Isomorphic geht in die Klinik — und warum Daten, nicht Modelle, der Burggraben sein werden
Isomorphic Labs rüstet sich für Studien am Menschen, Owkins „KI-Wissenschaftler“ landet bei drei Top-Ten-Pharmakonzernen, und Bessemer legt dar, warum biologisch-native Daten der einzige dauerhafte Vorteil sind.
Die Benchmark-Ära der KI-Wirkstoffforschung geht zu Ende, und 2026 ist das Jahr, in dem die größten Thesen des Feldes auf reale klinische und kommerzielle Tests treffen. Isomorphic Labs rüstet sich endlich, KI-entworfene Moleküle in Studien am Menschen zu bringen, Owkins agentischer „KI-Wissenschaftler“ ist bei drei Top-20-Pharmakonzernen gelandet, und Bessemer hat das bislang schärfste Argument dafür veröffentlicht, warum die meisten KI-Biotechs verlieren werden. Das Bindegewebe aller drei sind Daten: proprietäre, biologisch-native, klinisch verankerte Daten erweisen sich als dauerhafter Burggraben, während Modelle zur Massenware werden. Diese Ausgabe verfolgt, wer dieses Schwungrad baut und wer noch Versprechen auf Modellebene verkauft.
Leitartikel — Isomorphic Labs rüstet sich endlich für Studien am Menschen
KommentarBei WIRED Health in London bestätigte Isomorphic-Labs-Präsident Max Jaderberg am 16. April, dass die Alphabet/DeepMind-Ausgründung sich darauf vorbereitet, ihre ersten KI-entworfenen Moleküle in Onkologie- und Immunologiestudien zu bringen, konstruiert für hohe Wirksamkeit bei niedrigerer Dosis. Die Pipeline stapelt AlphaFolds Strukturvorhersage mit IsoDDE, der hauseigenen Wirkstoffdesign-Maschine, die nach eigenen Angaben die Genauigkeit von AlphaFold 3 bei den härtesten Generalisierungs-Benchmarks verdoppelt und eine verborgene Cereblon-Bindungstasche allein aus der Sequenz vorhergesagt hat. Doch das Muster der Zeitpläne lädt zur Prüfung ein: Hassabis versprach Studien am Menschen bis Ende 2025, dann in Davos bis Ende 2026, und nun heißt es nur „rüsten uns“ ohne Datum. Mit einer Finanzierung über 600 Mio. Dollar und Partnerschaften mit Lilly, Novartis und J&J im potenziellen Wert von über 3 Mrd. Dollar ist die Auslesung 2026 die folgenreichste Bestätigung, der sich die These des KI-Wirkstoffdesigns stellen muss. Die eigentliche Frage sind nicht Benchmarks — sondern ob Isomorphic eine schnelle Schleife von klinischen Daten zurück ins Modell bauen kann statt einer teuren Methode, standardmäßige Phase-1-Fehlschläge zu erzeugen.
Owkins agentischer KI-Wissenschaftler geht bei drei Top-20-Pharmakonzernen in den Einsatz
DealsLaut BioPharma Dive hat Owkin einen autonomen „KI-Wissenschaftler“ bei Sanofi, Bristol Myers Squibb und Merck & Co. in Betrieb genommen, der durchgängig an Fragen zu Vermarktung, Zielentdeckung und Studiendesign arbeitet statt als Copilot. Co-CEO Pascal Weinberger bewarb ihn damit, jedem Forschenden „ein Rechenzentrum voller genialer Doktoranden in die Tasche“ zu geben — und, entscheidend, als Pipeline-Kapazität statt als Produktivität pro Kopf. Diese Rahmung impliziert identische Personalstärke bei zehnmal mehr Programmen und verschiebt den Engpass von der analytischen Kapazität zum Deal-Flow. Sie kommt inmitten eines breiteren agentischen Schwungs, einschließlich Anthropics 400-Mio.-Dollar-Übernahme von Coefficient Bio und der Claude-for-Life-Sciences-Konnektoren zu Benchling und PubMed. Das ehrliche Gegengewicht: Die meisten Fehlschläge der Pharma sind biologisch, nicht analytisch — die eigentliche Unternehmensfrage lautet also, welche konkreten Entscheidungen das Werkzeug verändert hat.
