Daten sind es. Diese Woche haben wir die Antwort auf die naheliegende Anschlussfrage erhalten, wer diese Daten tatsächlich besitzt - und die Antwort ist unbequem für die reinen KI-Wirkstoffforschungsunternehmen.

Regeneron. Aris Baras, der das Regeneron Genetics Center leitet, gab in Business Of Biotech (27. Juli) womöglich das inhaltsreichste Interview der Woche.

Er beginnt mit dem eigentlichen Problem, und das ist nicht die Modellierung. Sein Team analysierte jedes jemals verfolgte Wirkstoff-Target, jedes zugelassene Medikament, alles, was jemals in einer Studie versucht wurde, und stellte fest, dass dies "irgendwie vielleicht 10 % des Genoms" abdeckte. "10 %. Es gibt 20.000 Gene, und wir konnten wirklich nur an etwa 10 % davon herangehen." Daher, in seinen Worten, "hat unsere Branche eine Fehlerquote von 90 %. Die meisten Menschen wissen das gar nicht zu schätzen. Wir wachen jeden Tag auf, und das meiste von dem, was wir tun, scheitert."

Ihr Ansatz: Menschen finden, deren Genetik sie vor Krankheit schützt, und dann ein Medikament entwickeln, das diese Mutation nachahmt. Die Inspiration war PCSK9 - die Dallas Heart Study fand heraus, dass Träger einer defekten Version dieses Gens "90 % niedrigere Herzinfarktraten und sehr niedrige Werte des schlechten Cholesterins" hatten. Baras' Punkt dazu, warum dies alles entrisikoiert: "Die klinische Studie ist praktisch schon gelaufen. Man kann Tausende von Menschen mit ihren lebenslangen Daten betrachten, denen dieses Gen fehlt, und die Vorteile sehen, die sie haben. Und plötzlich sieht es nicht mehr nach 90 % Fehlerquote aus."

Der Haken ist, dass diese Menschen selten sind, "einer von 1.000, einer von 10.000", und ein Beispiel beweist nichts. "Einen davon zu finden ist großartig. Aber um wirklich sicher zu sein, will man Hunderte davon sehen. Man will Tausende davon sehen." Genau das ist die vollständige Rechtfertigung für die Größenordnung: drei Millionen sequenzierte Menschen.

Nach dreizehn Jahren lautet das Ergebnis: "Wir haben über 100 dieser erstaunlichen, geradezu faszinierenden, kaum glaublichen Geschichten protektiver menschlicher genetischer Faktoren gefunden. Etwa die Hälfte davon, vielleicht 50, haben wir über ein Jahrzehnt hinweg in neue Medikamente in Regenerons Pipeline verwandelt." Auch in den schwierigsten Bereichen - Neurodegeneration, sogar Krebs: "Menschen, die mit genetischen Varianten geboren werden, die sie davor schützen, jemals an Krebs zu erkranken. Man stelle sich die Möglichkeiten vor."

Er führte durch ein laufendes Beispiel, ohne das Target zu nennen: ein Gen mit "dem größten Effektstärke-Wert, den wir je bei der Reduzierung von Leberfett und dem Risiko von Lebererkrankungen gesehen haben, gemessen an jeder Genetik, jedem Gen, jedem Target." Da die protektive Version des Gens defekt ist, "wissen wir sofort, dass wir einen Hemmstoff entwickeln müssen." Weil ihre Transkriptomdaten zeigten, dass es sich in Leberzellen befindet: "Das kann man nicht mit einem Antikörper machen." Also leiteten sie es über ihre Alnylam-Partnerschaft in ein Gen-Silencing-Medikament, das sich derzeit in der Spätphase der Entwicklung befindet, mit Daten, die für später in diesem Jahr erhofft werden. Das ist der gesamte Kreislauf, von der Populationsgenetik über die Modalitätsauswahl bis zur Klinik - und man beachte, wie wenig davon KI ist.

Wo KI tatsächlich ins Spiel kommt, teilt sich in zwei Schichten auf, und die zweite ist der strategisch interessante Teil.

Die banale Schicht: Sie nutzen sie für das "Variant Calling" - die Sortierung, welche der Milliarden genetischen Varianten pro Genom bedeutungslos sind und welche tatsächlich wichtig sind - sowie für die Automatisierung der Annotation über "Hunderttausende von Bildern". Baras schreibt die frühzeitige Einführung "sicherlich der Claude-Modelle" seinem in Rente gehenden Chief Data Officer Jeffrey Reed zu.

Die strategische Schicht ist, in seinen eigenen Worten, das Zitat der Woche:

Es ist phänomenal, was diese Unternehmen bei der Entwicklung dieser KI-Modelle geleistet haben. Und sie werden nur besser. Und effizienter, möglicherweise. Aber sie neigen dazu, gleich auszusehen, richtig, wenn sie mit öffentlichen Daten trainiert werden. Anthropic und OpenAI trainieren also weitgehend mit einer Menge derselben Daten. Sie können sich also bei ihren Modellen differenzieren. Aber was wäre, wenn man diese Modelle koppeln könnte, oder besser noch, sie mit der Art von Daten trainieren könnte, die wir hier generieren?

Er zieht dann explizit den Ausgabenvergleich: Die KI-Unternehmen stecken Milliarden in Rechenzentren, um mit öffentlichen Daten zu trainieren, während "die Milliarden, die wir ausgegeben haben, und das Jahrzehnt, das wir mit dem Aufbau dieser proprietären Datensätze verbracht haben, die spezifischer und einzigartiger für das Gesundheitswesen sind." Seine Sicht auf den Preis: Hunderte von Millionen Gesundheitsakten über Jahrzehnte hinweg mit genomischer und proteomischer Tiefe kombinieren, und "man kann endlich anfangen, Modelle zu trainieren, die menschliche Biologie verstehen und vorhersagen."

Sein erklärtes Endziel lässt keinen Raum für Zweideutigkeit darüber, ob sich dieses Programm irgendwann abflacht: "Ich sehe wirklich eine Zukunft, in der wir das Genom und das Proteom jedes Einzelnen generieren werden. Es gibt also keinen abnehmenden Ertrag. Es gibt hier keine Ziellinie. Wir gehen all-in."

Ein wirklich offenes Eingeständnis, das in die andere Richtung wirkt: Ein früher Sequenzierungsführer zu sein, "wird für uns viel weniger zu einem strategischen Vorteil." Die Sequenzierungskosten sind eingebrochen. Der Burggraben ist die Verknüpfung zwischen Genomen und jahrzehntelangen Gesundheitsakten, nicht die Sequenzierung selbst.

Bristol Myers Squibb. Science News Daily (22. Juli) berichtete, dass BMS seine KI-Plattform erweiterte, aufbauend auf "einem ersten DGX-Superpod, der vor etwa drei Jahren gestartet wurde, mit dem Ziel, die Target-Identifikation von Wochen auf Tage zu beschleunigen." (Ein DGX-Superpod ist NVIDIAs vorkonfektionierter KI-Supercomputer.) Die Führung bezeichnete das Ziel als "manuelle Arbeit zu reduzieren und die Wahrscheinlichkeit zu erhöhen, dass vorangetriebene Programme die richtigen sind" - man beachte diese zweite Klausel, die eher die Trefferquote als die Geschwindigkeit betrifft. Es wurden keine Finanzkennzahlen oder ein Kommerzialisierungszeitplan offengelegt. BioCentury markierte dies separat als Teil eines Trends: "vielleicht werden große Pharmaunternehmen, die das Kapital für solche Deals haben, im Gegensatz zu einem kleinen Biotech-Unternehmen, das vielleicht nur Zugang zur Plattform selbst hat, in der Lage sein, mehr, schneller zu erreichen."

