Top 10 Software für die Arzneimittelforschung

Der Markt für Software zur Arzneimittelforschung unterteilt sich in drei Kategorien: Suiten für computergestützte Chemie für strukturbasiertes Design, KI-native Plattformen für generative Chemie und Target-Identifizierung sowie F&E-Datenmanagementsysteme für ELN, LIMS, Syntheseverfolgung, Datenanalyse und Verbindungsregistrierung.

Wir haben die Top 10-Plattformen für die Arzneimittelforschung hinsichtlich Funktionen, Preisen und Bereitstellungsmodellen verglichen.

Top 10 Software für die Arzneimittelforschung – Bereitstellungs- und Preisvergleich

Hinweis: Die Produkte sind alphabetisch aufgelistet. Keines der Produkte bietet free-Pläne oder Testversionen.

Funktionsvergleich der Software für die Arzneimittelforschung

AIDDISON

AIDDISON ist eine cloud-native Plattform für die Arzneimittelforschung, die generative KI mit computergestützten Wirkstoffdesign-Tools kombiniert. Sie unterstützt Molekülgenerierung, virtuelles Screening, ADMET-Vorhersage, Pharmakophor- und Ähnlichkeitssuchen, molekulares Docking und Retrosyntheseplanung.

Zu den wichtigsten Funktionen gehören:

• Generatives Moleküldesign: Erstellt neuartige kleine Moleküle und optimiert sie hinsichtlich Wirkstoffähnlichkeit, ADMET-Eigenschaften, Bindungsaffinität und Synthetisierbarkeit.
• Suche im chemischen Raum: Durchsucht mehr als 60 Milliarden bekannte und virtuelle Moleküle mithilfe von Ähnlichkeits-, Substruktur- und Pharmakophormethoden.
• Molekulares Docking: Visualisiert Protein-Ligand-Interaktionen, identifiziert Bindungstaschen und bewertet die Kandidatenbindung.
• Syntheseplanung: Verbindet das virtuelle Moleküldesign mit der Retrosynthese und kommerziell erhältlichen Ausgangsmaterialien.
• Individuelle Vorhersagen: Ermöglicht es Teams, bestehende KI/ML-models zu nutzen oder models mit eigenen Daten zu trainieren.

AIDDISON eignet sich am besten für medizinalchemische Teams, die einen integrierten, KI-unterstützten Workflow vom Moleküldesign bis zur Syntheseplanung suchen.

BIOVIA Discovery Studio

BIOVIA Discovery Studio bietet eine End-to-End-Pipeline von der Target-Identifizierung bis zur Leitstrukturoptimierung. Das Tool integriert sich in die Dassault Systèmes 3DEXPERIENCE-Plattform für Unternehmensdatenmanagement und regulatorische Compliance.

BIOVIA Discovery Studio deckt die wichtigsten Bereiche der computergestützten Arzneimittelforschung ab:

• Simulationen: Molekulardynamik, free-Energieberechnungen und weitere Simulationstools zur Untersuchung von Molekülverhalten und -wechselwirkungen.
• Strukturbasiertes Design: Tools für Protein-Ligand-Docking, fragmentbasiertes Design und die Optimierung von Verbindungen mithilfe von 3D-Strukturinformationen.
• Liganden- und pharmakophorbasiertes Design: Methoden für De-novo-Wirkstoffdesign, Aktivitätsprofilierung, Multi-Target-Design und die Suche nach Molekülen mit gewünschten Interaktionsmustern.
• Biotherapeutika- und Antikörpermodellierung: In-silico-Tools für Antikörpermodellierung, Protein-Engineering und Biologika-Optimierung.
• Makromolekül-Design und -Analyse: Tools zum Analysieren und Designen von Proteinen, Nukleinsäuren und anderen großen biologischen Molekülen.
• QSAR, ADMET und prädiktive Toxikologie: Prädiktive Erkenntnisse für Pharmakokinetik, Sicherheit, Toxizität und wirkstoffähnliche Eigenschaften.
• Visualisierung: Ein kostenlos Visualisierer für molekulares Design zum Anzeigen, Bearbeiten und Analysieren biologischer und chemischer Strukturen.

BIOVIA Discovery Studio eignet sich am besten für große Unternehmen, die regulatorische Compliance benötigen.

