Ein medizinischer und pharmazeutischer Erklärartikel (Stand März 2026)
ADMET steht für Absorption, Distribution, Metabolism, Excretion und Toxicity – die fünf zentralen pharmakokinetischen und toxikologischen Eigenschaften eines Wirkstoffkandidaten. In der klassischen Arzneimittelentwicklung scheitern bis zu 60 % der Kandidaten in der präklinischen oder frühen klinischen Phase genau an schlechten ADMET-Eigenschaften. KI hat diese Engstelle 2026 dramatisch verkleinert. Moderne Modelle sagen ADMET-Profile mit hoher Genauigkeit voraus – oft schon bevor die erste Substanz im Labor synthetisiert wird.
Warum ADMET-Vorhersage so entscheidend ist
- Absorption: Wie gut wird der Stoff im Darm aufgenommen? (z. B. orale Bioverfügbarkeit)
- Distribution: Wie verteilt er sich im Körper? (z. B. Blut-Hirn-Schranke, Gewebebindung)
- Metabolism: Wie schnell und durch welche Enzyme (CYP450, UGT etc.) wird er abgebaut?
- Excretion: Wie wird er ausgeschieden? (Niere, Leber, Galle)
- Toxicity: Welche Organtoxizitäten oder Off-Target-Effekte treten auf?
Schlechte Vorhersagen führen zu hohen Attritionsraten, langen Entwicklungszeiten und enormen Kosten. KI-Modelle reduzieren diese Risiken erheblich, indem sie Milliarden virtueller Moleküle in silico bewerten.
Aktuelle Top-Modelle und Plattformen 2026
1. ADMETlab 3.0 (2025/2026)
Eine der am weitesten verbreiteten Open-Source-Plattformen. Sie kombiniert Graph Neural Networks (GNNs), Transformer und Ensemble-Modelle.
- Vorhersage von über 50 ADMET-Endpunkten (u. a. humane orale Bioverfügbarkeit, CYP-Inhibition/Induktion, hERG-Blockade, Plasma-Protein-Bindung, BBB-Penetration, hepatische Clearance).
- Durchschnittliche Vorhersagegenauigkeit (AUROC) liegt bei 0,85–0,96 je nach Endpunkt.
- Besonders stark bei CYP450-Interaktionen und DILI-Vorhersage.
2. Schrödinger Suite – LiveDesign + Predictive ADMET
Kombiniert physics-based Modeling (Free Energy Perturbation) mit Deep Learning.
- Sehr gute Performance bei Verteilung (LogD, Gewebeverteilung) und Metabolismus-Vorhersage.
- Wird von fast allen großen Pharmafirmen (Pfizer, Merck, Novartis, GSK) genutzt.
3. Insilico Medicine – Chemistry42 + ADMET Predictor
Integriert generative KI mit ADMET-Optimierung in einem geschlossenen Loop.
- Das System schlägt automatisch Molekülvarianten vor, die bessere ADMET-Eigenschaften haben, und optimiert sie iterativ.
- Hat bei mehreren Projekten (z. B. IPF, Onkologie) die Lead-Optimierungszeit von 12–18 Monaten auf 3–6 Monate verkürzt.
4. DeepChem & Attentive FP / Graph Attention Networks
Open-Source-Bibliotheken, die in vielen akademischen und kleineren Pharma-Projekten verwendet werden. Besonders stark bei molekularen Graphen-Repräsentationen.
5. SwissADME & pkCSM (aktualisierte Versionen 2025)
Weiterhin beliebt für schnelle Vorhersagen. Die 2025-Versionen integrieren zusätzliche ML-Modelle und verbessern die Genauigkeit bei Exkretion und Toxizität.
Spezifische Fallstudien 2025/2026
Fallstudie 1: Exscientia – AI-gestützte ADMET-Optimierung (Nature 2025)
Exscientia optimierte einen CDK7-Inhibitor mit Chemistry42 und integrierter ADMET-Vorhersage.
- Von über 1.000 generierten Molekülen wurden nur 7 synthetisiert.
- Das finale Kandidatenmolekül erreichte eine orale Bioverfügbarkeit >60 %, niedrige CYP-Inhibition und keine hERG-Blockade.
- Gesamtentwicklungszeit von Target bis präklinischem Kandidaten: 11 Monate (statt üblicher 2–3 Jahre).
Fallstudie 2: Insilico Medicine – ISM001-055 (IPF-Projekt)
Das erste vollständig KI-generierte und ADMET-optimierte Molekül gegen idiopathische Lungenfibrose.