Eli Lilly. Lilly macht dasselbe aus einem dritten Blickwinkel - vermietet seine Daten als Burggraben. Am 23. Juli trat Sprint Bioscience offiziell Lilly TuneLab bei, der KI-Wirkstoffforschungsplattform, die Lilly Ende 2025 gestartet hat. Die Vereinbarung gibt Sprint Zugang zu Vorhersagemodellen, die mit Lillys proprietären Forschungsdaten trainiert wurden und die über eine Milliarde Dollar an historischen Forschungsinvestitionen repräsentieren sollen. Ein separater Branchenbericht vom selben Tag hob Lillys rund eine Milliarde Dollar teures Co-Innovationslabor mit NVIDIA hervor sowie seinen "LillyPod"-Supercomputer, der Anfang 2026 mit 1.016 Blackwell-Ultra-GPUs in Betrieb ging.

Legt man diese drei zusammen, ergibt sich ein Muster, das jeden beunruhigen sollte, der Long in den reinen KI-Wirkstoffforschungswerten positioniert ist: Große Pharmaunternehmen bauen intern auf, was die KI-Wirkstoffforschungsunternehmen verkaufen. Sie haben die Daten, sie haben das Kapital für Compute-Deals, und wie es in der Berichterstattung von BioCentury heißt: "Der limitierende Faktor ist nicht das Modell oder der Zugang zur Plattform, sondern eher die Daten und die Arten von Assays, die sie durchführen."

Reid Hoffman geht All-in auf KI-Chemie

Bei Masters of Scale (25. Juli) kündigte Reid Hoffman im Gespräch mit Satya Nadella an, dass er zum Jahresende nach zehn Jahren aus dem Microsoft-Vorstand ausscheiden werde, um in den "Gründer-Modus" bei Manas AI zurückzukehren, seinem KI-getriebenen Chemieunternehmen.

Sein Grund ist ein Ergebnis, und er beschrieb es sorgfältig. Manas hat eine interne Bezeichnung für das, was sie beobachten: "Wir haben eine interne Beschreibung von 'Zug 37 für die Chemie', weil wir Chemie sehen, die tatsächlich Schüsse auf wirklich interessante Krebsarten und andere Dinge abgeben könnte."

(Für alle, die die Anspielung verpasst haben: Zug 37 war der Zug, den AlphaGo 2016 gegen Lee Sedol spielte, den kein menschlicher Spieler gewählt hätte, der wie ein Fehler aussah und sich dann als genial herausstellte. Er wurde zur Standardformel dafür, dass KI etwas hervorbringt, das wirklich außerhalb der menschlichen Intuition liegt, statt nur schneller zu sein.)

Die Bestätigung, die er anbietet, ist menschliche Expertenüberraschung: "Wir haben einige der besten computergestützten Chemiker der Welt, und sie haben sich das angesehen und gesagt, das ist sehr interessant, das haben wir noch nie gesehen, und das könnte funktionieren." Und entscheidend: "Die Art von Chemie, die wir betreiben, wie - die Menschen hatten diese Chemie bei Manas nicht entdeckt."

Seine Erklärung, warum das passiert, ist der nützliche Teil seines Arguments. KI, sagt er, sei "eine fremdartige Intelligenz ... eine andere Version von KI, die stark darauf ausgelegt wurde, menschliche Intelligenz nachzuahmen, was für uns jede Menge Nutzen schafft, aber ihre Denkmuster sind nicht dieselben wie unsere. Und Menschen stoßen häufig darauf und sagen, oh, das ist beängstigend. Man kann sagen, nun, nein, eigentlich ... es ist auch wunderbar, weil es neue Dinge ermöglicht."

Zu seiner Ehre hat er die Zeitachse nicht übertrieben verkauft: "Es ist noch sehr früh, richtig? Und solche Dinge brauchen eine Weile, mit all den IND-Verfahren." (Ein IND ist der Antrag, den ein Unternehmen bei der FDA einreicht, bevor es ein Medikament am Menschen testen darf - das erste echte regulatorische Tor.) Eine neuartige Verbindung, die Chemiker beeindruckt, ist noch ein weiter Weg von einem Medikament entfernt.

Die andere echte Wissenschaft der Woche

Ein designtes Protein senkte die Fehlerrate von CRISPR um mehr als das Fünffache. Berichtet auf AI Chat (24. Juli): Ein chinesisches Forschungsteam nutzte AlphaFold, um das CRISPR-Cas9-Genscheren-Protein neu zu designen, und testete 23 Aminosäuren-Austausche an 10 Schlüsselpositionen. Off-Target-Schnitte - Schnitte an der falschen Stelle im Genom, das zentrale Sicherheitsproblem bei der Genbearbeitung - fielen von 28 % auf 5 %, während die Genauigkeit am beabsichtigten Target erhalten blieb. Veröffentlicht in Nature. Ein bemerkenswertes mechanistisches Detail: An über 95 % der Off-Target-Stellen zeigten sich Veränderungen darin, welche Aminosäuren mit der Guide-RNA in Kontakt standen, selbst dort, wo die Gesamtform des Proteins unverändert blieb. Dies ist ein gutes Beispiel dafür, dass KI-Strukturvorhersage etwas Nützliches tut, das nicht "ein neues Medikament von Grund auf entwerfen" ist - sie hat ein bestehendes Werkzeug sicherer gemacht.

Scape Bio veröffentlichte ein Nature-Paper zu KI-designten Mini-Proteinen für eine Zielklasse, die sich Biologika bisher widersetzt hat. Bei The Bio Report (22. Juli) legte Mitgründer und CEO Christopher Norn die Lücke dar. GPCRs - die Rezeptorfamilie hinter einem großen Anteil zugelassener Medikamente und die Familie, an der die GLP-1-Abnehmmittel wirken - werden meist mit kleinen Molekülen und Peptiden bekämpft. Antikörper funktionieren hier kaum: "Es gibt sehr wenige Beispiele für zugelassene Medikamente. Es sind insgesamt drei. Und von diesen drei Antikörpern hat keiner die Fähigkeit, den Rezeptor zu aktivieren."

Der Grund ist physikalischer Natur. Diese Rezeptoren sitzen eingebettet in der fettigen Membran einer Zelle und sind nicht löslich, sodass der Standardweg zur Herstellung eines Antikörpers nicht funktioniert: Man zieht den Rezeptor aus der Membran, und "sie nehmen leicht andere Konformationen an, und die Moleküle, die man auf diese Weise erstellt, sind am Ende nicht funktionsfähig." Scapes Lösung besteht darin, direkt in menschlichen Zellen auf Bindung zu screenen, "wobei die Rezeptoren in ihrer nativen Umgebung verbleiben."