Bessemers These, warum die meisten KI-Biotechs verlieren werden
KommentarIn einem neuen Atlas-Beitrag legen Andrew Hedin, Marla Jalbut MD und Grace Dai von Bessemer einen Rahmen aus drei Prinzipien für biologisch-native Dateninfrastruktur dar: skalierbare multimodale Datensätze kuratieren, die an den Wirkmechanismus gekoppelt sind, agentische KI quer durch die F&E einbetten und Laborautomatisierung für geschlossene Rückkopplungsschleifen einführen. Der schärfste Datenpunkt ist struktureller Natur — 63 % der Biologie-KI-Modelle trainieren auf Proteinsequenz und -struktur aus UniProt und der PDB, die stark zu stabilen, kristallisierbaren Proteinen verzerrt und dünn bei Membranproteinen, ungeordneten Proteinen und transienten Komplexen sind, also genau bei dem, was Onkologie und Neurodegeneration antreibt. Die Folgerung: Kommerziell wichtige Vorhersagen korrelieren mit den schwächsten Daten, sodass Modelle zur Massenware werden und Daten nicht. Bessemer nennt Peptone, Inductive Bio, Converge Bio, NOETIK und Prima Mente als datenzuerst arbeitende Beispiele. Die unbequeme Lehre: KI-Biotechs in der Mittelposition auf der Modellebene sind am schwersten zu verteidigen, während die Burggräben nach unten zu den Daten und nach oben zum Workflow wandern.
Alloy Therapeutics sammelt 40 Mio. Dollar Serie E bei 1 Mrd. Dollar Bewertung ein
FinanzierungDas in Boston ansässige Alloy Therapeutics schloss eine Serie E über 40 Mio. Dollar bei einer Bewertung von 1 Mrd. Dollar ab und rahmt die Runde als Wende von der Antikörperentdeckung zu „Full-Stack-Biotech-Infrastruktur“ über KI-/ML-Modelle, Real-World-Daten und integrierte Nasslabor-Dienstleistungen für über 200 Partner und 22 Programme im klinischen Stadium. Eine Einhorn-Bewertung bei einer 40-Mio.-Dollar-Runde ist ungewöhnlich und liest sich eher als Markenpflege denn als Kapitalbedarf. Die Infrastruktur-Rahmung ist stimmig, stellt Alloy aber in direkten Wettbewerb mit Benchling, Schrödinger und Amazon Bio Discovery über die Plattformbreite — ein deutlich härterer Kampf als Antikörperentdeckung allein.
PitchBook: KI-native Biotechs beanspruchen 80–90 % Phase-1-Erfolg
BranchendatenEine PitchBook-Analyse vom Januar 2026 über BioSpace berichtet, dass KI-native Biotechs Phase-1-Erfolgsquoten von 80–90 % erreichen gegenüber einer Branchenbasis von 40–65 %, dazu 40 % Phase-2-Erfolg gegenüber 29 % in der Branche. Es ist das erste quantitative Signal, dass die KI-These liefert — aber der Datensatz umfasst nur zehn Studien. KI-native Programme sind zudem überproportional früh, gut finanziert und zielreich im Vergleich zum Branchenschnitt, sodass sich die Abstände verringern könnten. Der ehrliche Test ist, ob der Vorteil bei n=50 Studien bestehen bleibt, gematcht nach Indikation und Zielklasse — eine Kennzahl, die bis 2027 Beobachtung verdient.
NVIDIA erweitert BioNeMo um neue Partnermodelle
ProduktstartAuf der GTC erweiterte NVIDIA seinen BioNeMo-Katalog um Partnermodelle, darunter die EDEN-Familie von Basecamp Research für die Insertion großer DNA-Segmente, Moleküldesign-Modelle von Boltz Lab, biomolekulare Foundation Models von Chai Discovery und Nateras Krebs-Foundation-Model. NVIDIA lieferte zudem eigene Modelle aus: RNAPro für die RNA-Strukturvorhersage und ReaSyn v2 für die Synthesetauglichkeit. BioNeMo wird zum AWS Marketplace der Biologie-KI — breit nützlich, nirgends verteidigungsfähig. NVIDIAs eigentlicher strategischer Vermögenswert ist die GPU-Bindung beim Training; der Modellkatalog ist der Köder.
Hochrisiko-Bestimmungen des EU-KI-Gesetzes treten am 2. August in Kraft
RegulatorikDie Hochrisiko-Bestimmungen des EU-KI-Gesetzes treten am 2. August in Kraft und könnten laut Drug Target Review bestimmte KI in der Arzneimittelentwicklung als „hochriskant“ einstufen, was Anforderungen an Prüfbarkeit, Transparenz und Reproduzierbarkeit für Pharma-KI-Einreichungen mit sich brächte. Entscheidend: Die Leitlinien zielen auf KI, die regulatorische Entscheidungen beeinflusst, und schließen die frühe Forschung ausdrücklich aus, sodass der Großteil der heutigen KI-Wirkstoffforschung außerhalb ihres Anwendungsbereichs liegt. Dies dürfte in den nächsten zwölf Monaten die größte Wahrnehmungs-Realitäts-Lücke in der Pharma-KI-Compliance werden — EU-Pharmateams sind still erleichtert, ihre Berater still enttäuscht. Achten Sie auf Aktualisierungen, die den Anwendungsbereich auf KI-Werkzeuge im klinischen Stadium ausdehnen, denn dort sitzt die eigentliche Unklarheit.