Ein Überblick (Stand März 2026)
Toxizitätsvorhersage ist einer der kritischsten und kostenintensivsten Schritte in der Arzneimittelentwicklung. Etwa 30–40 % der klinischen Misserfolge gehen auf Sicherheitsprobleme zurück – vor allem hepatotoxizität (DILI = Drug-Induced Liver Injury), cardiotoxizität (hERG-Blockade, QT-Verlängerung), nephrotoxizität und neurotoxizität. Traditionelle Methoden (in vitro-Assays, Tierversuche) sind teuer, zeitaufwendig und haben eine begrenzte Vorhersagekraft für den Menschen (Translation oft <50 %).
KI hat diese Phase 2026 revolutioniert: Sie ermöglicht in silico-Vorhersagen mit hoher Genauigkeit, reduziert Tierversuche und beschleunigt die Lead-Optimierung um Monate bis Jahre. Modelle basieren auf Machine Learning (Random Forest, SVM, XGBoost), Deep Learning (GNNs, Transformer, Graph Attention Networks) und multimodalen Daten (molekulare Strukturen, Omics, toxikogenomische Profile). Regulatoren wie FDA und EMA akzeptieren KI-gestützte Vorhersagen zunehmend als Teil des risikobasierten Assessments.
1. Hepatotoxizität (DILI) – Die größte Herausforderung
DILI ist die häufigste Ursache für Arzneimittelrückrufe und klinische Abbrüche.
Fallstudie: Cellarity – DILImap & ToxPredictor (Nature Communications 2025)
Cellarity erstellte die bislang größte human-relevante toxikogenomische Bibliothek (DILImap): 300 Verbindungen wurden in primären humanen Hepatozyten bei mehreren Konzentrationen getestet. RNA-seq-Daten (über 200 Stunden Bilddaten-Äquivalent) wurden mit pharmakokinetischen Parametern kombiniert.
Das daraus trainierte Random-Forest-Modell ToxPredictor erreichte in einer Blindvalidierung 88 % Sensitivität bei 100 % Spezifität. Es identifizierte klinische DILI-Fälle, die von Tiermodellen und klassischen präklinischen Assays übersehen wurden, und unterschied leberspezifische Toxizität von anderen Organschäden (z. B. kardiovaskulär oder hämatologisch). Das Modell sagt dosisabhängige Risiken und Sicherheitsmargen voraus und übertrifft mehr als 20 etablierte präklinische Tests.
Weitere Modelle:
- InterDILI und StackDILI: Erreichen AUROC-Werte von 0,88–0,97 durch Ensemble- und Attention-Mechanismen.
- DILIPredictor: Kombiniert RF mit multi-proxy-Daten und erreicht hohe Vorhersagekraft für klinische und präklinische Hepatotoxizität.
2. Cardiotoxizität – hERG-Blockade und QT-Verlängerung
Die Blockade des hERG-Kaliumkanals ist ein klassischer Risikofaktor für lebensbedrohliche Arrhythmien.
Modelle 2025/2026:
- hERGAT: Kombiniert Graph Attention Networks (GAT) mit Gated Recurrent Units. Es erfasst atomare und molekulare Interaktionen und übertrifft klassische QSAR-Modelle.
- Blackthorn AI hERG Blocker Classifier: Analysiert chemische Strukturen und sagt hERG-Blockade mit hoher Genauigkeit voraus – auch für neuartige Moleküle.
Schrödinger’s Predictive Toxicology-Plattform kombiniert physics-based Modeling mit AI und AlphaFold-ähnlichen Strukturvorhersagen, um Off-Target-Effekte (hERG, CYPs, PXR) früh zu erkennen und Moleküle gezielt zu optimieren.
3. Weitere Organtoxizitäten und Endpunkte
- Nephrotoxizität: Traditionelle ML-Modelle (RF, SVM) performen bei begrenzten Daten oft besser als reine Deep-Learning-Ansätze.
- Neurotoxizität, Genotoxizität, Karzinogenität: Graph Neural Networks (GNNs) und Transformer-Modelle nutzen molekulare Graphen und toxikogenomische Daten.
- Akute Toxizität: Plattformen wie ProTox 3.0 oder ADMETlab 3.0 bieten breite Vorhersagen für LD50 und andere Endpunkte.
Insilico Medicine integriert Toxizitätsvorhersage in seine Chemistry42-Plattform und erreicht bei der Optimierung von Molekülen (z. B. PROTACs gegen PKMYT1) hohe Sicherheitprofile bereits in der frühen Design-Phase.
4. Technische Ansätze und Datengrundlagen
Erfolgreiche Modelle nutzen:
- Molekulare Repräsentationen: Fingerprints (Morgan, MACCS), Deskriptoren, Graphen.
- Multimodale Daten: Chemische Struktur + Omics (Transkriptomik, Proteomik) + pharmakokinetische Parameter.
- Algorithmen: Random Forest, XGBoost, Graph Neural Networks, Attention-Mechanismen, Ensemble-Modelle.
- Erklärbarkeit: SHAP-Werte, Attention-Maps und Permutation Feature Importance machen Vorhersagen nachvollziehbar – ein zentraler regulatorischer Anspruch.
Datenquellen: DILIrank, DILIst, Tox21, Open TG-GATEs, ToxicoDB, ChEMBL, PubChem, FDA Sentinel.
5. Regulatorische Akzeptanz und Herausforderungen
- FDA und EMA akzeptieren 2026 KI-Vorhersagen als Teil des risikobasierten Assessments (z. B. für DILI-Risiko in IND-Anträgen).
- Der AI Act der EU und FDA-Leitlinien fordern Validierung, Bias-Kontrolle und Erklärbarkeit.
- Herausforderungen bleiben: Datenqualität/Bias, begrenzte Daten für seltene Toxizitäten, Übertragbarkeit auf neue Modalitäten (z. B. PROTACs, mRNA).
Fazit und Ausblick
KI in der Toxizitätsvorhersage reduziert 2026 die Attritionsrate in der präklinischen Phase erheblich, spart Kosten und Tierversuche und ermöglicht eine frühere De-Risking von Kandidaten. Modelle wie ToxPredictor, hERGAT oder Schrödinger’s Predictive Toxicology liefern bereits heute zuverlässige, erklärbare Vorhersagen für hepatotoxizität, cardiotoxizität und andere Endpunkte.
Die Zukunft liegt in hybriden Ansätzen: KI + physics-based Modeling + toxikogenomische Daten + digitale Zwillinge. Bis 2030 könnten prädiktive Toxizitätsmodelle einen Großteil der frühen Sicherheitsbewertung übernehmen und die Entwicklung sicherer, effektiver Arzneimittel deutlich beschleunigen.
Für Patienten bedeutet das weniger Risiken durch unerwartete Nebenwirkungen, für die Pharma-Industrie eine effizientere Pipeline und für Regulatoren eine datengetriebene, transparente Sicherheitsbewertung.
Alle Angaben basieren auf veröffentlichten Studien in Nature Communications, Nature Medicine, Frontiers in Chemistry, Briefings in Bioinformatics und regulatorischen Entwicklungen von FDA/EMA bis März 2026.
