Top 10 Software für die Arzneimittelforschung

Der Markt für Software zur Arzneimittelforschung gliedert sich in drei Kategorien: Computational-Chemistry-Suiten 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 – Vergleich von Bereitstellung und Preisen

Hinweis: Die Produkte sind alphabetisch aufgelistet. Keines der Produkte bietet kostenlos-Tarife oder Testversionen.

Vergleich der Funktionen von Software zur 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, Moleküldocking und Retrosyntheseplanung.

Zu den wichtigsten Funktionen gehören:

• Generatives Moleküldesign: Erstellt neuartige kleine Moleküle und optimiert sie hinsichtlich Drug-Likeness, ADMET-Eigenschaften, Bindungsaffinität und Synthetisierbarkeit.
• Suche im chemischen Raum: Durchsucht mehr als 60 Milliarden bekannte und virtuelle Moleküle mithilfe von Ähnlichkeits-, Substruktur- und Pharmakophormethoden.
• Moleküldocking: Visualisiert Protein-Ligand-Wechselwirkungen, identifiziert Bindungstaschen und bewertet die Kandidatenbindung.
• Syntheseplanung: Verbindet virtuelles Moleküldesign mit Retrosynthese und kommerziell verfügbaren Ausgangsmaterialien.
• Individuelle Vorhersagen: Ermöglicht Teams, bestehende KI/ML-Modelle zu nutzen oder Modelle 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 Einhaltung gesetzlicher Vorschriften.

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

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

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

Abbildung 1: BIOVIA Discovery Studio Simulations-Dashboard.¹

BioSolveIT

BioSolveIT bietet eine Suite visueller computergestützter Wirkstoffforschungs-Tools. 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 Moleküldocking, Verbindungsoptimierung, fragmentbasiertes Design und die Analyse von Protein-Ligand-Wechselwirkungen.
• 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-Workloads auf dedizierte Recheninfrastruktur.
• Spezialisierte Modellierungstools: Die Suite umfasst Tools für Docking, Scoring, molekulares Alignment, Taschenexploration, Konformerengenerierung und Scaffold-Hopping.

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

ChemAxon

ChemAxon bietet Cheminformatik-Infrastruktur, einschließlich seines 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 Chemaxons Marvin-Chemieeditor, 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 vorhandene Infrastruktur integrieren ließ. Zu den Anforderungen gehörten die Unterstützung von SMILES/SMARTS-Notation, Reaktionszuordnung, Stereochemie-Handhabung, Markush-Strukturenumerierung und eine starke .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 des Unternehmens, und die vollständige Integration mit der Desktop-Analyseanwendung wurde in etwa ein bis zwei Wochen abgeschlossen.

Das Projekt half dem Unternehmen, seinen Startzeitplan einzuhalten, ohne funktionale, technische oder geschäftliche Anforderungen zu beeinträchtigen. Es vereinfachte außerdem 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

Die elektrostatische feldbasierte Ligandenmodellierung 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-Frameworks.

• 2D-Interaktionskarten: Fasst Ligand-Protein-Wechselwirkungen in einer klaren 2D-Ansicht zur einfacheren Interpretation zusammen.
• Activity Atlas: Liefert qualitative SAR-Einblicke, um zu verstehen, wie molekulare Veränderungen die Aktivität beeinflussen.
• Activity Miner: Identifiziert Aktivitäts- und Selektivitätsklippen in SAR-Datensätzen.
• 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-Coding-Assistent: 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 Flare KI-Coding-Assistent.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 vereint. Sie soll Forschungsteams 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 sowie SQL/JSON/CSV-Quellen erfassen.
• Datenverarbeitung: Sobald Daten erfasst sind, analysiert Luma Rohdateien, extrahiert Metadaten und konvertiert Instrumentenausgaben in strukturierte, analysierbare Formate.
• Datenharmonisierung und -verwaltung: Luma führt verschiedene Datentypen zusammen, darunter strukturierte, halbstrukturierte, unstrukturierte, sequenzbasierte, numerische, textliche, bildbasierte Daten 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, die Wissenschaftlern helfen, komplexe Beziehungen in Datensätzen zu untersuchen.

Dotmatics eignet sich am besten für große Biopharma-Unternehmen 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 elektrostatische Vergleiche, OMEGA für die Konformerengenerierung und FRED für das Docking.

Orion läuft auf AWS und Cadence OnCloud ohne On-Premises-Installationsoption und richtet sich an Organisationen, die benutzerdefinierte Computational-Pipelines erstellen.

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 Datensatz, der durch automatisiertes Hochdurchsatz-Imaging zellulärer Phänotypen generiert 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 Workflows der Arzneimittelforschung durch natürliche Sprachinteraktion unterstützen soll.

Sie ermöglicht Forschern, Recursions biologische und chemische Datensätze abzufragen, potenzielle Wirkstoff-Target-Beziehungen zu untersuchen, neuartige Verbindungen zu generieren und zu priorisieren, Eigenschaften wie ADMET und Löslichkeit zu bewerten und nachgelagerte Aktivitäten einschließlich Syntheseplanung und experimenteller Durchführung zu koordinieren.

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

Recursion eignet sich am besten für Programme zu seltenen Krankheiten und zur Wirkstoff-Neupositionierung.

Schrödinger Suite für die Wirkstoffforschung mit kleinen Molekülen

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

Praxisbeispiel zu Schrödingers proprietärem Programm:

Schrödingers digitale Chemieplattform 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, einschließlich chronischer lymphatischer Leukämie, relevant ist. Frühere MALT1-Inhibitor-Ansätze hatten Probleme mit Drug-like-Eigenschaften; daher bestand das Ziel darin, ein wirksames 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-Modelle und Datenanalysen unterstützt wurde. Es bewertete rechnerisch mehr als 8 Milliarden Verbindungen, nutzte WaterMap zur Analyse der Bindungsstelle, wendete De-novo-Design und synthesebewusste Enumerierung zur Ideengenerierung an und setzte FEP+ zur Vorhersage der relativen Bindungsaffinität ein. LiveDesign wurde verwendet, 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 nutzten sie 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 Untergruppe ging in Synthese und Testung.

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

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

Optibrium StarDrop

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

Praxisbeispiel: adMare mit StarDrop

Die Arbeit von adMare, einem kanadischen Life-Science-Unternehmen, reicht von der frühen Leitstrukturidentifizierung bis zur Auswahl klinischer Kandidaten und erfordert von Chemikern die Bewertung von Verbindungspotenz, ADME-Eigenschaften, physikochemischen Eigenschaften, Selektivität und umfassenderen Struktur-Aktivitäts-Beziehungen. StarDrop unterstützt diesen Prozess, indem es Forschern hilft, komplexe Verbindungsdatensätze 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, Visualisierung des chemischen Raums und die Card-View-Funktionen, 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 KI-gestützte Arzneimittelforschung

Regulierungsbehörden haben begonnen, Leitlinien für KI/ML in der Arzneimittelentwicklung zu formalisieren. Im Januar 2025 veröffentlichte die FDA einen Leitlinienentwurf mit dem Titel „Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making“, in dem ein risikobasiertes Rahmenwerk zur Glaubwürdigkeitsbewertung für KI-Modelle vorgeschlagen wird, die in nichtklinischen, klinischen und Fertigungs-Kontexten eingesetzt werden.⁸ Die 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 die „Guiding Principles of Good KI Practice in Drug Development“, die zehn übergeordnete Prinzipien für menschzentriertes Design und verhältnismäßige Validierungsanforderungen über den gesamten Lebenszyklus von Arzneimitteln festlegen.¹⁰ Die Behörden betonten, dass KI-Systeme das menschliche Urteilsvermögen unterstützen und nicht ersetzen sollten, wobei die Validierungsanforderungen an die potenziellen Auswirkungen des KI-Systems angepasst werden.¹¹

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}
}

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)

11.

https://www.fda.gov/media/189581/download

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale 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