Agentische KI über den gesamten Wirkstoff-Lebenszyklus, von Discovery bis Scale-up

Das Wichtigste in Kürze

• In vielen F&E-Organisationen verbringen hochbezahlte Wissenschaftler einen großen Teil ihres Tages mit dem Kopieren von Daten zwischen Systemen, die nicht miteinander reden.
• Agentische KI über MCP lässt einen Agenten ganze Werkzeug- und Modellketten in einem Workflow durchlaufen, nachvollziehbar, Schritt für Schritt.
• Der Reifegrad lässt sich auf einer Leiter verorten: Manuell → Skripte → Copilots → Agentisch + MCP.
• Beispiel-Pipelines über den ganzen Lebenszyklus, von Discovery über Entwicklung und CMC bis Herstellung und Scale-up, wo der Hebel oft am größten und am wenigsten besetzt ist.
• Die Position dazu: eine offene, deterministische Werkzeugschicht, mit der Kunden ihr eigenes LLM auf ihren eigenen Daten nutzen, integrierbar in jeden Workflow.

Die stille Produktivitätssteuer

In fast jeder Pharma-F&E-Organisation gibt es eine Kostenstelle, die in keinem Report auftaucht: hochqualifizierte Wissenschaftler, die einen erheblichen Teil ihrer Zeit damit verbringen, Daten zwischen Systemen hin- und herzukopieren. Die Information liegt in dutzenden getrennten Quellen, Struktur- und Bioaktivitätsdatenbanken, Literatur, interne Messreihen, Analytik, Stabilitätsdaten, und keine spricht mit der anderen.

Eine scheinbar einfache Frage, „Ist diese Verbindung löslich genug, stabil genug und sauber genug, um in die nächste Phase zu gehen?“, wird damit zu Tagen manuellen Abfragens, Exportierens und Abgleichens. Bei jeder Übergabe stirbt ein Stück Kontext. Und wenn die Antwort endlich vorliegt, ist die Entscheidung oft schon weitergezogen.

Das ist kein Modell-Problem. Es ist ein Architektur-Problem.

Die Reifegrad-Leiter

Wo ein Team bei der Daten- und Werkzeug-Integration steht, lässt sich auf vier Stufen verorten:

1. Manuell. Wissenschaftler bedienen jedes System von Hand, kopieren Ergebnisse zwischen Tools. Signal: eine Excel-Tabelle ist die zentrale Wahrheit, neue Mitarbeiter brauchen Wochen für die Einarbeitungsrunde durch die Systemlandschaft. 2. Skripte. Wiederkehrende Abfragen sind automatisiert, aber starr und wartungsintensiv, jede neue Quelle bedeutet neuen Code. Signal: ein Python-Repository mit hundert Hilfsskripten, das nur ein erfahrener Entwickler wirklich versteht. 3. Copilots. Ein LLM hilft bei einzelnen Schritten (Text, Code), bleibt aber vom eigentlichen Werkzeug- und Datenbestand getrennt. Signal: Wissenschaftler tippen Prompts und kopieren das Ergebnis zurück in ihr eigentliches Tool. 4. Agentic + MCP. Ein Agent erreicht über eine standardisierte Schnittstelle (Model Context Protocol) jedes Werkzeug, Modell und jede Datenquelle und führt ganze Ketten in einem Workflow aus. Signal: der Mensch formuliert die Frage, prüft die Antwort, der Agent füllt das Dazwischen mit verifizierbaren Tool-Aufrufen.

Der Sprung von Stufe 3 auf Stufe 4 ist der entscheidende, weil er den Menschen aus der Rolle des manuellen Zusammenstückelns herauslöst, ohne die Nachvollziehbarkeit aufzugeben. Jeder Tool-Aufruf ist ein diskreter, prüfbarer Schritt mit Eingabe, Ausgabe und Versionsstempel.

Warum die Architektur zählt, offen statt geschlossen

An dieser Stelle teilt sich das Feld. Ein Teil der Branche baut geschlossene, vertikal integrierte Engines, eigenes Labor, eigene Modelle, eigene Pipeline, von der Zielstruktur bis zum Kandidaten. Das ist ein mächtiger Ansatz, und Unternehmen wie Recursion oder Isomorphic Labs zeigen, was damit möglich ist.

