Stanfords Virtual Biotech: Wie 37.000 KI-Agenten 55.984 klinische Studien auswerteten

Stanfords Virtual Biotech ist keine selbstständig arbeitende Medikamentenfabrik, sondern ein groß angelegtes computergestütztes Forschungssystem. Entwickelt wurde es von Forschenden um James Zou und Harrison Zhang. Spezialisierte KI-Agenten arbeiten darin unter der Koordination eines virtuellen wissenschaftlichen Leiters zusammen und können Recherche- sowie Analyseaufgaben parallel erledigen. 12

Die bislang auffälligste Demonstration: die Aufbereitung und Analyse von 55.984 klinischen Studien. Daraus entstanden Muster, die bei der Auswahl von Wirkstoffzielen helfen könnten, sowie eine Hypothese für eine Lungenkrebsbehandlung. Beides ist jedoch kein Nachweis dafür, dass eine neue Therapie sicher oder wirksam ist. Dafür bleiben Laborforschung, klinische Studien und die regulatorische Prüfung unverzichtbar. 12

Wie die Agenten die Studiendaten verarbeiteten

Statt ein einzelnes allgemeines KI-Modell eine riesige Fachliteratur zusammenfassen zu lassen, teilte Virtual Biotech die Arbeit nach wissenschaftlichen Rollen auf. Ein Agent in der Rolle eines Chief Scientific Officer delegierte Aufgaben an spezialisierte Agenten, etwa für Zielbiologie, Moleküldesign und die Analyse klinischer Studien, und führte die Ergebnisse anschließend zusammen. 12

Für die umfangreiche Studienauswertung setzte das System mehr als 37.000 Agenten für klinische Studien parallel ein. Sie strukturierten veröffentlichte Daten zu Sicherheit und Wirksamkeit aus 55.984 Studien und verknüpften Wirkstoffziele mit genomischen, molekularen und Einzelzell-Annotationen. Stanford zufolge wurden rund 50.000 Studien in weniger als einer Woche katalogisiert. 2

Der Geschwindigkeitsgewinn beruht auf Parallelisierung: Viele Agenten können einzelne Studienakten zugleich abrufen, annotieren und überprüfen. Das ist außergewöhnlich umfangreiche Evidenzaufbereitung – kein Beleg dafür, dass das System selbst Experimente durchgeführt oder ein klinisch bestätigtes Medikament entdeckt hätte. 12

Welche Eigenschaften von Wirkstoffzielen mit besseren Ergebnissen zusammenhingen

Die Analyse hob zwei Merkmale von Wirkstoffzielen hervor:

• Zelltypspezifität: Ein Gen oder Protein ist vor allem in dem Zelltyp aktiv, der für eine Erkrankung besonders relevant ist, statt breit in vielen Zelltypen vorzukommen.
• Bimodalität: Die Genaktivität ähnelt eher einem diskreten An/Aus-Zustand als einem stufenlosen Kontinuum.

Die Forschenden berichteten, dass Ziele mit hoher Zelltypspezifität und bimodalem Verhalten in den historischen Studiendaten mit besseren Entwicklungsresultaten verbunden waren. Medikamente gegen zelltypspezifische Gene gelangten in ihrer Analyse 40 % häufiger von Phase I in Phase II, erreichten 48 % häufiger den Markt und waren mit 32 % weniger unerwünschten Ereignissen verbunden. 2

Diese Werte beschreiben Zusammenhänge in einem aufbereiteten Datensatz, keine Garantie für jedes Zielprotein oder jede Therapie. Plausibel wäre, dass ein auf krankheitsrelevante Zellen begrenztes Ziel selektiver beeinflusst werden kann und dadurch unbeabsichtigte Wirkungen in anderen Körpergeweben seltener auftreten. Diese biologische Erklärung muss aber noch experimentell überprüft werden. 12

