Die 8 besten Softwarelösungen für die Wirkstoffforschung

Der Markt für Software zur Wirkstoffforschung lässt sich in drei Kategorien unterteilen: Softwarepakete für computergestützte Chemie zur strukturorientierten Entwicklung, KI-basierte Plattformen für generative Chemie und Zielidentifizierung sowie F&E-Datenmanagementsysteme für ELN, LIMS, Syntheseverfolgung, Datenanalyse und Wirkstoffregistrierung.

Wir haben die acht führenden Plattformen zur Wirkstoffforschung hinsichtlich Funktionen, Preisgestaltung und Bereitstellungsmodellen verglichen.

Vergleich der Implementierung und Preise der Top 8 Softwarelösungen für die Wirkstoffforschung

Hinweis: Die Produkte sind alphabetisch geordnet.

Funktionsvergleich von Software zur Wirkstoffforschung

BIOVIA Discovery Studio

BIOVIA Discovery Studio bietet eine durchgängige Pipeline von der Zielidentifizierung bis zur Lead-Optimierung. Das Tool ist in die Dassault Systèmes 3DEXPERIENCE-Plattform für unternehmensweites Datenmanagement und die Einhaltung regulatorischer Vorgaben integriert.

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

• Simulationen: Molekulardynamik, Berechnungen der freien Energie und andere Simulationswerkzeuge zur Untersuchung des molekularen Verhaltens und von Wechselwirkungen.
• Strukturorientiertes Design: Werkzeuge für das Protein-Ligand-Docking, das fragmentbasierte Design und die Optimierung von Verbindungen unter Verwendung von 3D-Strukturinformationen.
• Liganden- und pharmakophorbasiertes Design: Methoden für das De-novo-Wirkstoffdesign, die Aktivitätsprofilierung, das Multi-Target-Design und die Suche nach Molekülen mit gewünschten Interaktionsmustern.
• Biotherapeutika und Antikörpermodellierung: In-silico-Werkzeuge für die Antikörpermodellierung, das Protein-Engineering und die Optimierung von Biologika.
• Makromoleküldesign und -analyse: Werkzeuge zur Analyse und zum Design von Proteinen, Nukleinsäuren und anderen großen biologischen Molekülen.
• QSAR, ADMET und prädiktive Toxikologie: Vorhersagekraft für Pharmakokinetik, Sicherheit, Toxizität und arzneimittelähnliche Eigenschaften.
• Visualisierung: Ein kostenloser Moleküldesign-Visualisierer zum Betrachten, Bearbeiten und Analysieren biologischer und chemischer Strukturen.

BIOVIA Discovery Studio eignet sich am besten für große Unternehmen, die regulatorische Bestimmungen einhalten müssen.

Abbildung 1: BIOVIA Discovery Studio Simulations-Dashboard. ¹

ChemAxon

ChemAxon bietet eine Chemoinformatik-Infrastruktur, darunter den chemischen Struktur-Editor Marvin und die JChem-Engines, zur Standardisierung chemischer Daten. Die Plattform unterstützt Cloud- und On-Premise-Bereitstellung mit Java- und REST-APIs zur Integration.

Chemaxons Beispiel aus dem echten Leben: Marvin

Ein großes, weltweit tätiges Pharmaunternehmen nutzte den Chemikalieneditor Marvin von Chemaxon, um das Chemikaliendatenmanagement innerhalb einer Desktop-Anwendung zur Datenvisualisierung und -analyse zu verbessern.

Das Unternehmen benötigte ein Werkzeug zur chemischen Datenanalyse, das sich nahtlos in die bestehende Infrastruktur integrieren ließ, bevor der Go-Live-Termin anstand. Zu den Anforderungen gehörten die Unterstützung der SMILES/SMARTS-Notation, Reaktionsmapping, Stereochemie-Verarbeitung, Markush-Strukturaufzählung und eine leistungsstarke .NET-API für die Integration.

Chemaxon implementierte Marvin für über 300 Nutzer und aktualisierte eine kleinere Gruppe von Marvin JS-Nutzern auf die neuere Marvin-Umgebung. Das Unternehmen integrierte das .NET-API-Add-on in sein bestehendes System, und die vollständige Integration mit der Desktop-Analyseanwendung war innerhalb von ein bis zwei Wochen abgeschlossen.

