Präklinische Pipeline-Entscheidungen: Kandidaten priorisieren, bevor die teuren Phasen beginnen
Jede Wirkstoff-Pipeline ist eine Kette teurer, sequenzieller Entscheidungen. Wir bauen Modelle, die die vorhandene Evidenz vollständig in diese Entscheidungen einbringen – mit Wahrscheinlichkeiten samt Unsicherheitsintervall statt eines Punktschätzers, den niemand einordnen kann.
Ausgangslage
Hunderte Kandidaten treten in eine Pipeline ein, ein Bruchteil erreicht das Ende, und die Kosten eines Fehlschlags steigen mit jeder Stufe. Ein erheblicher Anteil der späten Abbrüche geht auf ADME-Eigenschaften und Toxizitätssignale zurück, die grundsätzlich früher erkennbar gewesen wären.
Selten fehlt das Wissen. Es ist nur verteilt. Assay-Ergebnisse, ADME-Profile, Toxikologie und Struktur-Aktivitäts-Daten liegen in getrennten Systemen und in den Köpfen einzelner Fachleute. Entscheidungen an den Gates fallen deshalb häufig auf Basis der Datenpunkte, die zuletzt eingetroffen sind, und nicht auf Basis der Evidenz, die im Unternehmen längst vorliegt.
Typische Datengrundlage
Assay- und Screening-Ergebnisse, ADME-Profile, toxikologische Befunde, Struktur-Aktivitäts-Daten und historische Projektverläufe.
Der Teil, der am häufigsten fehlt und am wichtigsten ist: die abgebrochenen Kandidaten. Ein Modell, das nur aus erfolgreichen Projekten lernt, kann nicht vorhersagen, was scheitert. Die dokumentierten No-Go-Entscheidungen der Vergangenheit sind die eigentliche Trainingsgrundlage.
Woran solche Vorhaben scheitern
Survivorship Bias im Trainingsdatensatz. Wenn abgebrochene Kandidaten nicht dokumentiert oder nicht auffindbar sind, lernt das Modell nur, wie erfolgreiche Projekte aussehen. Woran andere gescheitert sind, lernt es nicht. Solche Modelle sagen bei neuen Kandidaten fast immer „weitermachen“.
Wissen, das zum Entscheidungszeitpunkt nicht vorlag. Modelle werden häufig gegen Daten validiert, die am eigentlichen Gate noch nicht verfügbar waren: spätere Assay-Ergebnisse, nachträgliche Annotationen. Das erzeugt exzellente Metriken und ein im Betrieb unbrauchbares Modell. Die Validierung muss den Wissensstand des jeweiligen Gates rekonstruieren.
Das Modell beantwortet die falsche Frage. Ein Modell prognostiziert Wirksamkeit, während das Gate über Entwickelbarkeit entscheidet. Die Prognose ist dann fachlich sauber und operativ wirkungslos. Deshalb beginnen wir mit dem Entscheidungspunkt und nicht mit den Daten.
Vorgehen
Entscheidungspunkt zuerst. Welche Entscheidung soll besser werden, wer trifft sie, und woran wird „besser“ gemessen? Erst daraus leitet sich ab, welche Datenquellen relevant sind. Das verhindert Modelle, die statistisch überzeugen und operativ niemandem helfen.
Merkmale, die interpretierbar bleiben. Feature Engineering gemeinsam mit den chemischen und biologischen Fachbereichen. Ergebnisse müssen wissenschaftlichen Gremien standhalten, und dafür muss nachvollziehbar sein, welche Merkmale ein Modell wie stark gewichtet.
Prognosen mit ausgewiesener Unsicherheit. Wahrscheinlichkeiten mit Intervallen je Kandidat, dazu eine Aufschlüsselung der treibenden Merkmale. Ein Punktschätzer ohne Konfidenzangabe ist für eine Go/No-Go-Entscheidung wertlos.
Gegen historische Entscheidungen validieren. Der belastbarste Test ist kein Validierungssatz, sondern die Frage: Hätte das Modell die Entscheidungen der letzten Jahre besser getroffen als der damalige Prozess?
Was dabei entsteht
Eine priorisierte Kandidatenliste mit Konfidenzangabe, eine nachvollziehbare Begründung je Kandidat und eine Auswertung, wie sich das Modell gegen die historischen Gate-Entscheidungen geschlagen hätte. Das alles ist in den bestehenden Entscheidungsprozess eingebettet und läuft nicht daneben.
Woher unsere Erfahrung kommt
Wir haben Entscheidungsprozesse in Wirkstoff-Pipelines für internationale Life-Science-Konzerne quantifiziert – im Pflanzenschutz, wo die Struktur identisch ist: viele Kandidaten, sequenzielle Gates, teure Versuchsreihen, Entscheidungen unter Unsicherheit.
Zuletzt aktualisiert: 4. August 2026