Die B7-H3/CD276-Hypothese bei Lungenkrebs

Virtual Biotech untersuchte außerdem B7-H3, auch CD276 genannt, bei Lungenkrebs. Auf Grundlage öffentlich verfügbarer Informationen bis Januar 2025 identifizierte das System eine Begründung, nach der B7-H3 in tumornahen Fibroblasten vorkommt und diese Zellen zur lokalen Unterdrückung der Immunantwort beitragen könnten. 2

Vorgeschlagen wurde eine Strategie mit einem Antikörper-Wirkstoff-Konjugat (ADC): Ein gegen B7-H3 gerichteter Antikörper wird dabei mit einem zellschädigenden Wirkstoff gekoppelt. Ein ADC soll einen solchen Wirkstoff bevorzugt zu Zellen transportieren, die das Zielprotein tragen. Das Ergebnis ist ein präklinisches Design und eine mechanistische Hypothese – kein produziertes Arzneimittel und keine nachgewiesene Therapie. 12

B7-H3 ist auch ein relevantes Ziel in der Industrie. GSK beschreibt Risvutatug Rezetecan (GSK5764227) als ein in Entwicklung befindliches, gegen B7-H3 gerichtetes ADC für kleinzelligen Lungenkrebs. Nach Angaben des Unternehmens erhielt der Wirkstoff von der US-Arzneimittelbehörde FDA den Breakthrough-Therapy-Status für rezidivierten oder therapierefraktären kleinzelligen Lungenkrebs im fortgeschrittenen Stadium.

Die vorliegenden Quellen stützen allerdings nicht die Darstellung, dieses Programm sei eine spätere klinische Bestätigung des Stanford-Vorschlags. Die zitierte GSK-Mitteilung datiert vom August 2024 und liegt damit vor dem Stichtag Januar 2025 für die öffentlichen Informationen in Stanfords Analyse. Das gemeinsame Interesse an B7-H3 zeigt daher eine strategische Übereinstimmung bei einem Zielprotein – nicht, dass das KI-System das GSK-Programm erfunden, repliziert oder klinisch bestätigt hätte. 2

Was das System noch nicht gezeigt hat

Entscheidend bleibt die Distanz zwischen computergestützter Schlussfolgerung und medizinischem Nachweis. Die KI-Agenten haben nicht:

• Zell-, Tier- oder Humanexperimente durchgeführt;
• Selektivität, Dosierung, Pharmakokinetik, Toxizität oder Resistenzprofil eines ADC belegt;
• eine Therapie hergestellt; oder
• einen Nutzen für Patientinnen und Patienten in einer klinischen Studie nachgewiesen. 12

Andere Wissenschaftlerinnen und Wissenschaftler warnten, dass die Plattform die praktische Bewährungsprobe der experimentellen Wirkstoffforschung noch nicht bestanden habe. Historische Korrelationen können bei der Priorisierung helfen, können aber ebenso durch Datenprobleme, Störfaktoren oder Muster beeinflusst sein, die sich in einem neuen Entwicklungsprogramm nicht bestätigen. 1

Der nächste Test findet im Labor statt

Am nützlichsten könnte Virtual Biotech sein, um große wissenschaftliche Suchräume einzugrenzen und Evidenz systematischer zu prüfen. Menschen müssen weiterhin die Forschungsfrage bestimmen, die zugrunde liegenden Daten kontrollieren, biologische Plausibilität bewerten und entscheiden, welche Hypothesen weiterverfolgt werden. 12

Für den B7-H3-Vorschlag wären unabhängige Replikationen und anschließend Laboruntersuchungen nötig: zur Zielbiologie, zur Bindung und Selektivität des ADC, zu Wirksamkeit, Toxizität, Pharmakokinetik und möglichen Resistenzmechanismen. Ob eine Behandlung die Ergebnisse für Patientinnen und Patienten verbessert, können letztlich nur sorgfältig konzipierte klinische Studien zeigen. 12

Das übergeordnete Ergebnis ist also vielversprechend, aber klar begrenzt: Multi-Agenten-KI kann biomedizinische Evidenz sehr schnell ordnen und testbare Hypothesen erzeugen. Sorgfältige experimentelle Forschung und menschliches Urteil ersetzt sie nicht.