Das Projekt half dem Unternehmen, den Markteinführungstermin einzuhalten, ohne Kompromisse bei funktionalen, technischen oder geschäftlichen Anforderungen einzugehen. Zudem vereinfachte es die Lizenzierung, indem die Chemaxon-Lizenzen in eine einzige Laufzeit von 19 Monaten zusammengefasst wurden, wodurch die Komplexität der Beschaffung reduziert wurde. ²

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

Cresset Flare

Cresset Flare ermöglicht mit seinem elektrostatischen Feldmodell unter Verwendung des XED-Kraftfelds das Scaffold-Hopping und Ligandendesign ohne Abhängigkeit von Proteinkristallstrukturen. Flare unterstützt RBFE-Berechnungen und die Generierung von Makrozykluskonformeren innerhalb seines FEP-Frameworks.

• 2D-Interaktionskarten: Fassen Ligand-Protein-Interaktionen in einer übersichtlichen 2D-Ansicht zusammen, um die Interpretation zu erleichtern.
• Aktivitätsatlas: Liefert qualitative SAR-Einblicke, um zu verstehen, wie sich molekulare Veränderungen auf die Aktivität auswirken.
• Activity Miner: Identifiziert Aktivitäts- und Selektivitätsabbrüche in SAR-Datensätzen.
• FieldTemplater: Hilft bei der Vorhersage von Bindungsmodi, wenn keine kristallographischen Proteinstrukturdaten verfügbar sind.
• Freie-Energie-Perturbation (FEP): Unterstützt die Leitstrukturoptimierung durch Vorhersage, welche Ligandenänderungen die Bindung am ehesten verbessern.
• KI-Codierungsassistent: Unterstützt Skripterstellung, Workflow-Automatisierung und Methodenanpassung, indem er Benutzern beim Schreiben oder Verfeinern von Code für Flare-bezogene Analyse-Workflows hilft.

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

Abbildung 2: Beispiel für den Flare AI-Codierungsassistenten. ³

Dotmatics

Dotmatics bietet eine integrierte Plattform für wissenschaftliche Informatik, die ELN, BioRegister, Wirkstoffregistrierung und Assay-Datenmanagement mit Studien- und Vortex-Visualisierung umfasst. Die Plattform ermöglicht die Integration mit dem gesamten Dotmatics-Portfolio, einschließlich Geneious und Prism. Dotmatics bedient große Biopharma-Unternehmen, CROs und industrielle F&E-Organisationen, die ein kontrolliertes Datenverwaltungssystem benötigen.

Dotmatics Luma ist eine KI-basierte, 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 Rohdaten aus dem Labor zu nutzbaren wissenschaftlichen Erkenntnissen zu gelangen. Luma arbeitet in vier Hauptschritten:

• Datenerfassung: Luma verbindet sich mit Laborgeräten, ELNs, Registern, CRO-Uploads, Dateien, wissenschaftlichen Anwendungen und externen Systemen. Luma Lab Connect kann Daten von dateibasierten Geräten, Windows- oder Linux-Ordnern, S3-Buckets, APIs und SQL/JSON/CSV-Quellen erfassen.
• Datenverarbeitung: Sobald die Daten erfasst sind, analysiert Luma die Rohdateien, extrahiert Metadaten und wandelt die Instrumentenausgaben in strukturierte, analysierbare Formate um.
• Datenharmonisierung und -verwaltung: Luma führt verschiedene Datentypen zusammen, darunter strukturierte, semistrukturierte, unstrukturierte, Sequenz-, numerische, Text-, Bild- und Metadatendaten.
• Analyse und KI-gestützte Erkenntnisse: Forschende können harmonisierte Daten innerhalb der Plattform oder über APIs suchen, visualisieren, abfragen, modellieren und analysieren. Luma unterstützt zudem Abfragen in natürlicher Sprache und generative KI-Anwendungsfälle und hilft Wissenschaftlern so, komplexe Zusammenhänge in verschiedenen Datensätzen zu untersuchen.

Dotmatics eignet sich am besten für große Biopharma-Unternehmen und CROs, die ein geregeltes Datenerfassungssystem benötigen.