Ihre designten Moleküle sind Mini-Proteine, "nur 40 bis 70 Aminosäuren lang", gegenüber Antikörpern, die "etwa 15-mal länger" sind, was laut Norn eine bessere physikalische Passform verleiht: "Wir können ziemlich tief in ihre Tasche eindringen und sie im gewünschten Zustand verriegeln." Er beschreibt sie als "selektiv wie Antikörper, stabil wie kleine Moleküle" und formulierbar, um die Verdauung für eine auf den Darm beschränkte Therapie zu überstehen.

Das Ergebnis: In Zusammenarbeit mit David Bakers Labor "haben wir das jetzt für 11 verschiedene GPCRs geschafft ... wir können Modulatoren erzeugen, um diese Rezeptoren entweder zu aktivieren oder zu [deaktivieren]." Das Nature-Paper wurde am selben Tag wie die Episode veröffentlicht.

Es gibt auch ein schönes Detail dazu, wo Sprachmodelle passen - und das hat nichts mit Molekulardesign zu tun. Norn nutzte sie für die Target-Auswahl, historisch "eine Übung, bei der viele Leute in einem Raum über ein bestimmtes Target diskutieren ... endlose Diskussionen", bei denen "jeder seinen eigenen Lieblings-GPCR hatte." Stattdessen: "Mit LLMs können wir das systematisch tun. Wir haben Milliarden von Tokens verwendet, um dies über, ich glaube, 3.000 verschiedene Kombinationen aus Target-Indikation-Wirkmechanismus für GPCRs zu prüfen, um bei einer Liste von jetzt rund acht anzukommen." Er behielt Menschen im Loop: "Wir sind immer noch Menschen, und wir schauen es uns an, und wir haben vielleicht in manchen Fällen etwas Branchenwissen, das uns anders ranken lässt, als die KI wählen würde." Noch eine ehrliche Anmerkung: Für die Erzeugung der Protein-Rückgrate nutzen sie Baker-Labor-Methoden wie RF-Diffusion, aber auch "große Bibliotheken nativer Gerüste, die manchmal etwas besser exprimieren als die KI-generierten Rückgrate." Die Natur schlägt das Modell also noch gelegentlich.

Das Unternehmen ist klein und jung: Im Juni aus dem Bioinnovation Institute in Kopenhagen ausgegründet, nach zweieinhalb Jahren Technologieaufbau, Seed-Finanzierung erhalten, weitere Mittel werden eingeworben.

Genomische Sprachmodelle bewegen sich in die Produktion. Off Script (28. Juli) deckte einen Bereich des Stacks ab, den dieser Newsletter bisher vernachlässigt hat: die Anwendung von auf Genomen trainierten Sprachmodellen zur Stammoptimierung und zur biotechnologischen Fertigungsausbeute, um die konstruierten Organismen, die Antikörper und Biologika produzieren, produktiver zu machen. Die Entdeckung bekommt die Schlagzeilen; die Fertigungsausbeute ist dort, wo ein Großteil der Marge tatsächlich liegt.

Öffentliche Gelder finanzieren das Daten-Schwungrad. Crain's Daily Gist (29. Juli) berichtete, dass die Northwestern University einen NSF-Zuschuss über 20 Millionen Dollar erhielt, um ein Cloud-Labor für Proteinengineering aufzubauen, in dem KI Proteindesigns vorschlägt, Forscher sie synthetisieren und testen, und die Ergebnisse als Trainingsdaten zurückfließen. Bescheiden in der Größenordnung, aber genau die "generiere deine eigenen Daten"-Architektur, die die Episoden von Xaira und Lila Sciences letzte Woche als das ganze Spiel bezeichneten - jetzt taucht sie in der föderalen Wissenschaftsförderung auf.

Regulierung: Der KI-Studienpilot der FDA erhält erste echte Kritik

Note to File (22. Juli) las die öffentlichen Kommentare zum Informationsersuchen der FDA für ihr Pilotprogramm zur KI-gestützten Optimierung von Frühphasen-Klinikstudien. Das ist es wert, verfolgt zu werden, denn hier hört KI in der Arzneimittelentwicklung auf, eine Forschungsgeschichte zu sein, und wird zu einer Compliance-Geschichte.

Der schärfste Kommentar kam von Massive Bio, das argumentierte, die FDA solle dies als "ein regulatorisch hochwertiges, menschlich gesteuertes KI-gestütztes Studien-Orchestrierungsprogramm gestalten, nicht als eine enge Modellbewertung oder ein rein von Sponsoren getragenes operatives Experiment." Die Moderatoren stimmten der Kritik zu: "Es sieht aus wie ein rein von Sponsoren getragenes operatives Experiment. Das sind doch die, die sie auf die Bühne gebracht haben, oder? Zwei Sponsoren."

Sie hinterfragten auch den Start in der Onkologie, wo "die Einschreibung generell nicht besonders hoch ist. Es gibt dort viele Datenpunkte, die sehr unsauber sind ... Es scheint ein seltsamer Ort, um zu beginnen." Sie räumten jedoch das Gegenargument ein: Wenn das eigentliche Ziel darin besteht, Studien mit elektronischen Gesundheitsakten zu verknüpfen, ergibt Onkologie Sinn, "weil die klinischen Studien zur klinischen Versorgung werden. Und deshalb sollte es in der Patientenakte sein."

Es gab offene Skepsis gegenüber dem privaten Unternehmen im Zentrum des Ganzen: "Daten direkt in das Paradigm-System einzugeben, was dann an die FDA gestreamt wird, ist auch seltsam. Ich meine, offensichtlich hat Paradigm eine Menge Zeit damit verbracht, eine Menge Geld einzusammeln, während es ziemlich verdeckt operierte. Und dann tauchen sie plötzlich auf und haben diese Beziehung."

Der Tonwechsel ist das eigentliche Signal: "Als es zuerst herauskam, haben einfach alle applaudiert, wie sehr das ein riesiger Schritt in Richtung Innovation ist. Und ich dachte nur, ist es das wirklich, ich verstehe das nicht. Und jetzt treten wenigstens Leute auf und werden etwas kritischer."

Eine Begleitfolge derselben Sendung (30. Juli) lieferte die klarste Aussage zur aktuellen Regel der Straße. In der Diskussion über Gleam, ein Unternehmen, das KI einsetzt, um Studienkoordinatoren bei der Dateneingabe zu unterstützen, wurde der Standard als zweiteilig beschrieben: Das Tool muss "zweckmäßig" (fit for purpose) sein, und es muss einen "verantwortlichen Menschen am anderen Ende" geben. Die Durchsetzung richtet sich gegen Unternehmen, die KI ohne menschliche Überprüfung einsetzen oder Tools verwenden, die für den beabsichtigten Zweck ungeeignet sind. Das ist im Prinzip eine niedrige Hürde und in der Praxis eine bedeutsame Einschränkung - sie schließt die vollständig autonome Version fast jedes Pitches zur Studienautomatisierung aus.

Separat las dieselbe Episode die Beschränkungen der FDA für chinesische klinische Daten eher als Industriepolitik denn als Datenqualitätspolitik: "Versuchen sie nur zu signalisieren, dass sie nicht wollen, dass die klinische Forschungsarbeit ins Ausland verlagert wird?"

The debate

Die Debatte letzter Woche drehte sich um einen Flaschenhals. Drei unabhängige Stimmen sagten, das KI-Modell sei nicht mehr die Beschränkung, und der Streit ging darum, was es ersetzt hat: mehr und bessere Labordaten (Xaira, A-Alpha Bio, Lila Sciences) versus eine bessere Art, Moleküle zu repräsentieren, die weniger Daten benötigen würde (Cytheras physikbasierter Ansatz).

Diese Woche bewegte sich die Debatte an einen unbequemeren Ort: Wenn Daten der Burggraben sind, dann gehört dieser Burggraben Unternehmen, die die letzten zwanzig Jahre damit verbracht haben, Patienten zu akkumulieren - nicht Unternehmen, die die letzten fünf damit verbracht haben, GPUs zu akkumulieren.

Hier ist der Fall aus beiden Richtungen dargelegt, denn beide wurden diese Woche vertreten.

Die etablierten Konzerne gewinnen. Regeneron hat drei Millionen sequenzierte Genome, verknüpft mit jahrzehntelangen Gesundheitsakten, und 100 validierte protektive Mutationen, von denen 50 bereits Wirkstoffprogramme sind. Das dauerte dreizehn Jahre und lässt sich nicht kaufen. BMS hat seinen eigenen KI-Supercomputer. Lilly vermietet eine Milliarde Dollar an Forschungsgeschichte als Plattform. Das Mapping von BioCentury brachte es am prägnantesten auf den Punkt: Die differenzierende mittlere Schicht des Stacks ist dort, wo "Pharma oder Biotech sich wirklich differenzieren können, obwohl sie eine Plattform oder ein Modell nutzen, auf das auch andere Zugang haben", weil "der limitierende Faktor nicht das Modell oder der Zugang zur Plattform ist, sondern eher die Daten und die Arten von Assays, die sie durchführen, was sich nicht unbedingt in derselben Geschwindigkeit ändern wird." Und auf die direkte Frage, ob der Plattformzugang für kleine Unternehmen ein Gleichmacher sei: "Ich weiß nicht, ob zum Beispiel ein kleines Biotech-Unternehmen, das auf das Modell zugreift, damit auf demselben Niveau steht wie ein großer Pharmakonzern, der Claude Science nutzt."

Es gibt eine Version dieses Arguments zweiter Ordnung, die für die kleinen Akteure noch schlimmer ist. Es geht nicht nur um das Datenvolumen, sondern um Kapital für Compute. BioCentury merkte an, dass große Pharmaunternehmen Deals auf der Compute-Ebene abschließen können, wie BMS mit NVIDIA, "im Gegensatz zu einem kleinen Biotech-Unternehmen, das vielleicht nur Zugang zur Plattform selbst hat." Und die Kosten für den Betrieb von Agenten sind jetzt ein realer Posten: NVIDIAs Kimberly Powell merkte an, dass "jedes Mal, wenn ein Agent wartet und darüber nachdenkt, was als Nächstes zu tun ist, er Tokens ausgibt." BioCentury zog die Analogie zu dem, was bereits in der Tech-Branche passiert ist: "Wir haben dieses Konzept des Token-Maxing eine Weile lang gesehen, richtig? Alle wollten einfach so schnell wie möglich vorankommen und ermutigten alle ihre Mitarbeiter, einfach die Tokens zu nutzen. Und jetzt ziehen sie sich zurück, weil die Leute merken, wow, das ist wirklich teuer." Nadella machte denselben Punkt bei Masters of Scale und warnte, dass "Leute verrückt werden können, indem sie viele Tokens auf ineffektive Weise ausgeben", und argumentierte, dass "wer auch immer herausfindet, wie man Tokens effizienter für ein Ergebnis nutzt, das in der Welt wichtig ist, die Nase vorn haben wird." Compute-Kostendisziplin wird zu einer Wettbewerbsvariable in der Wirkstoffforschung, und das begünstigt starke Bilanzen.

Die Herausforderer gewinnen. Das Gegenargument lautet, dass die etablierten Konzerne die falschen Daten haben und dass die interessanten Ergebnisse dieser Woche von kleinen Teams kamen. Scape Bio ist eine Handvoll Menschen in Kopenhagen, die gerade in Nature veröffentlicht haben und elf Rezeptoren geknackt haben, die drei zugelassene Antikörper nicht aktivieren konnten. Manas produzierte Chemie, die die besten computergestützten Chemiker der Welt noch nie gesehen hatten. Die Protein-Fundamentalmodelle von Chai Discovery wurden von einem Investor, der sie seit der Seed-Runde hält, als "außergewöhnlich" beschrieben. Keines davon benötigte drei Millionen Genome. Es brauchte ein spezifisches, gut gewähltes Problem und eine gute Repräsentation davon.

Es gibt auch ein echtes Argument dafür, dass der Datenvorsprung der etablierten Konzerne schmaler ist, als er aussieht. Baras selbst räumte ein, dass ein früher Sequenzierungsführer zu sein, "mit sinkenden Kosten immer weniger zu einem strategischen Vorteil wird." Menschliche Populationsgenetik sagt einem, welche Targets es wert sind, verfolgt zu werden. Sie sagt einem fast nichts darüber, wie man das Molekül designt, das sie trifft - und genau dort agieren die KI-nativen Unternehmen tatsächlich. Regenerons eigenes Leberbeispiel beweist den Punkt: Die Genetik wählte das Target, aber das Medikament kam aus einer Alnylam-Partnerschaft. Target-Auswahl und Moleküldesign sind unterschiedliche Geschäfte, und die reinen KI-Firmen sind größtenteils im zweiten tätig.

Und die unbequeme dritte Möglichkeit, die die AlphaFold-Nachricht aufwirft: Die Frontier-KI-Labore nehmen sich das Ganze. Anthropic hat eine Umsatzrate von 47 Milliarden Dollar und startet seine eigenen präklinischen Programme. OpenAI baut GPT Rosalind, das bei BioCentury als "GPT 5.5, aber aufgewertet mit wissenschaftlichen Informationen zur Chemie, zusätzliche Datensätze, die verwendet werden, um das Modell zu trainieren, spezialisierter in der Wissenschaft zu sein" beschrieben wurde. Google konsolidiert sein wissenschaftliches Talent in Gemini und seine Wirkstoffprogramme in Isomorphic Labs. Das sind Organisationen mit niedrigeren Kapitalkosten als der gesamte börsennotierte KI-Wirkstoffforschungssektor zusammen, und sie haben gerade erst begonnen, mit ihren eigenen Kunden zu konkurrieren.

Wo wir herauskommen. Die ehrliche Lesart ist, dass die reinen KI-Wirkstoffforschungsunternehmen von beiden Enden gequetscht werden, und diese Woche hat das eher verschlimmert als verbessert. Über ihnen bauen Pharmakonzerne mit unersetzlichen Patientendaten und dem Kapital, Compute zu kaufen, die Fähigkeit intern auf. Neben ihnen bewegen sich Frontier-KI-Labore mit weitaus billigerem Kapital den Stack hinunter direkt in die Arzneimittelentwicklung. Der Anspruch der reinen KI-Firmen auf die Mitte - dass sie einzigartig rechnerische Fähigkeiten mit biologischer Einsicht kombinieren - ist genau der Anspruch, den nun beide Nachbarn bestreiten.