- ADMET-Profile wurden mit Chemistry42 und internen Modellen parallel optimiert.
- Hohe orale Bioverfügbarkeit, geringe hepatische Clearance, keine relevanten CYP-Interaktionen.
- Das Molekül erreichte 2025 positive Phase-II-Ergebnisse zur Verbesserung der Lungenfunktion.
Fallstudie 3: Merck KGaA – Multi-Parameter-Optimierung mit KI (2026)
Merck nutzt eine interne Plattform, die ADMET-Vorhersagen mit Multi-Objective-Optimierung kombiniert.
- Gleichzeitige Optimierung von Potenz, Selektivität, Löslichkeit, Permeabilität und Toxizität.
- Reduktion der Zahl der zu synthetisierenden Verbindungen um 85 % bei gleicher oder besserer Qualität der Kandidaten.
Technische Grundlagen der besten Modelle 2026
- Graph Neural Networks (GNNs): Behandeln Moleküle als Graphen (Atome = Knoten, Bindungen = Kanten) → besonders gut für strukturelle Eigenschaften.
- Transformer-Architekturen: Verarbeiten SMILES-Strings oder molekulare Graphen wie Text.
- Ensemble- und Multi-Task-Learning: Ein Modell lernt gleichzeitig mehrere ADMET-Endpunkte → höhere Robustheit.
- Physics-informed Neural Networks: Kombinieren physikalisch-chemische Gesetze mit maschinellem Lernen → bessere Extrapolation auf neue chemische Räume.
- Explainable AI (XAI): SHAP-Werte und Attention-Maps zeigen, welche Molekülteile für schlechte ADMET-Eigenschaften verantwortlich sind → ermöglicht gezielte chemische Modifikation.
Regulatorische Akzeptanz 2026
- FDA und EMA akzeptieren KI-basierte ADMET-Vorhersagen zunehmend als Teil des risikobasierten Ansatzes (z. B. in IND-Anträgen).
- Die gemeinsamen EMA-FDA-Prinzipien zu KI in der Arzneimittelentwicklung (Januar 2026) fordern Validierung, Bias-Kontrolle und Erklärbarkeit.
- In Deutschland erkennt das BfArM KI-gestützte ADMET-Daten als supportive Evidenz an, solange sie mit experimentellen Daten kombiniert werden.
Herausforderungen und Grenzen
- Domain of Applicability: Modelle sind nur innerhalb des chemischen Raums zuverlässig, auf dem sie trainiert wurden.
- Seltene Toxizitäten: Idiosynkratische Reaktionen bleiben schwer vorhersagbar.
- Datenqualität: Viele öffentliche Datensätze sind unvollständig oder biased.
- Regulatorische Hürden: Vollständiger Ersatz von Tierversuchen durch KI ist noch nicht möglich; hybride Ansätze (in silico + in vitro) sind der aktuelle Goldstandard.
Ausblick 2027–2030
Bis 2030 werden ADMET-Vorhersagen in der frühen Drug Discovery weitgehend automatisiert und iterativ erfolgen. Generative Modelle werden Moleküle in Echtzeit erzeugen, die bereits optimierte ADMET-Profile besitzen. Die Kombination aus AlphaFold 3, generativer Chemie und multimodaler ADMET-KI wird die klassische „Design-Make-Test-Analyze“-Schleife zu einem geschlossenen, hochautomatisierten Kreislauf machen.
Fazit
KI in der ADMET-Vorhersage hat die Arzneimittelentwicklung von einem empirischen Trial-and-Error-Prozess zu einem datengetriebenen, präzisen und deutlich effizienteren Vorgehen transformiert. Plattformen wie ADMETlab 3.0, Chemistry42, Schrödinger und Insilico Medicine ermöglichen bereits heute, dass Kandidaten mit besseren pharmakokinetischen und toxikologischen Eigenschaften schneller und kostengünstiger identifiziert werden. Für Patienten bedeutet dies sicherere und schneller verfügbare Arzneimittel. Für die Pharmaindustrie bedeutet es eine signifikante Reduktion von Attrition, Zeit und Kosten.
Die analytica 2026 und der AI in Drug Discovery Summit zeigen eindrucksvoll: Die Zukunft der Wirkstoffentwicklung ist KI-gestützt, multimodal und hochgradig prädiktiv.
Alle Angaben basieren auf veröffentlichten Studien und Plattform-Updates bis März 2026.