OpenEye Scientific Suite Orion

OpenEye Scientific, jetzt Teil von Cadence Molecular Sciences, zeichnet sich durch seine Cloud-native Orion-Plattform und das entwicklerorientierte OEChem-Toolkit aus. Die Suite umfasst ROCS für formbasiertes Screening, EON für elektrostatische Vergleiche, OMEGA für die Konformergenerierung und FRED für Docking.

Orion ist auf AWS und Cadence OnCloud verfügbar und bietet keine Option zur Installation vor Ort. Es richtet sich an Organisationen, die individuelle Rechenpipelines erstellen.

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

Abbildung 3: Das 3D-Simulations- und Analyse-Dashboard von Orion. ⁴

Rekursion OS

Recursion OS ermöglicht die Erstellung eines umfangreichen phänotypischen Datensatzes, der durch automatisierte Hochdurchsatz-Bildgebung zellulärer Phänotypen generiert und mittels Computer Vision und der BioHive-Supercomputing-Infrastruktur verarbeitet wird. Die Plattform umfasst die „Map of Biology“, die biologische Zusammenhänge visualisiert, und hat rund 65 Petabyte an proprietären Daten generiert.

Rekursion LOWE:

LOWE ist die LLM-orchestrierte Workflow-Engine von Recursion, ein KI-gestütztes System innerhalb der Recursion OS-Plattform, das komplexe Arbeitsabläufe in der Wirkstoffforschung durch Interaktion in natürlicher Sprache unterstützt.

Es ermöglicht Forschern, die biologischen und chemischen Datensätze von Recursion abzufragen, potenzielle Wirkstoff-Ziel-Beziehungen zu untersuchen, neue 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 die proprietären Datensätze, Vorhersagemodelle, generativen Chemiefunktionen und Laborabläufe von Recursion miteinander verbindet. ⁵

Rekursion eignet sich am besten für Programme zur Wiederverwendung seltener Krankheiten und Medikamente.

Schrödinger-Suite zur Entdeckung niedermolekularer Wirkstoffe

Schrödinger zeichnet sich durch physikbasierte Freie-Energie-Störungsberechnungen (FEP+) aus, die die Bindungsaffinität vorhersagen. Die Software-Suite integriert Glide für Docking, WaterMap für die Hydratationsthermodynamik und Prime für die Proteinstrukturvorhersage in die grafische Benutzeroberfläche Maestro.

Schrödingers proprietäres Programm – ein Beispiel aus der Praxis:

Die digitale Chemieplattform von Schrödinger half dabei, SGR-1505, einen neuartigen MALT1-Inhibitor, innerhalb von zehn Monaten als Entwicklungskandidaten zu identifizieren. Das Programm konzentrierte sich auf MALT1, ein Zielmolekül, das an der Lymphozytenregulation beteiligt und für rezidivierende oder refraktäre B-Zell-Malignome, einschließlich chronischer lymphatischer Leukämie, relevant ist. Frühere Ansätze für MALT1-Inhibitoren wiesen Probleme mit arzneimittelähnlichen Eigenschaften auf. Daher bestand das Ziel darin, ein potentes niedermolekulares Molekül mit einem besseren Verhältnis von Wirksamkeit, Permeabilität, Löslichkeit und allgemeiner Entwicklungsfähigkeit zu finden.

Das Team nutzte einen Design-Vorhersage-Herstellung-Test-Analyse-Workflow, der durch physikbasierte Modellierung, maschinelles Lernen , prädiktive ADMET-Modelle und Datenanalyse unterstützt wurde. Sie evaluierten computergestützt über 8 Milliarden Verbindungen, analysierten die Bindungsstelle mit WaterMap, wandten De-novo-Design und synthetisch fundierte Enumeration an, um Ideen zu generieren, und nutzten FEP+ zur Vorhersage der relativen Bindungsaffinität. LiveDesign diente der zentralen Speicherung modellierter und experimenteller Daten für die kollaborative Entscheidungsfindung.

