Warum Vivodynes HIVE-Labore die Datenlücke der KI-Arzneimittelforschung schließen sollen

Vivodynes zentrale These lautet: Die KI-Arzneimittelforschung hat zunächst ein Datenproblem – und erst danach ein Modellproblem. Künstliche Intelligenz kann Angriffspunkte, Moleküle und Versuchspläne schnell vorschlagen. Doch ihre Vorhersagen bleiben begrenzt, wenn die zugrunde liegenden Daten überwiegend aus Tierversuchen, isolierten Zellen, Proteinen oder reinen Beobachtungen stammen. Diese Quellen zeigen nicht zuverlässig, wie komplexes menschliches Gewebe auf einen Wirkstoff reagiert. Vivodyne-CEO Andrei Georgescu sagte, aktuelle KI-entworfene Medikamente seien noch nicht wesentlich besser als von Menschen entwickelte Wirkstoffe. Der Grund: Den Modellen fehle es an ausreichend relevanten Labordaten. 25

Die Antwort des Unternehmens heißt HIVE – eine modulare Plattform für autonome Labore, die menschliches Gewebe in großer Zahl züchten, behandeln, überwachen und auswerten soll.

Das eigentliche Nadelöhr: Korrelationen reichen nicht

Ein Modell kann einen Zusammenhang zwischen einem biologischen Merkmal und einem Krankheitsverlauf erkennen. Daraus folgt aber noch nicht, was passiert, wenn ein Medikament ein System verändert – bei einer bestimmten Dosis und in einem bestimmten Gewebe.

Vivodyne konzentriert sich deshalb auf gezielte Eingriffe, in der Forschung als Perturbation bezeichnet. Dabei wird eine Bedingung bewusst verändert und die Reaktion des Gewebes gemessen. Vereinfacht gesagt soll ein Versuch zeigen: Wenn Behandlung X in Dosis Y auf Gewebe Z angewendet wird, verändert sich dieses Gewebe auf messbare Weise. Vivodyne beschreibt den Ansatz als Gewinnung kausaler Daten auf Zellebene durch kontrollierte Experimente an menschlichem Gewebe. 2

Der Unterschied ist entscheidend. Ein Modell, das mit unvollständiger oder biologisch schlecht passender Datenbasis trainiert wurde, kann sehr selbstbewusst Vorhersagen treffen, die sich später nicht auf Patientinnen und Patienten übertragen lassen. Vivodyne behauptet nicht, dass größere Modelle nutzlos seien. Die These lautet vielmehr: Werden Modelle skaliert, ohne zugleich die Qualität und menschliche Relevanz der Versuchsdaten zu erhöhen, bleiben die Fortschritte begrenzt. 1725

So funktionieren die HIVE-Labore

HIVE verbindet Robotik, Mikrofluidik, Gewebezüchtung, automatisierte Wirkstoffgabe und biologische Messverfahren. Vivodyne zufolge kann das System 20 Arten menschlichen Gewebes kultivieren, Medikamente oder andere gezielte Veränderungen anwenden und die Reaktionen anschließend über längere Zeit verfolgen. 117

Im Zentrum stehen sogenannte TissueDisks. Auf ihnen sollen Hunderte unabhängige menschliche Gewebe parallel kultiviert und behandelt werden können. Nach Angaben des Unternehmens enthält jedes Gewebemodell rund 200.000 bis 500.000 Zellen. Einige Modelle verfügen zudem über gewebespezifische, dreidimensionale Gefäßnetzwerke, die durchströmt werden können und so eine realistischere Verteilung von Wirkstoffen ermöglichen sollen. 24

Der vorgesehene Ablauf ist iterativ:

1. Standardisierte Modelle menschlichen Gewebes werden gezüchtet.
2. Ein Wirkstoff, eine Dosis, eine genetische Veränderung oder eine Kombination von Eingriffen wird angewendet.
3. Molekulare, zelluläre und funktionelle Reaktionen werden gemessen.
4. Die Ergebnisse fließen in die Auswertung und in die Planung weiterer Experimente ein.

Damit soll das Labor zu einem kontinuierlichen Datenproduktionssystem werden – und nicht nur zu einer Sammlung voneinander isolierter Tests. Gemessen wird nicht bloß, ob Gewebe überlebt. Die Daten können auch erfassen, wie es sich verändert, wann die Veränderung eintritt, welche Zellen betroffen sind und wie unterschiedliche Dosen oder Wirkstoffkombinationen das Ergebnis beeinflussen.

