Ein KI-entworfener Antikörper bindet: Welche Entscheidung folgt?

Ein KI-Modell schlägt einen Antikörper vor. Das Molekül wird hergestellt und bindet im Labor an sein Ziel. Für ein Forschungsteam ist das ein bedeutsamer Fortschritt. Für eine Unternehmensleitung beginnt damit eine weitere Entscheidung: Welche Unsicherheit wurde gerade kleiner, und welche Investition ist dadurch besser begründet?

Mich interessiert diese Frage aus meiner Perspektive als Arzt und Gründer. Wer KI in die Medizin bringt, muss technische Ergebnisse über mehrere Ebenen hinweg erklären können. Ein überzeugender Einzelbefund kann eine Forschungsentscheidung verändern. Auf dem Weg zu einer Behandlung kommen weitere Fragen hinzu, für die jeweils andere Nachweise gebraucht werden. Eine Führung, die diese Ebenen sauber beschreibt, kann ambitionierter entscheiden und ihre Erwartungen zugleich genauer begrenzen.

Den Anstoß zu dieser Reflexion gab das Gespräch von Joshua Meier und Matthew McPartlon mit Sequoia Capital vom 4. August 2026 über Chai Discovery. Die Gründer beschreiben molekulares Entwerfen als einen Weg zu schnelleren experimentellen Rückmeldungen. Daraus entwickle ich hier eine eigene Frage für Pharmaunternehmen und Investor:innen: Wie verändert sich die Auswahl der nächsten Experimente, wenn mehr prüfbare Kandidaten entstehen? [1]

Die Aussage eines Treffers begrenzen

Die Chai-2-Vorabveröffentlichung vom 6. Juli 2025 berichtet über Antikörperfragmente und Nanokörper für 52 ausgewählte Zielproteine: Treffer bei 26 Zielen und Bindung bei 15,5 Prozent der geprüften Entwürfe. Sie untersucht Laborbindung und benennt weiteren Charakterisierungsbedarf. Klinische Wirksamkeit wurde nicht nachgewiesen. [2]

Für die Bewertung würde ich deshalb drei Sätze getrennt ausfüllen lassen: Was wurde gemessen? Unter welchen Bedingungen wurde es gemessen? Welche nächste Entscheidung soll darauf beruhen? Wenn eine Präsentation bei der dritten Frage von einer Laborbeobachtung unmittelbar zu einer erwarteten Therapie springt, fehlt ein Teil der Begründung. Diesen Teil sichtbar zu machen, hilft beiden Seiten eines Finanzierungsgesprächs. Die Forschenden erhalten eine präzise Erwartung; die Geldgebenden erkennen, welche Unsicherheit sie tatsächlich finanzieren.

Dabei sollte auch die Einheit des Erfolgs erhalten bleiben. Ein Anteil bindender Entwürfe und ein Anteil erreichter Zielproteine beantworten verschiedene Fragen. Für eine Plattform kann die Breite der erreichbaren Ziele interessant sein. Für ein konkretes Entwicklungsprogramm zählt, ob sich für sein Ziel ein geeigneter Kandidat weiterentwickeln lässt. Beide Betrachtungen sind legitim. Ein gemeinsames Wort wie „Erfolg“ verdeckt jedoch leicht, dass die Entscheidungen dahinter verschieden sind.

Mehr Auswahl verlangt eine klarere Auswahlregel

Nehmen wir ein frei erfundenes Forschungsvorhaben: Ein Team kann mehrere Kandidaten erzeugen und hat Kapazität für eine begrenzte zusätzliche Untersuchung. Ein Kandidat bindet besonders stark. Bei einem zweiten gibt es weniger offene Fragen zur späteren Handhabung. Ein dritter würde eine andere biologische Annahme prüfen. Welche Untersuchung zuerst folgt, hängt davon ab, welche Antwort den weiteren Weg am stärksten verändert.

Meine vorgeschlagene Auswahlregel lautet: Vor der Beauftragung eines Experiments wird festgehalten, welche möglichen Ergebnisse welche Folgeentscheidung auslösen würden. Eine Untersuchung, deren Ergebnisse in jedem Fall zum gleichen Beschluss führen, braucht eine andere Begründung. Vielleicht ist sie für Dokumentation oder Vergleichbarkeit erforderlich. Als Mittel zur Entscheidungsklärung hat sie dann jedoch einen begrenzten Wert. Diese Unterscheidung schützt knappe Laborzeit und macht die Reihenfolge der Arbeit nachvollziehbar.

Das ist eine organisatorische Ableitung, die sich für jedes Programm fachlich konkretisieren lässt. Sie enthält weder ein allgemeines Versuchsprotokoll noch eine Abkürzung durch die Arzneimittelentwicklung. Gerade die zuständigen Fachleute müssen bestimmen, welche biologische oder technische Unsicherheit im jeweiligen Fall zuerst bearbeitet werden sollte. Eine Unternehmensleitung kann verlangen, dass dieser Zusammenhang verständlich wird, ohne selbst sämtliche Untersuchungsmethoden vorzugeben.

Die Eigenschaften gemeinsam betrachten

Jain und Kolleg:innen untersuchten 2017 aus 137 klinisch fortgeschrittenen Antikörpern rekonstruierte IgG1-Varianten in zwölf biophysikalischen Prüfungen. Die historische Auswahl und die vereinheitlichte Herstellung begrenzen die Übertragung. Aus diesen Vergleichsdaten folgt keine verlässliche Erfolgsprognose für einen neuen Kandidaten. [3]

Für meine Argumentation ist daran die Art der Entscheidung wichtig. Wer einen Kandidaten auswählt, muss mehrere Anforderungen zusammenführen. Ein besonders gutes Ergebnis kann die Frage aufwerfen, wie viel zusätzliche Arbeit bei anderen Eigenschaften vertretbar ist. Eine wissenschaftlich interessante Abweichung kann weitere Untersuchung verdienen. Dafür braucht es einen begründeten Vergleich mit den Alternativen und eine Vorstellung davon, welche Ressourcen der eingeschlagene Weg bindet.

Ich würde diese Abwägung als kurze, fortgeschriebene Begründung führen. Sie hält fest, warum der Kandidat zum vorgesehenen Zweck passt, welche Zweifel bestehen und wodurch die Auswahl revidiert werden müsste. Dadurch bleibt der ursprüngliche Entscheidungsgrund erhalten, wenn später ein besonders eindrucksvoller neuer Messwert die Aufmerksamkeit auf sich zieht. Gleichzeitig lässt sich erkennen, wann eine bisher plausible Annahme ihre Tragfähigkeit verliert.

Die Zusammenarbeit um die Übergänge bauen

Für eine Partnerschaft zwischen einem KI-Unternehmen und einem Pharmaunternehmen folgt daraus eine konkrete Gestaltungsfrage: Welches Ergebnis übergibt die eine Seite, und welche Prüfung übernimmt die andere? Die Übergabe sollte den untersuchten Kandidaten, die verwendete Modellfassung, die erhobenen Befunde und die offenen Fragen eindeutig zusammenführen. Auch ein fehlender Befund gehört in diese Darstellung. Sonst kann die empfangende Seite schwer beurteilen, welche Annahmen sie gerade übernimmt.

Ebenso wichtig ist die Rückmeldung nach dem nächsten Experiment. Wenn ein Kandidat ausscheidet, sollte das Forschungsteam erfahren, welche Beobachtung dafür ausschlaggebend war und wie sicher die Zuordnung ist. Eine ungeklärte Ursache als eindeutiges Modellversagen zu verbuchen, wäre ebenso unhilfreich wie eine bestätigte Schwäche unsichtbar werden zu lassen. Wie solche Rückmeldungen verwendet werden dürfen, gehört in die Vereinbarung über Daten und Zusammenarbeit.

Investor:innen können an diesen Übergängen nachfragen, ohne eine eigene Fachprüfung zu ersetzen. Welche zusätzliche Erkenntnis soll das nächste Kapital ermöglichen? Welche Kapazität wird dafür benötigt? Welche Konsequenz hätte ein negatives Ergebnis? Die Qualität der Antwort zeigt, wie das Unternehmen wissenschaftliche Ungewissheit in ein bearbeitbares Vorhaben übersetzt. Eine steigende Zahl von Entwürfen ist dabei ein Ausgangspunkt für die Planung.

Die klinische Frage im Blick behalten

Für Ärzt:innen bleibt der spätere Nutzen für Patient:innen der Bezugspunkt. Aus der frühen Entwurfsphase lässt er sich noch nicht ableiten. Dennoch lohnt es sich, diese Phase zu verstehen: Sie beeinflusst, welche Möglichkeiten überhaupt weiterverfolgt werden und wie klar ihre Grenzen kommuniziert werden. Ein sachkundiges Publikum kann Fortschritt würdigen und zugleich die noch offene Strecke benennen.

Mein Vorschlag für das nächste Gespräch über KI in der Wirkstoffentwicklung ist deshalb eine gemeinsame Skizze des Erkenntniswegs. Neben jedem überzeugenden Ergebnis steht die Frage, die es beantwortet. Daneben steht die nächste offene Frage und die Entscheidung, die ihre Klärung ermöglicht. So bekommt der technische Fortschritt eine überprüfbare Bedeutung für Forschung, Kapital und spätere Versorgung.