Abbildung 1: BIOVIA Discovery Studio Simulations-Dashboard.¹

BioSolveIT

BioSolveIT bietet eine Suite visueller computergestützter Tools für die Arzneimittelforschung. Zu den Produkten gehören SeeSAR für das Moleküldesign, infiniSee für die Navigation im chemischen Raum und HPSee für virtuelles Hochleistungs-Screening.

Zu den wichtigsten Funktionen gehören:

• Visuelles Wirkstoffdesign: SeeSAR unterstützt molekulares Docking, Verbindungsoptimierung, fragmentbasiertes Design und Protein-Ligand-Interaktionsanalyse.
• Exploration des chemischen Raums: infiniSee durchsucht ultra-große Verbindungssammlungen nach strukturell oder pharmakophor ähnlichen Molekülen.
• Großangelegtes Docking: Chemical Space Docking untersucht Milliarden von Verbindungen mithilfe von strukturbasiertem Screening.
• Hochleistungs-Workflows: HPSee verteilt Screening- und Docking-Arbeitslasten über eine dedizierte Recheninfrastruktur.
• Spezialisierte Modellierungstools: Die Suite umfasst Tools für Docking, Scoring, molekulares Alignment, Taschenexploration, Konformererzeugung und Scaffold-Hopping.

BioSolveIT eignet sich am besten für Medizinal- und Computerchemiker, die visuelle Workflows, molekulares Docking und die Exploration großer chemischer Räume priorisieren.

ChemAxon

ChemAxon bietet eine Chemoinformatik-Infrastruktur, einschließlich des chemischen Struktureditors Marvin und der JChem-Engines, für die Standardisierung chemischer Daten. Die Plattform unterstützt Cloud- und On-Premise-Bereitstellung mit Java- und REST-APIs für die Integration.

Praxisbeispiel zu Chemaxons Marvin:

Ein großes globales Pharmaunternehmen nutzte den Chemieeditor Marvin von Chemaxon, um das chemische Datenmanagement in einer Desktop-Anwendung für Datenvisualisierung und -analyse zu verbessern.

Das Unternehmen benötigte ein chemisches Zeichenwerkzeug, das sich vor einem bevorstehenden Go-Live-Termin reibungslos in die bestehende Infrastruktur integrieren ließ. Zu den Anforderungen gehörten Unterstützung für SMILES/SMARTS-Notation, Reaktions-Mapping, Stereochemie-Behandlung, Markush-Strukturaufzählung und eine leistungsfähige .NET-API für die Integration.

Chemaxon implementierte Marvin für mehr als 300 Benutzer und aktualisierte eine kleinere Gruppe von Marvin-JS-Benutzern auf die neuere Marvin-Umgebung. Das Unternehmen integrierte das .NET-API-Add-on in das bestehende System, und die vollständige Integration mit der Desktop-Analyseanwendung wurde in etwa ein bis zwei Wochen abgeschlossen.

Das Projekt half dem Unternehmen, seinen Zeitplan für die Markteinführung einzuhalten, ohne funktionale, technische oder geschäftliche Anforderungen zu beeinträchtigen. Außerdem vereinfachte es die Lizenzierung, indem die Chemaxon-Lizenzen in einer einzigen Laufzeit von 19 Monaten konsolidiert wurden, was die Beschaffungskomplexität reduzierte.²

Chemaxon eignet sich am besten für Organisationen, die eine Standardisierung chemischer Daten und API-Integration benötigen.

Cresset Flare

Das auf elektrostatischen Feldern basierende Ligandenmodellieren von Cresset Flare mit dem XED-Kraftfeld ermöglicht Scaffold-Hopping und Ligandendesign ohne Abhängigkeit von Proteinkristallstrukturen. Flare unterstützt RBFE-Berechnungen und die Erzeugung von Makrozyklus-Konformeren innerhalb seines FEP-Framework.

• 2D-Interaktionskarten: Fasst Ligand-Protein-Interaktionen in einer klaren 2D-Ansicht für eine leichtere Interpretation zusammen.
• Activity Atlas: Bietet qualitative SAR-Einblicke, um zu verstehen, wie sich molekulare Veränderungen auf die Aktivität auswirken.
• Activity Miner: Identifiziert Aktivitäts- und Selektivitätsklippen in SAR-Datasets.
• FieldTemplater: Hilft bei der Vorhersage von Bindungsmodi, wenn keine kristallographischen Proteinstrukturdaten verfügbar sind.
• Free Energy Perturbation (FEP): Unterstützt die Leitstrukturoptimierung, indem vorhergesagt wird, welche Ligandenänderungen die Bindung am wahrscheinlichsten verbessern.
• KI-Programmierassistent: Unterstützt Skripterstellung, Workflow-Automatisierung und Methodenanpassung, indem er Benutzern hilft, Code für Flare-bezogene Analyse-Workflows zu schreiben oder zu verfeinern.

Cresset Flare eignet sich am besten für Medizinalchemiker, die ohne Kristallstrukturen arbeiten.

Abbildung 2: Beispiel für den Flare-KI-Programmierassistenten.³

Dotmatics

Dotmatics bietet eine integrierte wissenschaftliche Informatikplattform, die ELN, BioRegister, Verbindungsregistrierung und Assay-Datenmanagement mit Studies- und Vortex-Visualisierung umfasst. Die Plattform bietet Integration über das Dotmatics-Portfolio hinweg, einschließlich Geneious und Prism.

Dotmatics Luma ist eine KI-native, multimodale F&E-Plattform, die wissenschaftliche Daten, Workflows, Analysen und KI-Tools in einer einzigen Umgebung integriert. Sie wurde entwickelt, um Forschungsteams dabei zu helfen, schneller von rohen Labordaten zu nutzbaren wissenschaftlichen Erkenntnissen zu gelangen. Luma arbeitet in vier Hauptschritten:

• Datenerfassung: Luma verbindet sich mit Laborinstrumenten, ELNs, Registern, CRO-Uploads, Dateien, wissenschaftlichen Anwendungen und externen Systemen. Luma Lab Connect kann Daten aus dateibasierten Instrumenten, Windows- oder Linux-Ordnern, S3-Buckets, APIs und SQL/JSON/CSV-Quellen sammeln.
• Datenverarbeitung: Nach der Datenerfassung analysiert Luma Rohdateien, extrahiert Metadaten und konvertiert Instrumentenausgaben in strukturierte, analysierbare Formate.
• Datenharmonisierung und -verwaltung: Luma führt verschiedene Datentypen zusammen, darunter strukturierte, halbstrukturierte, unstrukturierte, Sequenz-, numerische, Text-, Bild- und Metadaten.
• Analyse und KI-gestützte Erkenntnisse: Forscher können harmonisierte Daten innerhalb der Plattform oder über APIs durchsuchen, visualisieren, abfragen, modellieren und analysieren. Luma unterstützt außerdem natürlichsprachliche Abfragen und generative KI-Anwendungsfälle und hilft Wissenschaftlern, komplexe Beziehungen in Datasets zu untersuchen.

Dotmatics eignet sich am besten für große Biopharmaunternehmen und CROs, die ein kontrolliertes System of Record benötigen.

OpenEye Scientific Suite Orion

OpenEye Scientific, jetzt Teil von Cadence Molecular Sciences, differenziert sich durch seine cloud-native Orion-Plattform und das entwicklerorientierte OEChem-Toolkit. Die Suite umfasst ROCS für formbasiertes Screening, EON für elektrostatischen Vergleich, OMEGA für die Konformererzeugung und FRED für Docking.

Orion läuft auf AWS und Cadence OnCloud ohne On-Premise-Installationsoption und richtet sich an Organisationen, die benutzerdefinierte computergestützte Pipelines aufbauen.

OpenEye Scientific Suite Orion eignet sich am besten für Entwickler, die benutzerdefinierte Pipelines erstellen.

Abbildung 3: Orions 3D-Simulations- und Analysedashboard.⁴

Recursion OS

Recursion OS ermöglicht einen massiven phänotypischen Dataset, der durch automatisiertes Hochdurchsatz-Imaging zellulärer Phänotypen erzeugt und mittels Computer Vision und der BioHive-Supercomputing-Infrastruktur verarbeitet wird. Die Plattform umfasst die Map of Biology, die biologische Beziehungen visualisiert, und hat etwa 65 Petabyte proprietärer Daten generiert.

Recursion LOWE:

LOWE ist Recursions LLM-orchestrierte Workflow-Engine, ein KI-fähiges System innerhalb der Recursion-OS-Plattform, das komplexe Arbeitsabläufe in der Arzneimittelforschung durch natürliche Sprachinteraktion unterstützt.

Es ermöglicht Forscherinnen und Forschern, die biologischen und chemischen Datasets von Recursion abzufragen, potenzielle Wirkstoff-Target-Beziehungen zu untersuchen, neuartige Verbindungen zu generieren und zu priorisieren, Eigenschaften wie ADMET und Löslichkeit zu bewerten und nachgelagerte Aktivitäten zu koordinieren, einschließlich Syntheseplanung und experimenteller Durchführung.

LOWE fungiert als intelligente Workflow-Orchestrierungsschicht, die Recursions proprietäre Datasets, prädiktive models, generative Chemiefähigkeiten und Laborabläufe verbindet.⁵

Recursion eignet sich am besten für Programme zu seltenen Erkrankungen und zur Wirkstoffwiederverwendung.

Schrödinger-Suite für die Arzneimittelforschung mit kleinen Molekülen

Schrödinger differenziert sich durch physikbasierte Free-Energy-Perturbation-Berechnungen (FEP+), die Bindungsaffinität vorhersagen. Die Suite integriert Glide für Docking, WaterMap für Hydratationsthermodynamik und Prime für die Proteinstrukturvorhersage innerhalb der grafischen Oberfläche Maestro.

Praxisbeispiel für Schrödingers proprietäres Programm:

Die digitale Chemieplattform von Schrödinger half, SGR-1505, einen neuartigen MALT1-Inhibitor, innerhalb von 10 Monaten als Entwicklungskandidaten zu identifizieren. Das Programm konzentrierte sich auf MALT1, ein Target, das an der Lymphozytenregulation beteiligt ist und für rezidivierte oder refraktäre B-Zell-Malignome wie die chronische lymphatische Leukämie relevant ist. Frühere MALT1-Inhibitor-Ansätze hatten Probleme mit wirkstoffähnlichen Eigenschaften. Ziel war es daher, ein potentes kleines Molekül mit einem besseren Gleichgewicht aus Potenz, Permeabilität, Löslichkeit und allgemeiner Entwickelbarkeit zu finden.

Das Team nutzte einen Design-Vorhersagen-Herstellen-Testen-Analysieren-Workflow, der durch physikbasierte Modellierung, maschinelles Lernen, prädiktive ADMET-models und Datenanalytik unterstützt wurde. Es bewertete mehr als 8 Milliarden Verbindungen rechnerisch, nutzte WaterMap zur Analyse der Bindungsstelle, wandte De-novo-Design und synthesebewusste Enumeration an, um Ideen zu generieren, und verwendete FEP+ zur Vorhersage der relativen Bindungsaffinität. LiveDesign wurde genutzt, um modellierte und experimentelle Daten für die kollaborative Entscheidungsfindung zu zentralisieren.

In den ersten drei Monaten bewertete das Team mehr als 1.700 Moleküle mit Active Learning FEP+ und identifizierte zwei neuartige potente MALT1-Inhibitorserien, nachdem weniger als 50 Verbindungen synthetisiert worden waren. Danach nutzte es eine Multiparameter-Optimierung, um Potenz, Löslichkeit und Permeabilität auszubalancieren. Das Team bewertete mehr als 5.000 Ideen, und 43 Verbindungen erfüllten die Programmkriterien; eine kleinere Teilmenge ging in die Synthese und Testung.

Das Ergebnis war SGR-1505, ausgewählt innerhalb von 10 Monaten, nachdem 78 Verbindungen in der Leitstrukturserie und 129 Verbindungen im gesamten Programm synthetisiert worden waren. Schrödinger stellt den Fall als Beleg dafür dar, dass die Kombination aus groß angelegtem computergestütztem Screening, physikbasierter Vorhersage, maschinellem Lernen und kollaborativer Informatik die Zahl der zu synthetisierenden Verbindungen reduzieren und gleichzeitig den Weg von der Trefferfindung zu einem Entwicklungskandidaten beschleunigen kann.⁶

Schrödinger eignet sich am besten für Pharma- und Biotech-Teams, die eine hochpräzise Potenzmodellierung benötigen.

Optibrium StarDrop

Optibrium StarDrop ist auf Multi-Parameter-Optimierung (MPO) für die Leitstrukturoptimierung spezialisiert. Die Plattform bietet sowohl Desktop- als auch Cloud-Bereitstellung mit modularer Preisgestaltung für ADMET-, Generative-Chemie- und 3D-Design-Module.

