KI findet neues Angriffsziel für Nervenerkrankung: Was der Recursion-Genentech-Meilenstein bedeutet

Die Kooperation war 2021 gestartet worden. Sie kann über die Laufzeit bis zu 40 Programme hervorbringen und hat ein Gesamtvolumen von bis zu 12 Milliarden US-Dollar .

Wie die KI ein neues Ziel aus riesigen Zell-Datensätzen herausfilterte

Der Fund war kein Zufallstreffer und beruhte auch nicht auf einem einzelnen Experiment. Er entstand in einer systematischen Pipeline, die automatisierte Biologie, groß angelegte Genom-Experimente und maschinelles Lernen miteinander verbindet.

1. Die Neuron Map: eine biologische Landkarte im Billionenmaßstab

Für die Neuron Map kultivierten die Teams mehr als 1 Billion aus induzierten pluripotenten Stammzellen (hiPSC) abgeleitete Nervenzellen. Anschließend schalteten sie jedes der mehr als 17.000 proteinkodierenden Gene einzeln mithilfe von CRISPR aus. Dabei entstanden über 30 Millionen Zellbilder. Ein eigens trainiertes Foundation Model – ein breit angelegtes KI-Modell für die Auswertung biologischer Muster – interpretierte die daraus entstandene phänotypische Landkarte .

Diese Neuron Map ist nicht mit der bereits im Oktober 2025 vorgestellten Microglia Map identisch. Die frühere Karte konzentrierte sich auf Mikroglia, also Immunzellen des Gehirns . Beide Datensätze wurden im Rahmen derselben Zusammenarbeit mit Roche und Genentech erstellt; das nun weiterverfolgte Ziel stammt jedoch aus der umfangreicheren Neuron Map .

2. Eine genomweite Suche statt einzelner Hypothesen

Klassische Forschung prüft häufig eine begrenzte Zahl von Annahmen nacheinander. Die KI-Plattform verglich dagegen systematisch die Veränderungen an sämtlichen untersuchten Genen mit bekannten biologischen Treibern neurologischer Erkrankungen. Kandidaten wurden danach geordnet, wie eng sie mit krankheitsrelevanten Signalwegen und Störungen zusammenhängen .

Damit fungiert das System vor allem als Hypothesengenerator: Es soll nicht die Laborarbeit ersetzen, sondern aus einer kaum noch manuell überschaubaren Datenmenge jene biologischen Beziehungen herausarbeiten, die anschließend experimentell geprüft werden können .

3. Drei Hürden für die experimentelle Validierung

Ein Kandidat musste drei Prüfungen bestehen, bevor er in das Frühforschungsprogramm aufgenommen wurde:

1. Validierung des Signalwegs: Verhält sich die genetische Veränderung so, wie es die biologische Hypothese erwarten lässt?
2. Funktionelle Validierung: Führt eine gezielte Veränderung des Ziels zu relevanten Effekten in menschlichen Nervenzellen?
3. Krankheitsvalidierung: Verändert sich dadurch auch der krankheitsbezogene Zell- oder Funktionsphänotyp?

Erst nach diesem dreistufigen Verfahren wurde das Ziel an Genentech übergeben . Der nächste Schritt ist die Suche und Prüfung geeigneter niedermolekularer Wirkstoffkandidaten – noch lange kein klinischer Wirkstoff und schon gar kein zugelassenes Medikament .

Wichtige Einordnung: Die Microglia Map und die Neuron Map sind zwei getrennte Meilensteine. Die Microglia Map bildet die Immunzellen des Gehirns ab; das Ziel, das jetzt in die frühe Wirkstoffforschung eintritt, wurde aus der Neuron Map abgeleitet .

Warum dieser Schritt für die KI-gestützte Arzneimittelforschung zählt

Ein Proof of Concept in einem besonders schwierigen Fachgebiet

Die Neurowissenschaft gehört zu den Bereichen mit besonders hohen Ausfallraten in der Medikamentenentwicklung. Laut den angeführten Analysen liegen die FDA-Zulassungsraten für ZNS-Programme historisch bei weniger als der Hälfte der Raten anderer Therapiegebiete . Der neue Kandidat ist deshalb ein frühes, aber konkretes Signal dafür, dass eine KI-native Biologieplattform in diesem Feld ein neuartiges und experimentell validiertes Ziel liefern kann .

Datenmenge als Wettbewerbsvorteil

Die Kooperation zeigt, was sich durch die Kombination aus automatisierter Datenerzeugung und Foundation Models verändern könnte: Statt biologische Zusammenhänge über Jahre hinweg schrittweise zu untersuchen, lassen sich ganze Genomabschnitte in einem einheitlichen Versuchsdesign kartieren . Entscheidend ist dabei nicht die KI allein, sondern das Zusammenspiel aus Modellen, standardisierten Zellmodellen und anschließender Laborvalidierung.

Weniger Risiko bei unbekannten Mechanismen

Die Suche beginnt mit bekannten genetischen Hinweisen auf neurologische Erkrankungen und erweitert sie um verwandte biologische Prozesse im gesamten Genom. Das kann die Unsicherheit bei der Auswahl bisher unerforschter Angriffspunkte verringern. Ob ein solches Ziel letztlich zu einem sicheren und wirksamen Medikament führt, lässt sich allerdings erst in späteren präklinischen und klinischen Studien beantworten.

Recursion-CEO Najat Khan bezeichnete das Projekt als das erste von bis zu 40 möglichen Programmen aus der Kooperation . Bislang hat die Zusammenarbeit laut den vorliegenden Angaben 216 Millionen US-Dollar an Voraus- und Meilensteinzahlungen generiert .

Der große KI-Pharma-Boom: Mehr als 55 Milliarden Dollar an Deals

Der Recursion-Genentech-Meilenstein steht nicht allein. Pharmaunternehmen investieren zunehmend nicht nur in einzelne Wirkstoffkandidaten, sondern in Plattformen, Dateninfrastruktur und gemeinsame Forschungskapazitäten.

Die wichtigsten Marktkennzahlen

• Zwischen Januar 2025 und Juli 2026 sagten große Pharmaunternehmen mehr als 22 Milliarden US-Dollar an offengelegtem Kapital für KI-Biotech- und computergestützte Wirkstoffforschungsplattformen zu – über Übernahmen, Kooperationen, Lizenzen und Beteiligungen .
• Die Finanzierung KI-gestützter Wirkstoffforschung stieg 2025 auf rund 11 Milliarden US-Dollar aus 348 Transaktionen, nach etwa 8,9 Milliarden US-Dollar aus 264 Transaktionen im Jahr 2024 .
• Für 2024 und 2025 zusammen wurden mehr als 55 Milliarden US-Dollar an Partnerschafts- und M&A-Werten im Bereich KI/ML-gestützte Wirkstoffforschung verzeichnet .
• Im ersten Quartal 2026 wurden 36 größere KI-Partnerschaften gezählt – doppelt so viele wie die 18 im ersten Quartal 2025 .

Beispiele für jüngere Kooperationen

Von Einzelwetten zur Forschungsinfrastruktur

Das Muster der Jahre 2025 und 2026 ist deutlich: Pharmaunternehmen setzen stärker auf KI-Plattformen, die mehrere Projekte gleichzeitig hervorbringen können, statt nur einzelne Moleküle einzulizenzieren. Die Fusion von Recursion und Exscientia sowie die wachsende Zahl großer Plattformdeals deuten darauf hin, dass KI-gestützte Wirkstoffsuche zunehmend als Teil der zentralen Forschungs- und Entwicklungsinfrastruktur verstanden wird .

FDA und EMA schaffen einen formelleren Rahmen für KI

Parallel zur wissenschaftlichen Entwicklung konkretisieren die Aufsichtsbehörden ihre Erwartungen.

• Januar 2025: Die US-Arzneimittelbehörde FDA veröffentlichte ihren ersten Leitlinienentwurf „Considerations for the Use of Artificial Intelligence to Support Regulatory Decision-Making for Drug and Biological Products“. Er beschreibt einen risikobasierten Rahmen, mit dem die Glaubwürdigkeit eines KI-Modells für einen bestimmten Anwendungszweck bewertet werden soll .
• Januar 2026: FDA und Europäische Arzneimittel-Agentur (EMA) veröffentlichten gemeinsam die „Guiding Principles of Good AI Practice in Drug Development“. Die zehn Prinzipien sollen den Einsatz von KI zur Erzeugung von Evidenz über den gesamten Lebenszyklus eines Arzneimittels hinweg strukturieren .

Im Mittelpunkt steht die sogenannte Modellglaubwürdigkeit: Unternehmen müssen zeigen, dass ein KI-Werkzeug für den konkreten Zweck zuverlässig und geeignet ist . Wichtig ist jedoch eine Einschränkung: Der FDA-Leitlinienentwurf von 2025 behandelt KI, deren Ergebnisse regulatorische Entscheidungen zu Sicherheit, Wirksamkeit oder Qualität unterstützen. KI, die unmittelbar in der Wirkstoffentdeckung eingesetzt wird, ist ausdrücklich nicht Teil dieses Dokuments .

Fazit

Der Recursion-Genentech-Meilenstein ist noch kein Beleg dafür, dass KI automatisch bessere Medikamente hervorbringt. Er ist aber ein erster konkreter Nachweis, dass eine KI-native Biologieplattform in einem besonders schwierigen Gebiet ein neues Ziel identifizieren, priorisieren und im Labor validieren kann.

Zusammen mit dem Boom bei KI-Pharma-Deals und den neuen Leitplanken von FDA und EMA verschiebt sich damit die zentrale Frage der Branche: Nicht mehr nur, ob KI neue Angriffspunkte finden kann, sondern wie zuverlässig solche Erkenntnisse in Wirkstoffe übersetzt werden – und wie schnell daraus klinisch relevante Medikamente entstehen.