Warum Tiermodelle und Zelltests an der Realität vorbeigehen können

Tierversuche bleiben nützlich, wenn es um Wirkungen im gesamten Organismus geht. Doch was in einem Tier funktioniert, muss sich beim Menschen nicht genauso verhalten. Unterschiede zwischen den Arten können den Abbau von Medikamenten, die Giftigkeit, Immunreaktionen, Krankheitsmechanismen und das Zusammenspiel mehrerer Gewebe beeinflussen.

Einzelzell- und Proteintests liefern zwar wertvolle Details, entfernen aber einen großen Teil der mehrzelligen Struktur und des physiologischen Kontexts, die die Wirkung eines Medikaments mitbestimmen.

Diese Diskrepanz hilft zu erklären, warum vielversprechende Wirkstoffkandidaten aus der präklinischen Forschung später in der Entwicklung am Menschen scheitern können. Vivodyne will deshalb früher zusätzliche Daten aus menschlichem Gewebe liefern, damit manche Sicherheits- und Wirksamkeitsprobleme noch vor einer teuren klinischen Studie erkannt werden. 113

Allerdings ist im Labor gezüchtetes Gewebe kein vollständiger menschlicher Körper. Solche Modelle bilden möglicherweise weder die Pharmakokinetik im gesamten Organismus noch die Signalübertragung zwischen Organen, langfristige Immunreaktionen, Unterschiede zwischen einzelnen Patientinnen und Patienten oder sämtliche Merkmale einer Erkrankung vollständig ab. Sie sollten daher eher als mögliche Brücke zwischen vereinfachten Labortests und klinischer Forschung verstanden werden – nicht als Ersatz für klinische Studien.

Welche Belege hat Vivodyne bisher vorgelegt?

Vivodyne berichtet über Tests mit 20 Chemotherapien an mehreren Gewebemodellen. Nach Angaben des Unternehmens sagte ein Lebermodell die menschliche Arzneimitteltoxizität mit 94 Prozent Genauigkeit voraus. Ein Atemwegsmodell stimmte in 96 Prozent der Fälle mit dem Verhalten menschlichen Gewebes überein; das Knochenmarkmodell erreichte in diesem Testsatz eine Übereinstimmung von 100 Prozent. 17

Diese Zahlen sind potenziell bedeutsam, müssen aber vorsichtig eingeordnet werden. Die verfügbaren Informationen weisen sie als Leistungsangaben des Unternehmens aus. Sie belegen weder eine umfangreiche, unabhängige und in Fachzeitschriften veröffentlichte Validierung über viele Wirkstoffklassen hinweg noch zeigen sie, dass HIVE-Vorhersagen in einem prospektiven Vergleich die Erfolgsquote bei Arzneimittelzulassungen verbessert haben.

Vivodyne hat außerdem eine Anlage mit zwölf HIVE-Laboren angekündigt. Sie soll jährlich 3,1 Millionen kontrollierte Experimente an lebendem menschlichem Gewebe ermöglichen. Das ist eine Angabe zur Kapazität der Plattform – für sich genommen aber noch kein Beleg dafür, dass die daraus entstehenden Experimente klinische Ergebnisse zuverlässig vorhersagen. 37

Finanzierung und wirtschaftliche Unterstützung

Im Jahr 2023 gab das Unternehmen eine Seed-Finanzierung von insgesamt 38 Millionen US-Dollar bekannt. Die Runde wurde von Khosla Ventures angeführt; beteiligt waren Kairos Ventures, CS Ventures, MBX Capital und Bison Ventures. 9 Später machte Vivodyne außerdem eine Finanzierungsrunde über 40 Millionen US-Dollar öffentlich, mit der die Robotik- und KI-Infrastruktur für Gewebetests ausgebaut werden soll. 7

Die Finanzierung unterstützt eine Strategie, die experimentelle Biologie als Infrastruktur für KI versteht: Zuerst sollen große, standardisierte Datensätze entstehen. Anschließend sollen sie dabei helfen, therapeutische Vorhersagen zu verbessern und die aussichtsreichsten Experimente auszuwählen.

Was könnte sich für klinische Studien ändern?

Sollte sich die Plattform in unabhängigen, prospektiven Studien als zuverlässig erweisen, könnte sie die Medikamentenentwicklung auf drei wichtige Arten beeinflussen.

Misserfolge früher erkennen

Wirkstoffkandidaten mit schwacher Wirksamkeit oder nicht akzeptabler Toxizität könnten aussortiert werden, bevor Menschen ihnen ausgesetzt werden. Das würde klinische Fehlschläge nicht beseitigen, könnte aber die Zahl schlecht belegter Kandidaten verringern, die überhaupt in Studien gelangen.

Wirkstoffe und Dosierungen besser auswählen

Das parallele Testen verschiedener Dosen und Gewebekontexte könnte helfen, die Kandidaten mit den besten Erfolgsaussichten zu identifizieren und sinnvollere Dosisbereiche für klinische Untersuchungen festzulegen. Vivodyne positioniert seine Plattform für die Wirkstoffsuche ebenso wie für ADME-/Toxikologie-Analysen und die Planung klinischer Studien. 13

Aussagekräftigere KI-Modelle entwickeln

Wiederholte Experimente mit Eingriffen und anschließender Reaktionsmessung könnten KI-Systemen Trainingsdaten liefern, die eine Behandlung direkt mit einem Ergebnis auf Gewebeebene verbinden. Langfristig hofft Vivodyne, damit ein umfassenderes Rechenmodell – ein sogenanntes „World Model“ – der menschlichen Biologie aufzubauen. 8

Ob das gelingt, hängt von der Qualität, Reproduzierbarkeit und Vielfalt der Daten sowie von ihrer unabhängigen Überprüfung ab. Mehr Experimente sind nicht automatisch besser, wenn die Gewebemodelle relevante Patientengruppen nicht abbilden oder die Messwerte keine zuverlässigen Rückschlüsse auf den Menschen erlauben.

Warum Kombinationstherapien ein wichtiger Prüfstein sind

Bei Kombinationstherapien müssen Forschende mehrere Variablen gleichzeitig untersuchen: Wirkstoffpaare, Dosierungen, Reihenfolge der Behandlung, zeitliche Abstände und Gewebekontext. Eine Plattform für menschliches Gewebe könnte es erleichtern, solche Kombinationen systematisch zu testen – auf der Suche nach synergistischen Effekten und möglichen toxischen Wechselwirkungen, bevor Patientinnen und Patienten behandelt werden.

Das wäre besonders bei Erkrankungen interessant, bei denen ein einzelner Wirkstoff nur einen Teil eines komplexen biologischen Signalwegs beeinflusst. Doch auch hier gilt die Einschränkung: Gewebeexperimente können Wechselwirkungen innerhalb der abgebildeten Biologie sichtbar machen. Klinische Ergebnisse hängen zusätzlich von Aufnahme, Verteilung und Abbau eines Wirkstoffs, Immunreaktionen, dem Zusammenspiel verschiedener Organe und der individuellen Vielfalt von Patientinnen und Patienten ab.

Fazit

Vivodyne setzt darauf, dass der nächste große Fortschritt bei der KI-gestützten Arzneimittelforschung nicht allein durch größere Algorithmen entsteht, sondern durch eine bessere experimentelle Grundlage. HIVE soll diese Grundlage liefern, indem die Plattform kontrollierte Experimente an 20 Arten menschlichen, im Labor gezüchteten Gewebes automatisiert und die Ergebnisse in strukturierte biologische Daten verwandelt. 117

Der Ansatz zielt auf eine reale Schwäche der präklinischen Forschung: Modelle, die mit vereinfachten biologischen Systemen trainiert oder geprüft werden, können nur eingeschränkt vorhersagen, was bei Menschen passiert. Vivodynes frühe Leistungszahlen und die behauptete Versuchskapazität sind bemerkenswert, bleiben aber unternehmenseigene Angaben. Entscheidend wird sein, ob unabhängige Prüfungen zeigen, dass HIVE die Auswahl von Wirkstoffkandidaten verbessert, klinische Fehlschläge reduziert und KI-Modelle hervorbringt, die auch außerhalb der Gewebe und Medikamente funktionieren, mit denen sie trainiert wurden.