Praxisbeispiel mit adMare und StarDrop:

Die Arbeit von adMare, einem kanadischen Life-Science-Unternehmen, reicht von der frühen Leitstrukturidentifizierung bis zur Auswahl klinischer Kandidaten und erfordert von Chemikerinnen und Chemikern die Bewertung von Verbindungspotenz, ADME-Eigenschaften, physikochemischen Eigenschaften, Selektivität und breiteren Struktur-Wirkungs-Beziehungen. StarDrop unterstützt diesen Prozess, indem es Forschern hilft, komplexe Verbindungs-Datasets effizienter zu organisieren, zu visualisieren und zu interpretieren.

Eine bemerkenswerte Anwendung ist die Patentanalyse. Wenn Chemiker große Mengen an Verbindungen aus der Patentliteratur extrahieren, helfen StarDrops Clustering-, Ähnlichkeitsanalyse-, Visualisierungs- und Card-View-Funktionen dabei, relevante Ausgangspunkte zu identifizieren und zu verstehen, wie Verbindungsserien optimiert wurden.

Das Team nutzt StarDrop außerdem, um SAR-Trends zu untersuchen, pIC50-Werte zu vergleichen, Eigenschaften wie logP und logD mithilfe von ADME-QSAR vorherzusagen, Verbindungsbibliotheken für Docking-Studien vorzubereiten und virtuelle Bibliotheken mit eSim3D zu screenen.⁷

Optibrium StarDrop eignet sich am besten für Medizinalchemiker, die ADMET und Leitstrukturoptimierung priorisieren.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

Regulatorische und Compliance-Überlegungen für die KI-unterstützte Arzneimittelforschung

Regulierungsbehörden haben begonnen, Leitlinien für KI/ML in der Arzneimittelentwicklung zu formalisieren. Im Januar 2025 veröffentlichte die FDA einen Leitlinienentwurf zu „Überlegungen zum Einsatz künstlicher Intelligenz zur Unterstützung regulatorischer Entscheidungsfindung“, in dem ein risikobasiertes Framework zur Glaubwürdigkeitsbewertung für KI-models vorgeschlagen wird, die in nichtklinischen, klinischen und Fertigungs-Kontexten eingesetzt werden.⁸Die Leitlinie schließt Aktivitäten der Arzneimittelforschung ausdrücklich aus und konzentriert sich auf Daten, die regulatorische Entscheidungen unterstützen.⁹

Im Januar 2026 veröffentlichten die FDA und die EMA gemeinsam „Leitprinzipien für gute KI-Praxis in der Arzneimittelentwicklung“ und legten zehn übergeordnete Prinzipien fest, die menschenzentriertes Design und verhältnismäßige Validierungsanforderungen über den gesamten Lebenszyklus von Arzneimitteln abdecken.¹⁰Die Behörden betonten, dass KI-Systeme das menschliche Urteilsvermögen unterstützen und nicht ersetzen sollten, wobei die Validierungsanforderungen an die potenziellen Auswirkungen des KI-Systems angepasst sind.

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Top 10 Software für die Arzneimittelforschung}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/drug-discovery-software}},
  note   = {AIMultiple. Abgerufen am 22. Juli 2026}
}

Änderungsprotokoll

1 Aktualisierungen

1. 202622. Jul

   AIDDISON und BioSolveIT wurden zum Vergleich der Wirkstoffforschungssoftware hinzugefügt.

Referenzlinks

1.

Molecular Dynamics Simulations | BIOVIA - Dassault Systèmes

3ds

2.

How a Global Pharma Leader Transformed Chemical Data Management with Marvin, Chemaxon’s chemical editor

Certara

3.

cresset-group.com | 520: Web server is returning an unknown error

4.

Cloud Based Computational Chemistry Software

5.

LOWE | Recursion

6.

Hit to development candidate in 10 months: Rapid discovery of a novel, potent MALT1 inhibitor - Schrödinger

Schrödinger

7.

Supporting Canadian chemistry pioneers with fast SAR analysis - Optibrium

Optibrium

8.

Federal Register :: Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making for Drug and Biological Products; Draft Guidance for Industry; Availability; Comment Request

9.

FDA Publishes Draft Guidance on Use of Artificial Intelligence in the Development of Drugs and Biological Products - January 2025

10.

EMA and FDA set common principles for AI in medicine development | European Medicines Agency (EMA)

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Modellen, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten