Warum AI in der Wirkstoffforschung an geschlossenen Datenkreisläufen scheitert
TL;DR
Ein Beitrag des MIT Technology Review beschreibt, warum geschlossene Datenkreisläufe für AI in der Wirkstoffforschung entscheidend sein könnten. Die Branche arbeitet unter hohem Zeit- und Kostendruck: Seit den 1950er-Jahren haben sich die Entwicklungskosten für neue Medikamente laut dem Beitrag ungefähr alle neun Jahre verdoppelt, während ein Markteintritt im Schnitt 10 bis 15 Jahre dauert.
Nauti's Take
Der Befund ist nützlich, weil er die Schuld nicht dem Modell gibt: Wenn sich Entwicklungskosten alle neun Jahre verdoppeln, liegt der Hebel bei den Daten aus gescheiterten Versuchen – und genau die landen bisher nirgends. Die Grenze ist die Umsetzung, denn geschlossene Datenkreisläufe scheitern selten an der Technik, sondern an Zuständigkeiten und Formaten zwischen Labor und Entwicklung.
Für Pharma-Teams ein starkes Argument, für schnelle Erfolgsmeldungen taugt es nicht.
Einordnunganzeigen
Der Beitrag benennt ein Problem, das sich nicht mit größeren Modellen lösen lässt: Die wertvollsten Daten der Pharmaforschung stammen aus gescheiterten Kandidaten, und genau diese Ergebnisse werden selten strukturiert erfasst oder geteilt. Solange Fehlschläge in Aktenordnern und Einzelsystemen verschwinden, trainieren Modelle auf einer geschönten Auswahl. Das ist weniger eine AI-Frage als eine Frage von Anreizen und Datenhoheit in der Branche.
Quellen