In den ersten drei Monaten evaluierte das Team mithilfe von Active Learning FEP+ über 1.700 Moleküle und identifizierte nach der Synthese von weniger als 50 Verbindungen zwei neue, potente MALT1-Inhibitor-Reihen. Anschließend optimierten sie die Eigenschaften durch Multiparameter-Optimierung hinsichtlich Potenz, Löslichkeit und Permeabilität. Das Team prüfte über 5.000 Ideen, von denen 43 die Programmkriterien erfüllten. Nur eine kleinere Auswahl wurde anschließend synthetisiert und getestet.

Das Ergebnis war SGR-1505, das innerhalb von zehn Monaten ausgewählt wurde, nachdem 78 Verbindungen in der Leitstrukturreihe und 129 Verbindungen im gesamten Programm synthetisiert worden waren. Schrödinger führt dies als Beweis dafür an, dass die Kombination von groß angelegtem computergestütztem Screening, physikalisch basierter Vorhersage, maschinellem Lernen und kollaborativer Informatik die Anzahl der zu synthetisierenden Verbindungen reduzieren und gleichzeitig den Weg von der Trefferfindung zum 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 die Optimierung mehrerer Parameter (MPO) für die Leitstrukturentwicklung spezialisiert. Die Plattform bietet sowohl Desktop- als auch Cloud-Bereitstellung mit modularer Preisgestaltung für ADMET-, generative Chemie- und 3D-Design-Module.

adMare mit StarDrop als realem Beispiel:

Die Arbeit von adMare, einem kanadischen Life-Science-Unternehmen, umfasst die frühe Wirkstoffidentifizierung bis hin zur Auswahl klinischer Kandidaten. Dabei müssen Chemiker die Wirksamkeit, ADME-Eigenschaften, physikochemischen Eigenschaften, Selektivität und umfassendere Struktur-Wirkungs-Beziehungen von Verbindungen bewerten. StarDrop unterstützt diesen Prozess, indem es Forschern hilft, komplexe Datensätze von Verbindungen effizienter zu organisieren, zu visualisieren und zu interpretieren.

Ein bemerkenswertes Anwendungsgebiet ist die Patentanalyse. Wenn Chemiker große Mengen von Verbindungen aus der Patentliteratur extrahieren, helfen die Clustering-, Ähnlichkeitsanalyse-, Visualisierungs- und Kartenansichtsfunktionen von StarDrop dabei, relevante Ausgangspunkte zu identifizieren und zu verstehen, wie Verbindungsreihen optimiert wurden.

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

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

To get up to date on enterprise AI and software, follow us:

Cem Dilmegani

Principal Analyst

Folgen auf

Regulatorische und Compliance-Aspekte bei der KI-gestützten Wirkstoffforschung

Regulierungsbehörden haben begonnen, Leitlinien für KI/ML in der Arzneimittelentwicklung zu formalisieren. Im Januar 2025 veröffentlichte die FDA einen Leitlinienentwurf zu „Überlegungen für den Einsatz von künstlicher Intel zur Unterstützung regulatorischer Entscheidungen“, in dem ein risikobasierter Rahmen zur Glaubwürdigkeitsbewertung von KI-Modellen vorgeschlagen wird, die in nichtklinischen, klinischen und Produktionskontexten eingesetzt werden. ⁸ Die Leitlinien schließen Aktivitäten zur Arzneimittelforschung ausdrücklich aus und konzentrieren sich ausschließlich auf Daten, die regulatorische Entscheidungen unterstützen. ⁹

Im Januar 2026 veröffentlichten die FDA und die EMA gemeinsam die „Leitprinzipien für eine gute KI-Praxis in der Arzneimittelentwicklung“, in denen zehn übergeordnete Prinzipien festgelegt wurden, die ein nutzerzentriertes Design und angemessene Validierungsanforderungen über den gesamten Lebenszyklus von Arzneimitteln hinweg abdecken. ¹⁰ Die Behörden betonten, dass KI-Systeme das menschliche Urteilsvermögen unterstützen und nicht ersetzen sollten, wobei die Validierungsanforderungen dem potenziellen Einfluss des KI-Systems angepasst werden müssten. ¹¹

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

Branchenanalyst

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und spezialisiert auf E-Mail-Marketing und Vertriebsvideos. Zuvor war sie als Personalberaterin in Projektmanagement- und Beratungsunternehmen tätig. 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.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten