Lillys 2,75-Mrd.-Dollar-Wette auf KI-entdeckte Therapeutika
Eli Lillys Rekordpartnerschaft mit Insilico Medicine ist der größte Deal der Geschichte in der KI-Wirkstoffforschung. Warum jetzt, was er tatsächlich kauft und welche Effekte zweiter Ordnung folgen.
Das erste Weekly Briefing beginnt mit dem Deal, der die gesamte Kategorie neu rahmt: Eli Lilly sagt bis zu 2,75 Milliarden Dollar zu, um KI-entdeckte Medikamente von Insilico Medicine zu lizenzieren — eine Größenordnung über jeder bisherigen KI-Pharma-Partnerschaft. Die Struktur zählt mehr als die Zahl. Lilly lizenziert quer über eine Plattform, statt sich ein Molekül herauszupicken, und tut das parallel zum eigenen 1-Milliarde-Dollar-Labor mit NVIDIA — eine zweigleisige „Bauen und Kaufen“-Wette auf Forschungskapazität. Rund um dieses Kernstück tauchen diese Woche überall dieselben Kräfte auf: agentische Werkzeuge, die die Hürde aus Biologie plus ML einreißen, FDA und EMA, die ein transatlantisches Regelwerk skizzieren, und ein Benchling-Bericht, der darauf beharrt, die Modelle seien längst gut genug — es sei die Datenklempnerei, die versage.
Leitartikel — Lilly wettet 2,75 Mrd. Dollar auf Insilico, der bislang größte Deal der KI-Wirkstoffforschung
DealsEli Lilly hat bis zu 2,75 Milliarden Dollar zugesagt, um KI-entdeckte orale Therapeutika von Insilico Medicine zu lizenzieren — 115 Millionen Dollar Vorauszahlung am 29. März, die restlichen 2,63 Milliarden an Meilensteine und Lizenzgebühren gebunden — und stellt damit jede frühere KI-Pharma-Partnerschaft in den Schatten. Das strukturelle Signal ist, dass Lilly quer über Insilicos Pharma.AI-Plattform lizenziert (PandaOmics für Zielstrukturen, Chemistry42 für Chemie, InClinico für die Studienvorhersage) und nicht ein einzelnes Molekül; der Konzern glaubt, die Maschine könne wiederholt Kandidaten in klinischer Qualität hervorbringen. Die Zuversicht speist sich aus Rentosertib, dem ersten Medikament, dessen biologisches Ziel (TNIK) und dessen Molekül beide von generativer KI gefunden wurden und das in einer Phase IIa mit 71 IPF-Patienten eine Verbesserung der FVC um +98,4 ml gegenüber einem Rückgang von −20,3 ml unter Placebo lieferte. Zusammen mit Lillys eigenem 1-Milliarde-Dollar-Labor mit NVIDIA gelesen, ist das ein „Bauen und Kaufen“-Spiel — die vertikale Integration einer externen Forschungsmaschine bei gleichzeitigem Aufbau eigener Fähigkeiten. Die härtere, ungestellte Frage: Wenn KI die Kosten pro Kandidat in Richtung einstellige Millionen drückt, gerät das Preisregime, das auf ruinösen F&E-Kosten aufgebaut ist, ins Wanken.
PandaClaw: agentische KI zieht ins Labor der Zielentdeckung ein
ProduktstartInsilico startete PandaClaw, einen autonomen Agenten innerhalb von PandaOmics, der Biologinnen und Biologen komplexe Multi-Omics-Analysen in natürlicher Sprache ausführen lässt, ohne rechnergestützte Vorbildung. Er integriert über 140 wissenschaftliche Fertigkeiten und mehr als 1.000 bioinformatische Werkzeuge, plant mehrstufige Arbeitsabläufe und liefert publikationsreife Berichte mit statistischer Validierung und Datenherkunft — gebaut auf LangChain und LangGraph, mit Selbstkorrektur in einer Sandbox, bevor Ergebnisse zurückgegeben werden. Der eigentliche Hebel ist nicht die Technik, sondern die erreichbare Nutzerbasis: PandaOmics war hinter der seltenen Doppelkompetenz aus Biologie und ML verriegelt, und PandaClaw senkt die Hürde auf jeden, der eine Frage tippen kann. Das erweitert sowohl Insilicos potenzielle Kundschaft als auch das Tempo, in dem Partner wie Lilly Kampagnen zur Zielentdeckung intern fahren können. Erwarten Sie, dass konkurrierende Plattformen binnen Monaten agentische Oberflächen ausliefern — das Ko-Wissenschaftler-Muster wird gerade zur Grundausstattung.
FDA und EMA setzen die ersten gemeinsamen KI-Grundsätze
RegulatorikAm 14. Januar veröffentlichten FDA und EMA gemeinsam die „Guiding Principles of Good AI Practice in Drug Development“ — zehn geteilte Grundsätze über den gesamten Lebenszyklus, von der nichtklinischen Forschung bis zur Marktüberwachung. Es ist der erste koordinierte transatlantische Rahmen für KI in der Pharma: eher übergeordnet als bindend, aber ein klares Signal, wohin beide Behörden die Regeln steuern; er umfasst menschenzentriertes ethisches Design, risikobasierte Leistungsbewertung, Daten-Governance und Cybersicherheit sowie das Lebenszyklusmanagement von Modellen. Er baut auf dem FDA-Entwurf vom Januar 2025 zu Glaubwürdigkeitsrahmen für KI auf (die endgültige Fassung wird im zweiten Quartal 2026 erwartet) und auf der ersten Qualifizierungsstellungnahme der EMA zu einer Studienmethodik mit KI-Anteil. Die Lücke zwischen Grundsätzen und umsetzbarer Compliance ist genau dort, wo Antragsteller Schaden nehmen. Unternehmen, die 2026–27 INDs für KI-entdeckte Kandidaten einreichen und früh in Validierungsprotokolle und Erklärbarkeitsdokumentation investieren, werden einen spürbaren Vorsprung haben, wenn bindende Leitlinien kommen.
