Top 10 Software für die Arzneimittelforschung

Der Markt für Arzneimittelforschungssoftware gliedert sich in drei Kategorien: Computerchemie-Suiten für strukturbasiertes Design, KI-native Plattformen für generative Chemie und Target-Identifizierung sowie F&E-Datenmanagementsysteme für ELN, LIMS, Syntheseverfolgung, Datenanalyse und Substanzregistrierung.

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

Top 10 Arzneimittelforschungssoftware – Bereitstellung und Preisvergleich

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

Funktionsvergleich der Arzneimittelforschungssoftware

AIDDISON

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

Zu ihren Hauptfunktionen gehören:

• Generatives Moleküldesign: Erzeugt neuartige kleine Moleküle und optimiert sie hinsichtlich Arzneimittelähnlichkeit, ADMET-Eigenschaften, Bindungsaffinität und Synthetisierbarkeit.
• Chemischer Raum-Suche: Durchsucht mehr als 60 Milliarden bekannte und virtuelle Moleküle mittels Ähnlichkeits-, Substruktur- und Pharmakophor-Methoden.
• Molekulares Docking: Visualisiert Protein-Ligand-Wechselwirkungen, identifiziert Bindungstaschen und bewertet Bindungen von Kandidaten.
• Syntheseplanung: Verbindet virtuelles Moleküldesign mit Retrosynthese und kommerziell verfügbaren Ausgangsmaterialien.
• Individuelle Vorhersagen: Ermöglicht Teams die Nutzung vorhandener KI/ML-Modelle oder das Training von Modellen mit eigenen Daten.

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 mit der Dassault Systèmes 3DEXPERIENCE-Plattform für unternehmensweites Datenmanagement und regulatorische Compliance.

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

• Simulationen: Molekulardynamik, Free-Energy-Berechnungen und andere Simulationswerkzeuge zur Untersuchung von Molekülverhalten und Wechselwirkungen.
• Strukturbasiertes Design: Werkzeuge für Protein-Ligand-Docking, fragmentbasiertes Design und Optimierung von Verbindungen unter Nutzung von 3D-Strukturinformationen.
• Ligand- und pharmakophorbasiertes Design: Methoden für De-novo-Wirkstoffdesign, Aktivitätsprofilierung, Multi-Target-Design und zum Auffinden von Molekülen mit gewünschten Interaktionsmustern.
• Biotherapeutika und Antikörpermodellierung: In-silico-Werkzeuge für Antikörpermodellierung, Protein-Engineering und Biologika-Optimierung.
• Makromoleküldesign und -analyse: Werkzeuge zur Analyse und zum Design von Proteinen, Nukleinsäuren und anderen großen biologischen Molekülen.
• QSAR, ADMET und prädiktive Toxikologie: Prädiktive Einblicke für Pharmakokinetik, Sicherheit, Toxizität und arzneimittelähnliche Eigenschaften.
• Visualisierung: Ein kostenloser molekularer Design-Visualisierer zum Betrachten, Manipulieren und Analysieren biologischer und chemischer Strukturen.

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

Abbildung 1: Simulations-Dashboard von BIOVIA Discovery Studio.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 Hochdurchsatz-Screening.

Zu den wichtigsten Funktionen gehören:

• Visuelles Wirkstoffdesign: SeeSAR unterstützt molekulares Docking, Substanzoptimierung, fragmentbasiertes Design und die Analyse von Protein-Ligand-Wechselwirkungen.
• Exploration des chemischen Raums: infiniSee durchsucht extrem große Substanzbibliotheken nach strukturell oder pharmakophorisch ähnlichen Molekülen.
• Hochskaliertes Docking: Chemical Space Docking untersucht Milliarden von Verbindungen mittels strukturbasiertem Screening.
• Hochleistungs-Workflows: HPSee verteilt Screening- und Docking-Arbeitslasten auf dedizierte Recheninfrastruktur.
• Spezialisierte Modellierungswerkzeuge: Die Suite umfasst Tools für Docking, Scoring, molekulare Ausrichtung, Taschenexploration, Konformerengenerierung und Scaffold-Hopping.