CovaSyn ist bewusst ein anderer Ansatz, nicht als Konkurrenzbehauptung, sondern als Architektur-Entscheidung. Es ist eine offene, deterministische Werkzeugschicht: die chemischen Modelle und Werkzeuge sind die Bausteine, Kunden nutzen sie mit ihrem eigenen LLM auf ihren eigenen Daten über MCP, in dem Workflow, den sie ohnehin fahren. Daraus ergeben sich drei Eigenschaften, die in einem regulierten Umfeld zählen:

• Validierbar statt Blackbox. Jeder Schritt ist ein deterministischer Tool-Aufruf mit nachprüfbarem Ergebnis, Unsicherheitsintervall und einem Applicability-Domain-Flag, das anzeigt, wann ein Modell extrapoliert.
• Modell-unabhängig statt anbietergebunden. Die Werkzeuge laufen mit dem LLM der Wahl, keine Bindung an ein einzelnes Basismodell. Wer heute Claude nutzt und morgen auf ein hauseigenes Modell wechseln will, behält dieselbe Werkzeugschicht.
• Über den ganzen Lebenszyklus statt nur in der Discovery. Dieselbe Schicht dient Discovery, Lead-Suche, Entwicklung, Prozessoptimierung, Screening und Scale-up. Kein Tool-Wechsel zwischen den Phasen.

Die Stärke sind dabei die Modelle selbst. Bei der Löslichkeitsvorhersage liegt CovaSolv mit R² 0,92 auf einem harten Scaffold-Holdout am oberen Ende des aktuell Publizierten und bringt die Applicability Domain mit, die vielen veröffentlichten Modellen fehlt. Retrosynthese und Toxikologie folgen auf demselben Anspruchsniveau.

Beispiel-Pipelines über den Lebenszyklus

So sieht eine agentengeführte Kette in der Praxis aus, je Phase eine.

Discovery (Kleinmoleküle): Triage einer neuen Serie

In der frühen Phase geht es um Priorisierung: Welche Verbindungen einer Serie verdienen Aufmerksamkeit? Eine Kette könnte lauten: Struktur → Druglikeness/Filter → Löslichkeit → frühe Tox-Markierung → Priorisierung.

Agent → covabasic_druglikeness(smiles)      → Ro5/Veber bestanden
      → covasolve_predict(smiles, "water")  → logS −4,2 [−4,5, −3,9]
      → covatox_quickscreen(smiles)         → Ames neg., hERG-Risiko niedrig
      → Ergebnis: Kandidat behalten, Löslichkeit als Risiko markiert

Hier ergänzt CovaSyn die deterministische Berechnungs- und Vorhersageschicht. Wer zusätzlich Target-Bioaktivität oder klinische Signale braucht, föderiert öffentliche Datenquellen dazu; die beiden Schichten ergänzen sich und konkurrieren nicht.

Discovery (Biologics / ADC): Developability früh einschätzen

Bei Biologics und Antikörper-Wirkstoff-Konjugaten verschiebt sich die Frage von „Bindet es?“ zu „Lässt es sich entwickeln und herstellen?“. Eine Kette über die CovaBio-Suite: Sequenz → biophysikalisches Profil → Aggregations- und Immunogenitäts-Risiko → bei ADC zusätzlich Payload-Eigenschaften und DAR-Abschätzung. Gerade die Payload-Löslichkeit (Exatecan, MMAE und Verwandte) ist ein frühes, oft unterschätztes Ausschlusskriterium, und genau dort liefert die Löslichkeitsschicht eine belastbare Vorhersage statt eines Bauchgefühls.

Development / CMC: eine Kristallisation am Bildschirm auslegen

In der Entwicklung wird aus einem „interessanten Molekül“ ein herstellbarer Prozess. Ein Beispiel, das hier ausführlich dokumentiert ist: die Auslegung einer Kristallisation in drei Schritten. Der Agent bestimmt das Lösungsmittel, rechnet die Ausbeute einer Kühlkristallisation über die Temperaturkurve und prüft, ob ein Antisolvent nötig ist. Lösungsmittel, Modus und erwartete Ausbeute stehen, bevor das erste Laborexperiment läuft. Das Ergebnis sind weniger Screening-Läufe und ein Prozess mit weniger Risiko.

Herstellung / Scale-up: Prozessrobustheit vor dem Technikum

Hier liegt der Hebel, über den am wenigsten gesprochen wird, und an dem die Werkzeugschicht besonders stark ist. Beim Übergang vom Labor- in den Produktionsmaßstab entscheidet die Robustheit des Prozessfensters. Eine agentengeführte Kette kann den Designraum vorab ausleuchten:

Agent → covasolve_curve(api, solvent, T-range)  → Sättigungskurve & MSZW
      → covasolve_antisolvent(api, antisolvent) → Ausfäll-Profil, Recovery
      → covadoe_create_design(faktoren)          → robustes Versuchsdesign
      → covadoe_design_space(...)                → ICH-Q8-Designraum, PAR/NOR
      → Ergebnis: belastbares Prozessfenster vor dem ersten Technikumslauf

Dazu kommen drei weitere Bausteine, die im CMC- und Fertigungsalltag den Unterschied zwischen einem reibungslosen und einem teuren Scale-up ausmachen:

• Stabilitäts- und Haltbarkeitsabschätzung über Arrhenius-Kinetik (CovaStab), inklusive ICH-Q1A-konformer Stress-Schemata. Statt sechs Monate auf reale Daten zu warten, lässt sich der Korridor vorab abschätzen und das tatsächliche Stress-Programm darauf optimieren.
• Verunreinigungsprofil nach ICH Q3A/Q3B, das verdächtige Verunreinigungen schon im Prozess-Design markiert, bevor sie im Endprodukt zum Audit-Befund werden.
• Mutagenitäts-Triage nach ICH M7 (CovaTox), die jede In-Prozess-Verunreinigung gegen Strukturalert- und QSAR-Modelle prüft und mit einer Klassifikation nach Klasse 1 bis 5 und nachvollziehbarem Audit-Trail dokumentiert.

Statt jeden Punkt experimentell zu erarbeiten, geht das Team mit einem vorausgelegten Designraum ins Technikum. Die Experimente, die dann tatsächlich laufen, sind gezielt gewählt, um die Modell-Vorhersage zu bestätigen oder zu falsifizieren, nicht um den Raum blind zu vermessen. Das ist der Unterschied zwischen drei Wochen iterativem Probieren und vier gezielten Bestätigungsläufen.

Wie der Wechsel von Stufe 3 auf Stufe 4 in der Praxis abläuft

Der Sprung von Copilots zu agentischer KI mit MCP ist konkret machbar, nicht jahrelanges Re-Engineering. Drei pragmatische Schritte:

1. Einen Workflow auswählen, der heute weh tut. Typische Kandidaten: Lösungsmittel-Screening vor Kristallisation, Tox-Triage einer Hit-Liste, Stabilitäts-Bewertung eines Formulierungs-Kandidaten. Klein anfangen, nicht den ganzen Lebenszyklus auf einmal automatisieren. 2. Den Agenten an die existierenden Werkzeuge hängen. Über MCP braucht der Agent kein neues System, er ruft die Tools auf, die das Team ohnehin kennt. Der kostenlose Zugang macht das in zehn Minuten möglich. 3. Verifizieren statt vertrauen. Jedes Tool-Ergebnis kommt mit Unsicherheitsintervall und Applicability-Domain-Markierung. Wenn ein Wert außerhalb der Domäne fällt, geht der Agent zurück und bittet um eine Bestätigung im Labor, statt einfach weiterzurechnen. Das ist die strukturelle Differenz zu einem freistehenden LLM.

Nach zwei bis vier Wochen Iteration steht eine Kette, die einen vorher manuellen Workflow vom Stunden- in den Sekunden-Bereich verschiebt. Ab dort skaliert die Methode auf weitere Workflows, ohne dass die Architektur jedes Mal neu entworfen werden muss.

Ehrlich gesagt, was agentische KI nicht löst

Drei Punkte, die in jeder Vertriebsfolie verschwiegen werden:

• Daten-Qualität. Wenn die Quell-Datenbank fehlerhaft ist, repliziert der Agent die Fehler schneller. Die Werkzeugschicht macht den Workflow effizienter, nicht die zugrundeliegende Wahrheit besser.
• Regulatorische Akzeptanz. Ein Prüfer bei FDA oder EMA akzeptiert die Ausgabe eines Agenten nicht blind. Der Agent dokumentiert seine Schritte, aber die finale Validierung und der Weg zur Einreichung bleiben ein menschlicher Prozess. Der Wert liegt im Vorab-Filtern und im strukturierten Audit-Trail, nicht im Ersatz der Prüfung.
• Modell-Grenzen. Wo es keine Trainingsdaten gibt (neue Modalitäten, exotische Lösungsmittel, ungewöhnliche Wirkstoffklassen), liefert auch der beste Agent keine belastbare Antwort. Die Applicability Domain weist explizit darauf hin; das ist Stärke, nicht Schwäche.

Die unbequeme Frage

Der eigentliche Wettbewerbsvorteil entsteht nicht durch das nächste größere Modell, sondern durch den Schritt nach rechts auf der Reifegrad-Leiter, und zwar nicht nur in der Discovery, wo gerade alle hinschauen, sondern über den ganzen Lebenszyklus, gerade in Entwicklung und Herstellung.

Die Frage für F&E- und Betriebsverantwortliche lautet deshalb: Auf welcher Stufe steht das Team, und in welcher Phase? Wer dieses Jahr von Copilots zu echter agentischer KI mit MCP wechselt, baut einen Vorsprung auf, der sich schwer zurückkaufen lässt.

Im kostenlosen Zugang können Sie die Werkzeugschicht direkt an Ihren Agenten hängen und eine erste Kette für Ihren eigenen Workflow bauen. → CovaSyn MCP ansehen

Häufige Fragen