Bessere Antikörper mit KI?

Die Verheißung klingt verführerisch: Statt große Molekülbibliotheken im Labor physisch zu selektieren, soll künstliche Intelligenz den passenden Antikörper am Rechner entwerfen – spezifisch, stabil, entwicklungsfähig.

Das Versprechen der KI

Klassische Antikörperentwicklung beruht auf rigoroser Selektion: Binder gegen eine Zielstruktur werden aus einem biologischen Repertoire physisch selektiert, charakterisiert und nach ihren Eigenschaften sortiert. Ein Prozess, der je nach Startpunkt vier Monate dauern kann. Das gegenwärtige KI-Narrativ: Einzelne Bausteine dieses Prozesses – oder sogar der Prozess insgesamt – könnten durch In-silico-Methoden ersetzt werden. Der Aufwand und das Risiko würden sinken, Zeit und Kosten ließen sich sparen.

Die Realität

Den Realitätstest lieferte dieses Jahr die AIntibody-Challenge mit 29 Teilnehmern: KI-Verfahren wurden neben klassischen Methoden prospektiv und verblindet geprüft, ihre Vorschläge als Antikörper hergestellt und vermessen. [1] Klar umrissene Teilaufgaben wie die Affinitätsmaturierung löste die KI überzeugend. Bei anderen Aufgaben enttäuschten die Algorithmen: Aus drei Gruppen ähnlicher Kandidaten – mit Tausenden von Sequenzen – sollten sie jene mit höchster Bindungsstärke identifizieren. Bis auf eine Ausnahme schnitten die KI-Werkzeuge dabei schlechter ab als eine zufällige Auswahl, wie sie bei herkömmlichen Verfahren häufig genutzt wird. Ebenso erwies sich das De-novo-Design neuer Antikörper-Varianten als ambivalent: Die KI lieferte hoch-affine, aber potenziell nicht entwickelbare Antikörper.

Rechenmodell vs. biologische Realität

Das Ergebnis ist also nicht, dass KI-Verfahren versagten. Es ist unbequemer: Die Verlässlichkeit einzelner Verfahrensschritte fehlt. Somit muss auch ein KI-basierter Ansatz durch klassische, experimentelle Laborarbeit verifiziert und ergänzt werden. Damit stellt sich nicht die Frage, ob ein Algorithmus einen hochaffinen Binder erzeugen kann, sondern ob er den Aufwand senkt und Entwicklungsrisiken zuverlässig verringert.Beim klassischen Laborverfahren mittels Phagen- und Hefe-Display lässt sich differenzierte Negativselektion von Beginn an integrieren: Binder gegen Off-Targets, beispielsweise homologe Strukturen, Subdomänen oder unerwünschte Rezeptorzustände, fallen heraus, bevor sie zu Leads werden. KI-Workflows bilden solche Risiken bislang unzureichend ab – eine rechnerische Bewertung allein ersetzt keine experimentelle Gegenselektion im Labor.

Die Zukunft liegt dazwischen

Der Fortschritt liegt vorerst zwischen beiden Welten: KI kann Suchräume verkleinern, Varianten priorisieren, Optimierung unterstützen und den klassischen Discovery-Prozess ergänzen. Die biologische Selektion bleibt der Realitätsfilter. AIntibody widerlegt die Vision der In-silico-Discovery nicht – es setzt ihr eine Bedingung: Besser ist der digitale Prozess erst, wenn er im Labor weniger Aufwand erzeugt.

[1] Erasmus, M.F. et al. Nat Biotechnol (2026). https://doi.org/10.1038/s41587-026-03238-6

Kontakt:
Dr. Oliver Hill, Senior Director Protein Engineering
YUMAB GmbH
Inhoffenstr. 7
38124 Braunschweig
www.yumab.com

Das Advertorial ist der |transkript-Ausgabe 3/2026 entnommen.