Benchlings Bericht 2026: Die Modelle funktionieren — die Daten nicht
BranchendatenBenchlings Biotech AI Report 2026 stellt fest, dass die Branche vom Pilotieren in den operativen Einsatz übergegangen ist — die „Bauphase“ —, wobei 80 % der Organisationen ihre KI-Budgets erhöhen wollen und 23 % eine Verdopplung ihrer Ausgaben erwarten. Reife, überprüfbare Anwendungen führen die Adoption an: Proteinstrukturvorhersage nutzen 73 % der Vorreiter, Docking 52 %. Doch die Adoption bricht in den Bereichen ein, die tatsächlich differenzieren — generatives Moleküldesign (42 %), Biomarker-Analyse (40 %), ADME-Vorhersage (29 %) —, und der Begrenzer sind fast nie die Modelle: 55 % nennen schlechte Datenqualität als Hauptgrund, warum Piloten scheitern. Der Engpass hat sich verschoben von „Kann KI in der Wirkstoffforschung funktionieren?“ zu „Kann Ihre Organisation sie im großen Maßstab mit sauberen Daten füttern?“. Das deutet die Herausforderung als organisatorisch statt technisch um — und belohnt die unglamourösen Investitionen in Datenharmonisierung, Metadatenstandards und Pipelines vom Gerät in die Cloud statt einer weiteren Runde Modellauswahl.
Der interne Assistent Elsa der FDA läuft auf Claude
RegulatorikDer behördenweite generative KI-Assistent der FDA, Elsa (Electronic Language System Assistant), gebaut auf Anthropics Claude und im Juni 2025 gestartet, ist inzwischen behördenweit im Einsatz für die Zusammenfassung unerwünschter Ereignisse, Etikettenvergleiche, die Prüfung klinischer Protokolle, Codegenerierung und die Auswahl von Inspektionszielen — alles in einer sicheren GovCloud-Umgebung, die nicht auf Industrieeinreichungen trainiert. Eine separate Agenten-KI-Initiative drängt FDA-Mitarbeitende dazu, eigene autonome Lösungen zu bauen. Die bemerkenswerte Verschiebung ist, dass der Regulierer selbst zum KI-Nutzer wird, was unweigerlich prägen wird, wie er KI-gestützte Einreichungen bewertet.
Finanzierung von Life-Sciences-KI übertrifft die breitere Biotech-Erholung
BranchendatenKI-nahe Life-Sciences-Start-ups sammelten im ersten Quartal 2026 laut Longevity.Technology rund 3,7 Milliarden Dollar über 49 Deals ein, ein Plus von 56 % gegenüber dem Vorjahr. Das übertrifft die breitere Erholung der Biotech-Finanzierung, die sich langsamer aus dem Tal von 2022/23 herausarbeitet — obwohl das gesamte nordamerikanische Wagniskapital im Quartal laut Crunchbase mit 252,6 Milliarden Dollar einen Rekord erreichte. Das Signal ist Konzentration: Kapital fließt zunehmend zu Unternehmen an der Schnittstelle von KI und Biologie statt zu konventionellen Biotech-Plattformen.
DrugCLIP durchsucht zehn Millionen Substanzen in Stunden
PublikationenIn Science veröffentlicht von Forschenden der Tsinghua-Universität, nutzt DrugCLIP tiefes kontrastives Lernen, um Milliarden von Substanzen und Tausende von Proteintaschen in einen einheitlichen chemischen Raum einzubetten, und ermöglicht damit docking-freies virtuelles Screening, das rund zehn Millionen Mal schneller ist als konventionelle Methoden. Sowohl das Werkzeug als auch eine begleitende Datenbank mit 10.000 Proteinzielen sind frei verfügbar. Es ist ein echter Produktivitätssprung für die frühe Trefferidentifikation — mit rascher, breiter Übernahme durch akademische und industrielle Teams zu rechnen, die derzeit Wochen mit Screening-Kampagnen verbringen.
Das 1-Mrd.-Dollar-KI-Labor von Lilly und NVIDIA fährt in South San Francisco hoch
DealsDas auf der JPM26 angekündigte Co-Innovationslabor von Lilly und NVIDIA, getragen von einer gemeinsamen Investition von 1 Milliarde Dollar über fünf Jahre, stellt nun aktiv Personal ein und baut in der Bay Area auf. Es bringt Lillys Fachleute aus Biologie und Medizin mit NVIDIA-KI-Ingenieuren zusammen und nutzt NVIDIAs BioNeMo-Plattform sowie GPU-Architektur der neuesten Generation, um große biomedizinische Foundation Models zu trainieren. Der Umfang reicht weit über die Forschung hinaus in die klinische Entwicklung, die Produktion (einschließlich digitaler Zwillinge von Fertigungslinien) und die Lieferkette. Zusammen mit dem Insilico-Lizenzdeal ist es der klarste Beleg dafür, dass Lilly eine zweigleisige „Bauen und Kaufen“-KI-Strategie gleichzeitig fährt.