insitro und Lilly stellen Modelle zur Vorhersage von In-vivo-Wirkstoffeigenschaften in TuneLab bereit
Modelle des maschinellen Lernens, die insitro gemeinsam mit Eli Lilly entwickelt hat, um In-vitro- und In-vivo-Eigenschaften kleiner Moleküle vorherzusagen, stehen ausgewählten Biotech-Unternehmen nun über Lilly TuneLab zur Verfügung. Laut insitro wurden die Modelle mit präklinischen Daten aus Jahrzehnten von Lilly trainiert, die Hunderttausende einzigartiger Moleküle umfassen.
- Die ML-Modelle von insitro und Lilly zur Vorhersage von In-vitro- und In-vivo-Eigenschaften kleiner Moleküle stehen ausgewählten Biotechs in Lilly TuneLab zur Verfügung.
- Trainiert wurden die Modelle mit präklinischen Daten verschiedener Spezies zu Hunderttausenden einzigartiger Moleküle, die Lilly über Jahrzehnte erzeugt hat.
- Laut insitro sind sie eine Alternative zur Extrapolation aus In-vitro-Assays und werden aktualisiert, wenn der Datensatz wächst.
- Die Modelle sind ein Baustein der TherML-Plattform von insitro und sollen auch in der eigenen Forschung und in der von Partnern eingesetzt werden.
- TuneLab läuft auf einer Infrastruktur für föderiertes Lernen, die von einem externen Anbieter gehostet wird.
Was die Modelle leisten und wie sie entstanden sind
insitro, das sich selbst als KI-Unternehmen mit Fokus auf kausale Humanbiologie beschreibt, erklärte, die Modelle sagten sowohl In-vitro- als auch, wie es formulierte, "entscheidend: In-vivo"-Eigenschaften kleiner Moleküle voraus. Trainiert wurden sie mit präklinischen Daten verschiedener Spezies, die Lilly in jahrzehntelanger Forschung erzeugt hat und die Hunderttausende einzigartiger Moleküle abdecken.
Nach Angaben von insitro bieten die Modelle eine Alternative zum aktuellen Branchenstandard, der auf der Extrapolation aus In-vitro-Assays beruht. Kleineren Organisationen eröffne das eine Fähigkeit auf Enterprise-Niveau, die bislang nur Unternehmen mit dem nötigen Umfang zur Verfügung stand, um solche Daten selbst zu erzeugen. Die Modelle sollen aktualisiert werden, wenn der Datensatz weiter wächst.
Die Arbeit geht auf eine im September 2025 angekündigte Zusammenarbeit zurück. Dabei wurden die Kompetenzen von insitro in Informatik und KI/ML mit Lillys proprietärem Datensatz aus In-vitro- und In-vivo-Messungen verbunden. Die Verbindungen in diesem Datensatz haben etablierte ADMET-Eigenschaften (Absorption, Distribution, Metabolismus, Exkretion und Toxizität). insitro bezeichnet ihn als erstklassig in Qualität, Konsistenz und Umfang.
Warum die Vorhersage der Pharmakokinetik wichtig ist
Daphne Koller, Gründerin und CEO von insitro, verwies auf die hohe Ausfallquote in der Wirkstoffentwicklung. "Neun von zehn Programmen, die in die klinische Phase gehen, scheitern, meist wenn erstmals die Wirksamkeit geprüft wird", sagte sie. Ursache sei zum einen, dass der Mechanismus die Krankheit nicht getrieben habe, zum anderen aber auch, dass das Molekül das Gewebe nie in der richtigen Konzentration über die richtige Dauer erreiche.
Das In-vivo-Verhalten eines Moleküls sei bislang "eine empirische Frage gewesen, experimentell beantwortet, langsam, Verbindung für Verbindung", so Koller. Die neuen Modelle "machen daraus zuerst eine rechnerische Frage".
insitro argumentiert, dass eine bessere Vorhersage in der Designphase dazu führen kann, dass weniger Kandidaten mit fehlerhaften Strukturen weiterkommen und vielversprechende Moleküle schneller die Klinik erreichen. Zudem unterstütze eine verbesserte In-silico-Vorhersage den geringeren Einsatz von Tierversuchen. Das Unternehmen sieht darin einen Bezug zu den Zielen der im April 2025 veröffentlichten Roadmap der FDA zur Reduzierung von Tierversuchen in präklinischen Sicherheitsstudien und zu ihrem Leitlinienentwurf zu neuen Ansatzmethoden (New Approach Methodologies) vom März 2026.
Die Rolle von Lilly TuneLab und der TherML-Plattform
Aliza Apple, Vice President of Catalyze 360 AI/ML und Global Head von Lilly TuneLab, sagte, die Modelle erlaubten es Teams, Signale aus In-vivo-Studien, die bisher erst in späteren Entwicklungsphasen verfügbar waren, bereits beim virtuellen Screening zu nutzen, "bevor ein Molekül überhaupt synthetisiert ist". TuneLab sei auf der Annahme aufgebaut, dass sich Erkenntnisse aus Daten der Wirkstoffforschung gemeinsam nutzen ließen, statt hinter den Mauern eines einzelnen Unternehmens ungenutzt zu bleiben. Für die Mitgliedsunternehmen bedeute das praktisch eine Verschiebung hin zu Erkenntnissen, die frühe Entscheidungen und die Verteilung knapper Ressourcen informieren können.
Lilly TuneLab gehört zu Lilly Catalyze360, neben Lilly Ventures, Lilly Gateway Labs und Lilly ExploR&D. Diese Programme fördern Biotech-Innovationen durch strategisches Kapital, Laborflächen und Technologie sowie Forschungs- und Entwicklungskapazitäten. Die Plattform basiert auf einer Infrastruktur für föderiertes Lernen und wird von einem externen Anbieter gehostet.
Für insitro sind die In-vivo-PK-Modelle ein Baustein der TherML-Plattform für die Entdeckung kleiner Moleküle. Diese umfasst außerdem maschinelles Lernen und physikbasiertes In-silico-Screening, Affinitätsmodelle auf Basis proprietärer adaptiver DNA-kodierter Bibliotheken (mit Daten im Maßstab von bis zu 1 Milliarde Verbindungen) sowie eine Active-Learning-Engine für das medizinalchemische Design. insitro und seine Partner wollen die Modelle zudem nutzen, um die Entdeckung von First-in-Class-Medikamenten voranzutreiben.
Was das für Biotech-Teams bedeutet
Mit der Veröffentlichung erhalten bestimmte Biotech-Unternehmen in TuneLab Zugang zu Modellen, die auf einem Datensatz beruhen, den nur wenige Organisationen allein zusammentragen könnten. Funktioniert der Ansatz wie beschrieben, könnten Teams in frühen Phasen Kandidaten schon vor der Synthese auf ihr In-vivo-Verhalten prüfen und begrenzte Ressourcen gezielt einsetzen. Leistungskennzahlen zu den Modellen nennt die Quelle nicht, und der Zugang ist auf bestimmte Biotech-Unternehmen beschränkt statt für die gesamte Branche offen.