Es gibt einen Vermögenswert, den die etablierten Konzerne wirklich nicht schnell reproduzieren können, und es ist derselbe, der letzte und diese Woche wieder aufkam: negative Daten. BioCentury brachte es direkt auf den Punkt: "Man braucht die negativen Daten. Und die stecken nicht in [Claude] Science oder der Protein Data Bank, auf die man über den Connector zugreifen könnte. Das ist etwas, das mit Erfahrung kommt, und mit den proprietären Daten des Unternehmens." Zu wissen, was gescheitert ist und warum, steht in keiner öffentlichen Datenbank, weil niemand Fehlschläge veröffentlicht. Ein Unternehmen mit einem Jahrzehnt eigener gescheiterter Experimente hat etwas, das kein Modell herunterladen kann. Das, und nicht die Modellqualität, ist das stärkste verbleibende Argument für die Spezialisten.

Und eine beruhigende Anmerkung für alle, die befürchteten, dass all dies Fachwissen überflüssig macht. Auf die Frage, ob ein Doktortitel mit langjähriger Erfahrung noch einen Vorteil hat, war die Antwort bei BioCentury ohne Zögern ja: "weil man in der Lage sein muss zu wissen, was man fragen sollte, und zu wissen, was man nicht fragen sollte. Man braucht also den Kontext rund um die Wissenschaft und die Erfahrung, um den Agenten zu führen." Die angebotene Analogie war zur Programmierung: "Leute sagen, oh, niemand wird mehr programmieren. Aber gerade jetzt sind die effektivsten Nutzer von [Claude] Code die Leute, die wissen, wie man programmiert."

Stocks in play

Alle drei von uns genannten Aktien berichten am selben Tag, dem 5. August, über ihre Ergebnisse des zweiten Quartals. Recursion berichtet vor Börsenöffnung, Schrodinger nach Börsenschluss, Lilly ebenfalls an diesem Tag. Alles im Folgenden ist Vorabpositionierung innerhalb einer Blackout-Periode.

Schrodinger (SDGR), 15,35 $, plus 1,5 % im Wochenverlauf. Der einzige der drei mit einem echten Produktereignis. Am 27. Juli startete Schrodinger die Early-Access-Version von Bunsen, das das Unternehmen als "seinen neuen agentischen KI-Co-Wissenschaftler beschreibt, der Forschern hilft, wissenschaftliche Ziele zu verstehen, computationale Strategien zu entwickeln, anspruchsvolle molekulare Entdeckungs-Workflows auszuführen und Ergebnisse zu interpretieren."

Die Positionierung ist bewusst gewählt und es lohnt sich, sie zu zitieren, denn sie verkörpert genau das Argument "Physik plus KI statt KI anstelle von Physik", das dieser Newsletter seit Wochen verfolgt: "Durch die Kombination von KI mit physikbasierter Simulation ermöglicht Bunsen Forschern, ihr Fachwissen in größerem Maßstab anzuwenden ... Anders als allgemeine KI-Systeme, die nur bestehende wissenschaftliche Informationen abrufen und zusammenfassen, ist Bunsen darauf optimiert, Schrodingers validierte computationale Methoden auszuführen, und nutzt jahrzehntelange physikbasierte molekulare Entdeckungsexpertise des Unternehmens."

Die zweite Hälfte dieser Aussage ist die kommerziell interessante: "Bunsen macht fortgeschrittene computationale Methoden für erfahrene Wirkstoffjäger zugänglich, die keine computergestützten Chemiker sind." Schrodingers strukturelles Problem war immer, dass seine Software einen computergestützten Chemiker erfordert, um sie zu bedienen, was die adressierbare Nutzerbasis innerhalb jedes gegebenen Kunden begrenzt. Wenn eine natürlichsprachliche Schicht diese Beschränkung wirklich aufhebt, erweitert das die Sitzplätze pro Kundenkonto. CEO Ramy Farid bezeichnete dies als Entfernung von Reibung aus dem Entdeckungszyklus und Erweiterung der Nutzerbasis der Plattform. Die vollständige kommerzielle Markteinführung ist bis Ende 2026 geplant.

Es kommt auch mit ernsthaften Infrastrukturpartnern gebündelt. Im Rahmen der Zusammenarbeit mit NVIDIA und Google Cloud werden beide "eine gemeinsam entwickelte Full-Stack-KI-Plattform bereitstellen, um frühe Bunsen-Kunden zu unterstützen", einschließlich Google Clouds elastischer Rechenleistung und der Integration mit dem NVIDIA BioNeMo Agent Toolkit und NVIDIA RTX PRO 6000 Blackwell Server Edition GPUs. Anthony Costa, Direktor für digitale Biologie bei NVIDIA, äußerte sich öffentlich zu diesem Stack.

Zwei Vorbehalte. Erstens ist dies Early Access, kein Umsatz, die vollständige Markteinführung liegt noch fünf Monate in der Zukunft, und der Earnings Call am 5. August wird die erste Gelegenheit sein, etwas über die frühe Akzeptanz zu erfahren. Zweitens, und aufschlussreicher: Kein einziger Podcast in unserem Überblick hat Bunsen besprochen. Für ein Unternehmen, dessen Narrativ davon abhängt, als KI-Marktführer wahrgenommen zu werden, ist es selbst ein Datenpunkt über Mindshare, in derselben Woche ein agentisches Produkt zu starten, in der die Fachleute der Branche über Regenerons Genome und DeepMinds Umorganisation sprachen, und dabei überhaupt keine Aufmerksamkeit zu bekommen.

Kontext zu den Zahlen: Der Konsens erwartet einen Verlust von rund 0,41 $ je Aktie bei einem Umsatz von etwa 47,2 Millionen Dollar. Die aus dem Mai-Quartal stehende Jahresprognose sah einen jährlichen Software-Vertragswert von 218-228 Millionen Dollar (10-15 % Wachstum gegenüber 2025) und einen Wirkstoffforschungsumsatz von 55-65 Millionen Dollar vor. Die Kursziele der Analysten clustern sich im hohen Zehner- bis mittleren Zwanziger-Bereich.

Recursion (RXRX), 3,03 $, plus 0,7 % im Wochenverlauf, weiterhin nahe seinem 52-Wochen-Tief von 2,77 $. Eine wirklich leere Woche. Keine substanziellen Unternehmensankündigungen, keine Änderungen der Analystenbewertungen oder Kursziele, und keine Podcast-Berichterstattung. Die Aktie ist nun effektiv seit drei aufeinanderfolgenden Wochen in der Spanne von 3,01-3,03 $ flach, nachdem sie im vergangenen Jahr bis zu 7,18 $ gehandelt wurde.

Ihr einziger Auftritt fand statt, als CEO Najat Khan am 23. Juli beim U.S. Science Summit über die Roche/Genentech-Neurowissenschafts-Allianz sprach, wo sie beschrieb, dass die Partnerschaft eine Billion iPSC-abgeleitete neuronale Zellen hervorbringe, beschrieben als etwa das zelluläre Äquivalent von zwölf menschlichen Gehirnen, in einem autonomen Labor, um eine Genom-weite Knockout-Studie durchzuführen, die systematisch alle 20.000 menschlichen Gene deaktiviert. Sie verband diesen Output mit Recursions Supercomputer BioHive in Salt Lake City.

Es gibt zwei Möglichkeiten, dies zu lesen, und sie sind wichtig dafür, wie man sich vor dem 5. August positioniert. Die großzügige Lesart ist, dass dies genau die Datenfabrik ist, die die Episoden letzter Woche als den eigentlichen Burggraben bezeichneten, und Recursion ist eines der sehr wenigen börsennotierten Unternehmen, die eine solche vollständig besitzen. Man beachte die Symmetrie mit Regeneron: 20.000 Gene sind derselbe Nenner, den Baras verwendete, als er sagte, die Branche habe bisher nur 10 % davon adressiert. Die skeptische Lesart ist, dass Recursion seit Jahren beeindruckend klingende Größenordnungen beschreibt, während der Aktienkurs um mehr als die Hälfte gefallen ist, und Konferenzkommentare sind weder ein Deal noch ein Meilenstein noch Umsatz. Eine Billion Zellen ist ein Input. Investoren warten auf Outputs.

Auch bei den Beteiligungsverhältnissen bemerkenswert: BlackRock meldete eine geänderte passive Beteiligung von 8,5 %, etwa 44,54 Millionen Class-A-Aktien.

Eli Lilly (LLY), 1.155,27 $, minus 2,6 % im Wochenverlauf, davon allein 4,5 % am Donnerstag. Lilly hatte mit Abstand die geschäftigste Woche, und fast nichts davon hatte mit KI zu tun. Zwei Dinge sind hier zu trennen: was während der Woche geschah und was am Donnerstag geschah.

Während der Woche war die Schlagzeile Retatrutid, Lillys Dreifach-Hormon-Adipositasmedikament, das am 23. Juli Topline-Ergebnisse aus zwei Phase-3-Studien vorlegte. Beide erreichten ihre primären Endpunkte. In TRIUMPH-2 (Typ-2-Diabetes plus Adipositas) verloren Patienten mit 4 mg, 9 mg und 12 mg im Durchschnitt 29,8 Pfund, 45,4 Pfund und 49,6 Pfund nach 80 Wochen, mit Blutzuckersenkungen von bis zu 1,6 %. In TRIUMPH-3 (schwere Adipositas mit bestehender kardiovaskulärer Erkrankung) verloren Patienten durchschnittlich bis zu 55,8 Pfund nach 80 Wochen. Sekundäre kardiovaskuläre Messwerte bei der höchsten Dosis waren stark: Triglyceride sanken um 37,0 %, Nicht-HDL-Cholesterin um 16,5 %, systolischer Blutdruck um 9,3 mmHg, Taillenumfang um 7,5 Zoll, und das hochsensitive C-reaktive Protein, ein Entzündungsmarker, sank um 51,2 %.

Was die Aktie bewegte, waren die Vorbehalte. Bei harten kardiovaskulären Ereignissen waren die Ergebnisse nicht sauber: 44 Ereignisse unter Retatrutid gegenüber 52 unter Placebo beim breiteren Fünf-Komponenten-Maß (eine Hazard Ratio von 0,82, was auf einen Nutzen hindeutet), aber 27 gegenüber 23 beim engeren Drei-Komponenten-Maß (eine Hazard Ratio von 1,12, was auf keinen Nutzen hindeutet). Lilly merkte an, solche Ereignisse "traten seltener auf als erwartet, sowohl im Retatrutid- als auch im Placebo-Arm", was die Standarderklärung für ein unterpowertes Ergebnis ist, aber es lässt den kardiovaskulären Fall unbewiesen. Die Verträglichkeit war bei hohen Dosen ein echtes Problem: Abbrüche aufgrund von unerwünschten Ereignissen erreichten 11,6 % bei 9 mg in TRIUMPH-2 und 13,5 % bei 12 mg in TRIUMPH-3, gegenüber etwa 4,8-4,9 % unter Placebo. Und der Einreichungszeitpunkt verschob sich: Lilly plant die Einreichung für die US-Zulassung im 1. Quartal 2027, eine Verzögerung gegenüber dem zuvor erwarteten Ende 2026, während es das Fertigungs-Datenpaket vervollständigt. Weitere Berichterstattung merkte auch an, dass der Spitzenwert des Gewichtsverlusts unter den 28,7 % blieb, die in der früheren TRIUMPH-4-Studie beobachtet wurden. BMO bewertete die Daten insgesamt hinsichtlich Nutzen-Risiko-Verhältnis und Best-in-Class-Wirksamkeitspotenzial positiv.

Der zweite Druckpunkt ist kommerzieller Natur. Foundayo (Orforglipron), Lillys im April 2026 zugelassene GLP-1-Pille aus einem kleinen Molekül, hatte einen schwachen Start, wobei die wöchentlichen Verschreibungen fünf Wochen in Folge stagnierten. Goldman Sachs senkte seine Schätzung für den Foundayo-Umsatz im zweiten Quartal auf 40 Millionen Dollar gegenüber einem Street-Konsens von nahezu 100 Millionen Dollar und senkte seine Schätzung für den US-Umsatz des Medikaments 2026 von 1,1 Milliarden auf 755 Millionen Dollar. Goldman behielt dennoch ein Kaufrating und ein Kursziel von 1.283 $ bei und argumentierte, dass starke internationale Mounjaro-Verkäufe und eine wahrscheinliche Anhebung der Prognose den langsamen Start ausgleichen könnten. Andere Kursziele wurden bis Ende Juli angehoben: JPMorgan auf 1.400 $, UBS auf 1.425 $, Bernstein auf 1.385 $, Truist auf 1.370 $, Bank of America auf 1.334 $.

Wir haben keinen bestätigten einzelnen Auslöser für den Rückgang von 4,5 % am Donnerstag, und wir werden keinen erfinden. Was wir sagen können, ist, dass die Aktie im Wochenverlauf auf 1.210 $ stieg und dann in einer einzigen Sitzung mehr abgab, als sie gewonnen hatte - sechs Tage vor einem Ergebnisbericht, bei dem der Konsens für eine wichtige neue Markteinführung möglicherweise um 60 % nach unten korrigiert werden muss. Das ist eine Konstellation, in der Positionierung wichtiger ist als Nachrichten.

Ebenfalls in Lillys Woche, alles nicht KI-bezogen: eine gemeinsame Investition von 750 Millionen Dollar mit dem Auftragsfertiger Resilience zur Erweiterung der US-Kapazität, Aufrüstung von Anlagen in Ohio zur Steigerung der Produktion von Lillys KwikPen-Injektionsgeräten und Schaffung von 400 Arbeitsplätzen - Teil einer breiten Branchenreaktion auf die Bedrohung durch 100-prozentige Zölle auf Markenmedikamente, sofern Unternehmen nicht zurückverlagern oder Preise senken. Novo Nordisk verklagte Lilly vor einem Bundesgericht in New Jersey nach dem Lanham Act und behauptete, Lillys TV-Werbung für Zepbound und Mounjaro irreführe Patienten, indem sie ältere SURMOUNT-5-Daten zitiere, die Lillys höchste Dosen mit niedrigeren Dosen von Novos Medikamenten vergleichen, wobei Novos neu zugelassene 7,2-mg-Formulierung ignoriert werde; Lilly sagt, seine Anzeigen basierten auf direkten wissenschaftlichen Belegen und werde sich energisch verteidigen. Ein ehemaliger leitender medizinischer Direktor in Lillys Neurowissenschaftseinheit reichte eine Diskriminierungs- und Vergeltungsklage im Südbezirk von Indiana ein. Und rückblickend wurde Lillys 6,3 Milliarden Dollar schwere Übernahme von Centessa im Laufe des Quartals abgeschlossen, einschließlich bis zu 1,5 Milliarden Dollar an bedingten Wertrechten, wodurch eine Pipeline von Orexin-Rezeptor-2-Agonisten für Schlafstörungen gesichert wurde - ein Deal, dessen Durchschlagseffekt Piper Sandler dazu veranlasste, sein Kursziel für Alkermes am 28. Juli von 43 $ auf 65 $ anzuheben, wobei angemerkt wurde, dass Alkermes seit der Centessa-Ankündigung um 76 % gestiegen ist.

Read-throughs

Für NVIDIA (NVDA). NVIDIA tauchte in den Materialien dieser Woche häufiger auf als jedes reine KI-Biotech-Unternehmen, und niemals als Konkurrent, immer als Mautstelle. Es liefert "die Werkzeuge für die Werkbänke und Modelle, die Wissenschaftler nutzen können, sowie die Infrastruktur und Rechenleistung, die zu deren Betrieb benötigt werden." BMS erweiterte einen DGX-Superpod. Lilly betreibt 1.016 Blackwell-Ultra-GPUs. Schrodingers neues Produkt wird gemeinsam mit NVIDIAs BioNeMo Agent Toolkit auf RTX-PRO-6000-Blackwell-Servern entwickelt ausgeliefert. BioCentury erwartet weitere Deals auf der Compute-Ebene. Welche Seite der Daten-versus-Modell-Debatte auch gewinnt, NVIDIA verkauft an beide, und die aufkommende Token-Kostendisziplin drängt Kunden vermutlich dazu, effizienteres Compute zu kaufen, statt weniger davon.

Für Alphabet (GOOGL). Zwei widersprüchliche Signale in einer Woche. Die Auflösung des AlphaFold-Teams sagt, dass wissenschaftliche Mondprojekte gegenüber dem Kernmodellgeschäft interne Priorität verloren haben. Gleichzeitig ist Google Cloud einer der beiden Infrastrukturpartner hinter Schrodingers Bunsen-Launch, und Isomorphic Labs absorbiert einen Teil des AlphaFold-Talents. Die kohärente Lesart ist, dass Alphabet konsolidiert: Forschungstalent zu Gemini, Wirkstoffprogramme zu Isomorphic, kommerzielle Biologie zu Cloud-Verträgen. Das mag ein besser organisiertes Geschäft sein. Es ist eine schlechtere Story für jeden, der Alphabet teilweise wegen der Optionalität bahnbrechender Wissenschaft bewertet hat.

Für den CRO- und Klinikstudien-Infrastrukturkomplex. Die Kritik am FDA-Pilotprogramm wirkt gegen die aggressivsten KI-in-Studien-Narrative. Der operative Standard - das Tool muss "zweckmäßig" sein, mit "einem verantwortlichen Menschen am anderen Ende" - schließt die vollständig autonomen Versionen aus, die derzeit vorgeschlagen werden, und erhält die Human-Services-Schicht, die Contract Research Organizations verkaufen. Gleichzeitig weist Craig Lipsets Argument bei The Digital Health Roundtable über einen längeren Zeithorizont in die andere Richtung: Wenn KI die Entwicklungskosten wirklich so weit senkt, dass gemeinnützige Organisationen und Patientenstiftungen als Wirkstoffsponsoren auftreten können, erweitert das die Zahl der Studienkunden, auch wenn es die Ausgaben pro Studie komprimiert. Ebenfalls relevant für die Geografie dieses Geschäfts: Die Beschränkungen der FDA für chinesische klinische Daten erscheinen als Onshoring-Politik, was die US-Studienvolumina und -kosten gleichzeitig erhöht.

Für Certara (CERT) und die Simulationssoftware-Gruppe. Schrodingers Schritt ist die Vorlage - validierte physikbasierte Simulation in einen Agenten mit natürlicher Sprache verpacken, um Nutzer zu erreichen, die keine Spezialisten sind. Jeder, der technische wissenschaftliche Software mit steiler Lernkurve verkauft, sieht sich nun derselben Frage von Kunden gegenüber: Wo ist eure Agenten-Schicht? Das ist eine Chance für jeden, der glaubwürdig liefert, und eine Bedrohung für jeden, der es nicht tut, denn die Alternative für den Kunden ist, die mittlere Schicht selbst auf einer allgemeinen Plattform aufzubauen, was BioCentury ausdrücklich als den Ort identifizierte, an dem Unternehmen sich jetzt differenzieren können.

Für die Genbearbeitungswerte. Das mit AlphaFold neu designte Cas9-Ergebnis - Off-Target-Bearbeitungen von 28 % auf 5 % gesunken, veröffentlicht in Nature - ist eine Erinnerung daran, dass der kurzfristige Beitrag der KI zur Genbearbeitung eher darin bestehen könnte, die Werkzeuge zu verbessern, statt die Targets auszuwählen. Die klinische Sicht aus der Diskussion über Sichelzellanämie wies in dieselbe Richtung: bessere Bearbeitungsziele, Vorhersage kombinatorischer Bearbeitungseffekte und das Finden eines sichereren Ersatzes für Busulfan im Konditionierungsregime. Das sind unglamouröse Verbesserungen, von denen jede einzelne die Risiken von Studien, die derzeit 9-12 Monate benötigen, um 50 Patienten zu rekrutieren, sinnvoll senken würde.

Für private KI-Biotech-Bewertungen, und damit für börsennotierte Vergleichsunternehmen. Geld strömt weiterhin ein. Chai Discovery und Etched landeten Finanzierungsrunden, die Bewertungen in Milliardenbereiche trieben, und zogen dabei ausdrücklich Vergleiche zu börsennotierten Branchenführern in ihren jeweiligen Sektoren (thefly, 23. Juli), und die folgende Woche brachte 1,7 Milliarden Dollar für Atoms plus eine weitere Etched-Runde (thefly, 30. Juli). Dimension investiert 1,65 Milliarden Dollar in Wissenschaft und Compute mit einem fünfköpfigen Team. Menlo hat rund acht Wirkstoffforschungs-Modellunternehmen unterstützt, darunter Xaira und Vilya. Die unbequeme Rechnung für börsennotierte Investoren: Chai Discovery wird privat mit Milliarden bewertet, während Schrodingers gesamte Marktkapitalisierung 1,1 Milliarden Dollar beträgt und die von Recursion 1,6 Milliarden Dollar. Entweder sind die privaten Bewertungen falsch, oder die börsennotierten reinen KI-Firmen sind günstig, oder, am wahrscheinlichsten, der Markt zieht eine echte Trennlinie zwischen dem Besitz eines Frontier-Proteinmodells und dem Besitz eines Legacy-Softwaregeschäfts mit angehängter KI-Story.

Eine Warnung zu "KI-designten Medikamenten"-Behauptungen. Ein Gast bei This Week in Startups (22. Juli) erklärte, dass ein KI-designtes Medikament die Phase-3-Zulassungsprüfung erreicht habe. Wir markieren das, weil es wichtig ist, und weil es dem Realitätscheck von Thibault Geoui letzte Woche widerspricht, der argumentierte, kein wirklich KI-designtes Medikament sei bisher zugelassen worden und die ein oder zwei oft zitierten Beispiele seien wiederverwendete bestehende Medikamente. Die Phase-3-Prüfung zu erreichen und zugelassen zu werden sind sehr unterschiedliche Meilensteine, und wir haben nicht unabhängig bestätigt, welche Verbindung gemeint ist. Als unbestätigt behandeln und beobachten.

What changed vs last week

Der Rahmen der letzten Woche hielt, und kehrte sich dann um. Die Ausgabe vom 23. Juli berichtete über eine Konvergenz: Drei unabhängige Stimmen sagten, das KI-Modell sei nicht mehr der Flaschenhals, die richtigen Daten seien es. Die offene Frage, die wir zurückließen, war, ob der Wert bei demjenigen anfällt, der die Datenfabrik besitzt, oder ob physikbasierte Ansätze das Datenproblem vollständig umgehen und den Burggraben zurück zu modellierender Einsicht verschieben.

Diese Woche wurde die Datenfabrik-These nicht widerlegt. Sie wurde bestätigt und dann an die falschen Leute übergeben. BioCentury wiederholte sie unabhängig fast wörtlich: "Der limitierende Faktor ist nicht das Modell oder der Zugang zur Plattform, sondern eher die Daten und die Arten von Assays, die sie durchführen" - das macht vier aufeinanderfolgende Wochen der Konvergenz. Aber die Unternehmen, die diese Woche die größten Datenfabriken zeigten, waren Regeneron, Bristol Myers Squibb und Eli Lilly - nicht Xaira, Lila oder A-Alpha. Wenn Daten der Burggraben sind, sind die etablierten Konzerne weiter voraus, als es das Narrativ zuließ.

Der Punkt zu negativen Daten wurde nun von drei unabhängigen Quellen in zwei Wochen aufgeworfen. Letzte Woche argumentierte A-Alpha Bio, die Protein Data Bank sei sowohl zu klein als auch fehle es an negativen Ergebnissen. Diese Woche brachte BioCentury das ungefragt auf: "Man braucht die negativen Daten. Und die stecken nicht in [Claude] Science oder der Protein Data Bank." Das entwickelt sich von einer interessanten Beobachtung zur beständigsten spezifischen Behauptung in dem Sektor.

Anthropics Rolle wechselte die Kategorie. Letzte Woche trat Anthropic als Enabler auf - Claude Science, das AlphaFold und Evo2 in einem Browser aufruft, bei IDT bestellt, mit niedrigen Kapitalkosten, was "die meisten Schüsse aufs Tor" bedeutet. Diese Woche trat es als potenzieller Konkurrent seiner eigenen Kunden auf und entwickelt präklinische Programme in seltenen und vernachlässigten Krankheiten. Das ist ein anderes Unternehmen, das man in seiner Lieferkette haben möchte.

Der John-Jumper-Faden löste sich in eine unerwartete Richtung auf. Letzte Woche berichteten wir - und markierten als unbestätigt - eine Behauptung, dass Anthropic John Jumper von DeepMind abgeworben habe, und lasen dies als Signal dafür, dass große KI-Labore sich in Richtung Physik und Moleküle bewegen. Die diese Woche bekannt gewordene Nachricht, dass ein Viertel des AlphaFold-Teams das Unternehmen verlassen hat und der Rest zwischen Gemini und Isomorphic Labs aufgeteilt wurde, ist konsistent mit hochrangigen Abgängen und rahmt die Geschichte neu. Es ist weniger "KI-Labore bewegen sich in Moleküle" und mehr "DeepMind hat aufgehört, seine molekularwissenschaftliche Gruppe zu verteidigen, und das Talent zerstreute sich." Wir haben die Jumper-Einstellung immer noch nicht unabhängig bestätigt.

Die Debatte Physik-versus-Daten bekam ein kommerzielles Produkt. Letzte Woche argumentierte Cytheras Woody Sherman für physikbasierte Repräsentationen gegenüber Sprachmodellen. Diese Woche brachte Schrodinger ein Produkt heraus, das genau auf dieser Prämisse aufgebaut ist, und stellte sich ausdrücklich gegenüber "allgemeinen KI-Systemen, die nur bestehende wissenschaftliche Informationen abrufen und zusammenfassen." Das Argument hat jetzt einen zahlenden Kundentest angehängt, mit vollständiger Markteinführung bis Jahresende.

Insilico wechselte vom genannten Beispiel zur Abwesenheit. Letzte Woche wurde Insilico als das herausragende Technologie-Biologie-Unternehmen ohne zugelassenes KI-Medikament diskutiert. Diese Woche tauchte es in keiner neuen Episode auf.

Token-Ökonomie ist neu. Das kam in keiner vorherigen Ausgabe vor. Zwei separate Gespräche diese Woche - BioCentury über Biopharma-Budgets und Nadella bei Masters of Scale - behandelten die Kosten des Betriebs von KI-Agenten als strategische Variable statt als Rundungsfehler. Es ist zu erwarten, dass dies zu einem wiederkehrenden Posten dabei wird, wie diese Unternehmen bewertet werden.

Die Kurse bewegten sich kaum, was selbst die Story ist. Recursion hat über drei aufeinanderfolgende Wochen 3,02 $, 3,01 $, 3,03 $ notiert, während es nahe einem 52-Wochen-Tief verharrt. Schrodinger erholte sich von dem Rückgang von 3 % der letzten Woche. Lilly gab seinen Retatrutid-Gewinn und mehr zurück. Nichts im KI-Wirkstoffforschungs-Narrativ - weder die AlphaFold-Reorganisation, noch Anthropics Einstieg in die Arzneimittelentwicklung, noch Schrodingers Produktstart - hat diese Aktien in eine der beiden Richtungen bewegt. Der Markt handelt dieses Thema nicht Woche für Woche. Er wartet auf den 5. August.

Die entscheidende Frage für nächste Woche. Nun, da die Frontier-KI-Labore sich in die Arzneimittelentwicklung begeben und die Pharma-Konzerne KI intern aufbauen, was bleibt den börsennotierten reinen KI-Firmen? Achten Sie auf die Zahlen vom 5. August für die einzige Antwort, die zählt: Wächst Schrodingers jährlicher Software-Vertragswert weiterhin mit den prognostizierten 10-15 % zusammengesetzt, und hat Recursion irgendetwas von seiner enormen Datengenerierungskapazität in eine Partnerschaft, einen Meilenstein oder ein klinisches Ergebnis umgewandelt?