AWS: Multimodale biologische Foundation-Modelle beschleunigen Arzneimittelentwicklung um 50 Prozent und Diagnostik um 90 Prozent

Amazon Web Services veröffentlichte am 23. April 2026 einen detaillierten Überblick über den Einsatz multimodaler biologischer Foundation-Modelle in der Therapeutik und Patientenversorgung. Die Ergebnisse weisen auf erhebliche Verbesserungen sowohl in der Phase der Arzneimittelentwicklung als auch in der klinischen Diagnostik hin.

Was sind multimodale biologische Foundation-Modelle?

Foundation-Modelle in der Biologie sind große neuronale Modelle, die auf riesigen Mengen biologischer Daten vortrainiert wurden — analog dazu, wie GPT oder Claude auf Texten vortrainiert werden. AlphaFold und RoseTTAFold haben den Weg für Proteinstrukturen geebnet, und die neue Generation von Modellen geht einen Schritt weiter.

Multimodalität bedeutet in diesem Kontext, dass ein einzelnes Modell gleichzeitig mehrere Typen biomedizinischer Daten verarbeitet: DNA- und RNA-Sequenzen aus der Genomik, medizinische Bilder (MRT, CT, Pathologieschnitte) sowie klinische Daten aus elektronischen Gesundheitsakten (EHR). Anstatt separater Modelle pro Modalität erlernt das Modell eine gemeinsame Repräsentation, die alle Quellen verbindet.

Welche Zahlen belegen die Verbesserungen?

AWS nennt drei Schlüsselergebnisse aus realen Anwendungen. Das erste ist eine Verbesserung von 4–7 % beim AUC-Wert (Area Under Curve) der Diagnosegenauigkeit, wenn multimodale Modelle mit unimodalen auf denselben Datensätzen verglichen werden.

Das zweite Ergebnis ist eine Zeitersparnis von bis zu 90 % bei der Analyse medizinischer Bilder, bei der Pathologen und Radiologen priorisierte Abschnitte zur Überprüfung erhalten, anstatt Bilder manuell zu scannen. Das dritte Ergebnis ist eine Kostensenkung von bis zu 50 % in der frühen Phase der Arzneimittelentwicklung, wo das Modell bei der Identifizierung der vielversprechendsten Kandidatenmoleküle hilft.

Was bedeutet das für die Pharmaindustrie?

Die traditionelle Arzneimittelentwicklung dauert 10–15 Jahre und kostet über eine Milliarde Dollar, wobei die meisten Kandidaten in späten klinischen Phasen scheitern. Wenn Foundation-Modelle schlechte Kandidaten früh ausscheiden und vielversprechende Drug-Targets identifizieren können, sinken die durchschnittlichen Entwicklungskosten und -zeiten erheblich.

Konkrete Anwendungen umfassen die Identifizierung neuer Drug-Targets aus genomischen Daten, die automatische Anomalieerkennung in Pathologiebildern und die Verknüpfung genetischer Varianten mit klinischen Outcomes. Anders als AlphaFold, das ein Problem löst (Proteinstruktur), zielt der multimodale Ansatz auf die gesamte Pipeline von der Entdeckung bis zur Anwendung ab.