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

ChemAxon

ChemAxon bietet eine Cheminformatik-Infrastruktur, darunter den chemischen Struktureditor Marvin und die JChem-Engines, zur 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 chemischen Editor Marvin von ChemAxon, um das Management chemischer Daten in einer Desktop-Anwendung zur Datenvisualisierung und -analyse zu verbessern.

Das Unternehmen benötigte ein chemisches Zeichenwerkzeug, das sich nahtlos in die bestehende Infrastruktur integrieren ließ, um einen bevorstehenden Go-Live-Termin einzuhalten. Zu den Anforderungen gehörten die Unterstützung der SMILES/SMARTS-Notation, Reaktionszuordnung, Stereochemie-Behandlung, Markush-Strukturaufzählung und eine leistungsfähige .NET-API für die Integration.

Chemaxon implementierte Marvin für mehr als 300 Benutzer und migrierte 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 Einführungszeitplan einzuhalten, ohne funktionale, technische oder geschäftliche Anforderungen zu beeinträchtigen. Zudem vereinfachte es die Lizenzierung, indem die Chemaxon-Lizenzen in einer einzigen Laufzeit von 19 Monaten zusammengefasst 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 elektrostatische feldbasierte Ligandenmodell von Cresset Flare mit dem XED-Kraftfeld ermöglicht Scaffold-Hopping und Ligandendesign, ohne auf Proteinkristallstrukturen angewiesen zu sein. Flare unterstützt RBFE-Berechnungen und die Konformerengenerierung von Makrozyklen innerhalb seines FEP-Frameworks.

• 2D-Interaktionskarten: Fasst Ligand-Protein-Wechselwirkungen in einer übersichtlichen 2D-Ansicht zur leichteren Interpretation zusammen.
• Activity Atlas: Bietet qualitative SAR-Einblicke, um zu verstehen, wie molekulare Veränderungen die Aktivität beeinflussen.
• Activity Miner: Identifiziert Aktivitäts- und Selektivitätssprünge 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 Scripting, 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 KI-Coding-Assistenten von Flare.³

Dotmatics

Dotmatics bietet eine integrierte wissenschaftliche Informatikplattform, die ELN, BioRegister, Substanzregistrierung und Assay-Datenmanagement mit Studies und Vortex-Visualisierung umfasst. Die Plattform ermöglicht die Integration über das gesamte Dotmatics-Portfolio, 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 dabei helfen, schneller von Rohdaten aus dem Labor 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: Nach der Erfassung parst Luma Rohdateien, extrahiert Metadaten und konvertiert Instrumentenausgaben in strukturierte, analysierbare Formate.
• Datenharmonisierung und -management: Luma führt verschiedene Datentypen zusammen, darunter strukturierte, semi-strukturierte, unstrukturierte, Sequenz-, numerische, Text-, Bild- und Metadatendaten.
• Analyse und KI-gestützte Erkenntnisse: Forscher können harmonisierte Daten innerhalb der Plattform oder über APIs durchsuchen, visualisieren, abfragen, modellieren und analysieren. Luma unterstützt auch natürlichsprachliche Abfragen und generative KI-Anwendungsfälle und hilft Wissenschaftlern, komplexe Beziehungen über Datensätze hinweg zu erkunden.

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 zur Konformerengenerierung und FRED für das Docking.

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

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

Abbildung 3: Orions 3D-Simulations- und Analyse-Dashboard.⁴

Recursion OS

Recursion OS ermöglicht einen umfangreichen phänotypischen Datensatz, der durch hochdurchsatz-automatisierte Bildgebung 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 an proprietären Daten generiert.

Recursion LOWE:

LOWE ist Recursions LLM-orchestrierte Workflow Engine, ein KI-gestütztes System innerhalb der Recursion OS-Plattform, das komplexe Wirkstoffforschungs-Workflows mittels natürlichsprachlicher Interaktion unterstützen soll.

Es ermöglicht Forschern, Recursions biologische und chemische Datensätze abzufragen, potenzielle Wirkstoff-Target-Beziehungen zu erkunden, 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 miteinander verbindet.⁵

Recursion eignet sich am besten für Programme zu seltenen Erkrankungen und Wirkstoff-Repurposing.

Schrödinger Suite für die kleinmolekulare Wirkstoffforschung

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

Praxisbeispiel aus Schrödingers firmeneigenem Programm:

Schrödingers digitale Chemieplattform half, SGR-1505, einen neuartigen MALT1-Inhibitor, innerhalb von 10 Monaten als Entwicklungskandidaten zu identifizieren. Das Programm fokussierte auf MALT1, ein Target, das an der Lymphozytenregulation beteiligt und für rezidivierte oder refraktäre B-Zell-Malignome, einschließlich chronischer lymphatischer Leukämie, relevant ist. Frühere MALT1-Inhibitor-Ansätze hatten Probleme mit arzneimittelähnlichen Eigenschaften, daher war das Ziel, ein hochwirksames kleines Molekül mit einem besseren Gleichgewicht von Potenz, Permeabilität, Löslichkeit und allgemeiner Entwickelbarkeit zu finden.

Das Team nutzte einen Design-Vorhersage-Herstellung-Test-Analyse-Workflow, unterstützt durch physikbasierte Modellierung, maschinelles Lernen, prädiktive ADMET-Modelle und Datenanalytik. Sie evaluierten computergestützt mehr als 8 Milliarden Verbindungen, nutzten WaterMap zur Analyse der Bindungsstelle, setzten De-novo-Design und synthesebewusste Enumeration ein, um Ideen zu generieren, und verwendeten FEP+ zur Vorhersage der relativen Bindungsaffinität. LiveDesign wurde genutzt, um modellierte und experimentelle Daten für die kollaborative Entscheidungsfindung zentral zusammenzuführen.

In den ersten drei Monaten evaluierte das Team mehr als 1.700 Moleküle mit Active Learning FEP+ und identifizierte zwei neuartige hochwirksame MALT1-Inhibitor-Serien, nachdem weniger als 50 Verbindungen synthetisiert worden waren. Anschließend nutzten sie die Multiparameter-Optimierung, um Potenz, Löslichkeit und Permeabilität auszubalancieren. Das Team bewertete mehr als 5.000 Ideen, und 43 Verbindungen erfüllten die Programmkriterien, wovon eine kleinere Untergruppe in die Synthese und Testung überging.

Das Ergebnis war SGR-1505, ausgewählt innerhalb von 10 Monaten, nachdem 78 Verbindungen in der Leitstruktur-Serie 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 Anzahl der zu synthetisierenden Verbindungen reduzieren und gleichzeitig den Weg von der Hit-Identifizierung 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-Design-Module.

Praxisbeispiel adMare mit StarDrop:

adMare, ein kanadisches Life-Science-Unternehmen, deckt mit seiner Arbeit die frühe Leitstrukturidentifizierung bis hin zur Auswahl klinischer Kandidaten ab. Dabei müssen Chemiker die Wirkstoffpotenz, ADME-Eigenschaften, physikochemischen Eigenschaften, Selektivität und übergreifende Struktur-Wirkungs-Beziehungen bewerten. StarDrop unterstützt diesen Prozess, indem es Forschern hilft, komplexe Substanzdatensätze 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-, Chemical Space Visualization- und Card View-Funktionen dabei, relevante Ausgangspunkte zu identifizieren und zu verstehen, wie Substanzserien optimiert wurden.

Das Team nutzt StarDrop außerdem, um SAR-Trends zu untersuchen, pIC50-Werte zu vergleichen, Eigenschaften wie logP und logD mit ADME QSAR vorherzusagen, Substanzbibliotheken 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.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

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 zu „Considerations for the Use of Artificial Intelligence To Support Regulatory Decision-Making“, der ein risikobasiertes Rahmenwerk zur Glaubwürdigkeitsbewertung für KI-Modelle vorschlägt, die in nichtklinischen, klinischen und Herstellungs-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 menschenzentriertes Design und proportionale Validierungsanforderungen über den gesamten Lebenszyklus von Arzneimitteln festlegen.¹⁰ Die Behörden betonten, dass KI-Systeme das menschliche Urteilsvermögen unterstützen und nicht ersetzen sollen, 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.

Guiding Principles of Good AI Practice in Drug Development | FDA

Center for Drug Evaluation and Research

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple mit Schwerpunkt auf E-Mail-Marketing und Verkaufsvideos. Sie arbeitete zuvor als Personalvermittlerin in Projektmanagement- und Beratungsfirmen. 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