Nachdem er mehr als ein Jahrzehnt lang das Biotechnologiegeschäft bei Andreessen Horowitz geleitet hatte, das schließlich ein Vermögen von nahezu 4 Milliarden US-Dollar verwaltete, verließ Vijay Pande das Unternehmen im Juni des vergangenen Jahres, um gemeinsam mit Zach Werner die kleinere Investmentgesellschaft VZVC zu gründen. Das neue Unternehmen setzt jährlich auf eine begrenzte Zahl konzentrierter Wetten und nutzt künstliche Intelligenz sowie Softwareagenten, um den Bedarf an einem traditionellen Investmentteam zu verringern.
Die Veränderung des Investmentmodells ist jedoch nicht der einzige Schwerpunkt in Pandes Vision. Er ist der Ansicht, dass künstliche Intelligenz die Biologie schrittweise von einem Bereich, der auf vereinzelten Entdeckungen und Zufall beruht, zu einem Bereich macht, der sich stärker entwerfen und entwickeln lässt. Dazu gehören die Identifizierung von Arzneimittelzielen, das Design von Arzneimitteln und die Optimierung klinischer Studien – jene Phase, die zu den kostspieligsten Teilen der Arzneimittelentwicklung zählt.
Von der Entdeckung zum Design
Laut Pande haben maschinelle Lernverfahren es Computern ermöglicht, biologische Komplexität zu verarbeiten, die mit traditionellen Methoden nur schwer zu analysieren war. Im vergangenen Jahrzehnt haben sich parallele Fortschritte in der künstlichen Intelligenz für Biologie und Chemie angesammelt: Die erste konzentriert sich auf das Verständnis von Krankheiten und ihrer Behandlung, die zweite auf die Entwicklung von Wirkstoffen, die auf bestimmte Proteine abzielen.
Diese Entwicklungen bedeuten nicht, dass die Arzneimittelentwicklung billig oder sicher geworden ist. Pande zufolge haben die Zeit und die Kosten, die erforderlich sind, um klinische Studien zu erreichen, begonnen zu sinken; die Durchführung der Studie kann jedoch weiterhin Hunderte Millionen US-Dollar erfordern. Außerdem weist er darauf hin, dass die Wahrscheinlichkeit, dass ein Arzneimittel erfolgreich von der ersten Studie bis zum Ende der dritten Studie gelangt, bei etwa 20 % liegt. Das bedeutet, dass das Scheitern von acht von zehn Arzneimitteln die berechneten Kosten pro erfolgreichem Arzneimittel erhöht.
Pande bezweifelt, dass der Einsatz synthetischer Daten die Kosten klinischer Studien tatsächlich in dem häufig behaupteten Ausmaß gesenkt hat; er bezeichnet dies eher als Wunschvorstellung denn als verwirklichte Realität. Einen großen Teil des Scheiterns von Arzneimitteln führt er außerdem auf die begrenzte Fähigkeit von Tiermodellen wie Mäusen zurück, vorherzusagen, was beim Menschen geschehen wird. Seiner Ansicht nach wird ein KI-Modell nicht perfekt sein, könnte aber in einigen Fällen die Vorhersagefähigkeit von Tiermodellen übertreffen.
Präzisionsmedizin braucht Daten über den Einzelnen
Diese Vorstellung reicht über die Entdeckung von Arzneimitteln hinaus bis zur Auswahl der geeigneten Behandlung für jeden Patienten. Pande erklärt, dass die medizinische Praxis stark darauf angewiesen ist, die Testergebnisse eines Patienten mit Bevölkerungsdurchschnitten zu vergleichen, während die wichtigere Frage möglicherweise lautet, wie ungewöhnlich das Ergebnis für genau diese Person ist.
Er ist der Ansicht, dass die alleinige Nutzung des Genoms nicht ausreicht: Das Genom gleicht dem Bauplan eines Hauses, beschreibt aber nicht unbedingt dessen Zustand nach mehreren Jahren. Daher gewinnen andere Messungen, etwa die Proteomik, an Bedeutung, um den aktuellen Zustand des Körpers zu verstehen. Auch Automatisierung und robotergestützte Messungen liefern neue Datenmengen, die mit Modellen der künstlichen Intelligenz verknüpft werden können.
Das Problem geschlossener Daten
Die Biologie unterscheidet sich in einem grundlegenden Punkt von Texten, die im Internet verfügbar sind: Unternehmen können ihre biologischen Daten nicht einfach aus dem Internet zusammentragen und darauf Modelle trainieren. Infolgedessen neigt jedes Unternehmen dazu, seinen eigenen Datensatz aufzubauen, was die Möglichkeit einschränkt, gemeinsame Modelle zu trainieren oder Wissen problemlos von einem Modell auf ein anderes zu übertragen.
Pande glaubt, dass die Entwicklung umfassender Atlanten biologischer Informationen, häufig in Form von Basismodellen, diesen Weg verändern könnte. Er erwartet, dass quelloffene biologische Modelle eine ähnliche Rolle spielen werden wie offene große Sprachmodelle bei ihrem Wettbewerb mit kommerziellen Modellen. Dieser Ansatz bleibt jedoch davon abhängig, inwieweit Unternehmen und Forscher bereit sind, Daten mit kommerziellem und wissenschaftlichem Wert zu teilen.
Was verändert sich praktisch?
VZVC konzentriert sich auf zwei Hauptbereiche, die Pande genannt hat: künstliche Intelligenz für die Gesundheitsversorgung und künstliche Intelligenz für klinische Studien. Er sagt, dass der Fonds etwa fünf Investitionen pro Jahr plant, nicht dreißig, und dass er und Werner sich direkt an den ausgewählten Unternehmen beteiligen. Außerdem suchen sie nach Gründern mit Integrität, die über eine langfristige Beziehung nachdenken, statt nach einem kurzfristigen Wettbewerb um den Zuschlag bei einer umkämpften Finanzierungsrunde.
Die wichtigste Erkenntnis aus Pandes Ausführungen ist, dass das Haupthindernis für künstliche Intelligenz in der Medizin nicht allein der Algorithmus ist. Selbst wenn sich die Modelle verbessern, bleiben die Qualität, Verfügbarkeit und Teilbarkeit der Daten entscheidende Faktoren. Außerdem garantiert der Erfolg der Technologie im Labor keinen kommerziellen Erfolg; Pande räumt ein, dass der Marktzugang schwieriger sein kann als der Aufbau der Technologie selbst.
Damit zeichnet das Gespräch ein optimistisches, aber bedingtes Bild: Künstliche Intelligenz kann die Auswahl und das Design von Arzneimittelzielen sowie die Therapieausrichtung verbessern, doch sie kann keine nicht vorhandenen biologischen Daten erzeugen oder die Risiken klinischer Studien beseitigen. Die offenen Fragen zur gemeinsamen Nutzung von Daten, zur Validierung der Modelle am Menschen und zur Überführung wissenschaftlicher Ergebnisse in praktisch einsetzbare Produkte bleiben Faktoren, die bestimmen, ob der Übergang von der „Entdeckung“ zur „Ingenieursdisziplin“ zu einem breit umgesetzten praktischen Wandel wird.