John's OrganizationVisit Website →
← Back to blog

Hit-Prioritization-Kriterien: Welche Treffer es wirklich wert sind

October 12, 2026
Hit-Prioritization-Kriterien: Welche Treffer es wirklich wert sind

Ein Screening-Treffer verdient nur dann eine Priorisierung, wenn vier Bedingungen gleichzeitig erfüllt sind: reproduzierbare Aktivität, orthogonale Bestätigung, eine erkennbare SAR-Traktabilität und erste ADME-Indikatoren, die keine frühen Ausschlusskriterien liefern. Machine-Learning-Scores können diese Entscheidung unterstützen, ersetzen aber keinen einzigen dieser vier Punkte. Fehlt eine Säule, bleibt der Treffer in der Warteschleife, nicht in der Pipeline.

Kurz gesagt:

  • Bestätigen Sie jeden Treffer zunächst aus frischem Material über sieben bis acht Konzentrationen und passende Störtests, bevor Sie ihn mit einem unabhängigen biophysikalischen Verfahren prüfen.
  • Ein Modellwert darf Treffer nur vorsortieren; testen Sie jedes Modell an einem unabhängigen, bereits bestätigten Datensatz, denn es überträgt sich nicht automatisch auf andere Testsysteme.
  • Ein PAINS Hinweis sollte Verbindungen markieren, nicht ausschließen; prüfen Sie sie gezielt mit einem unabhängigen Test, der die vermutete Störquelle vermeidet.
  • Eine Reihe von Analoga sollte die Potenz über zwei bis drei Zehnerpotenzen verändern; verfolgen Sie parallel mehrere chemisch unterschiedliche Ausgangspunkte.
  • Prüfen Sie frühe Löslichkeit, metabolische Stabilität und Zellverträglichkeit parallel zur Aktivität, denn ungünstige Werte senken die Priorität schon in der Frühphase.
Hopeatrarelabs
Patientenspezifische Treffer gezielt prüfen
RareLabs erstellt Krankheitsmodelle aus patienteneigenen Zellen und testet Behandlungsoptionen für seltene und ungeklärte genetische Erkrankungen.
RareLabs kennenlernen

Inhaltsverzeichnis

Überblick über die zentralen Priorisierungs-Kriterien

Bevor ein Treffer Ressourcen für Folgearbeiten bindet, lohnt sich eine nüchterne Bestandsaufnahme der messbaren Eigenschaften. Fünf Größen bilden dabei das Grundgerüst, mit dem die meisten Teams arbeiten.

Potenz allein sagt wenig, wenn sie nicht reproduzierbar ist. Ein IC50- oder EC50-Wert aus einem Einzelexperiment ist eine Momentaufnahme, keine Entscheidungsgrundlage. Erst wiederholte Messungen über unabhängige Platten und, besser noch, unabhängige Chargen der Testsubstanz zeigen, ob die Aktivität belastbar ist oder einem Pipettier- oder Assayartefakt entspringt.

Selektivität entscheidet häufig über das Schicksal eines Treffers stärker als die reine Wirkstärke. Ein Molekül, das gegen fünf verwandte Targets gleichermaßen aktiv ist, erzeugt in der Zelle oder im Organismus unkalkulierbare Nebenwirkungen, noch bevor die eigentliche Wirksamkeit geprüft wurde. Ein Off-Target-Profil, und sei es nur gegen die nächstverwandten Familienmitglieder, gehört deshalb früh in die Bewertung.

Chemische Integrität wird oft unterschätzt. Reinheit und Identität der getesteten Charge müssen bestätigt sein, bevor überhaupt über Biologie gesprochen wird. Eine Aktivität, die auf eine Verunreinigung statt auf die Zielverbindung zurückgeht, kostet Monate, wenn sie erst spät auffällt.

Die zentralen Kriterien im Überblick:

  • Potenz und Reproduzierbarkeit über mehrere unabhängige Messungen und Chargen
  • Selektivität und ein erstes Off-Target-Profil gegenüber verwandten Zielstrukturen
  • Bestätigte chemische Reinheit und Identität der Testsubstanz
  • Erkennbare SAR-Traktabilität, also die Verfügbarkeit von Analoga mit abgestufter Aktivität
  • Frühe ADME- und PK-Indikatoren sowie Ligand-Efficiency-Metriken, die Potenz ins Verhältnis zur Molekülgröße setzen

SAR-Traktabilität verdient besondere Aufmerksamkeit, weil sie vorwegnimmt, ob ein Treffer überhaupt optimierbar ist. Ein Molekül ohne verfügbare Analoga oder mit einer Struktur, die keine sinnvolle Substitution zulässt, bleibt chemisch eine Sackgasse, unabhängig davon, wie gut seine Ausgangswerte sind. Ligand-Efficiency-Metriken schließlich normalisieren die Potenz auf die Molekülgröße und verhindern, dass überdimensionierte, schwer optimierbare Strukturen allein wegen ihrer rohen Aktivität bevorzugt werden.

Experimentelle Validierungs-Workflows: Counterscreens, orthogonale und biophysikalische Tests

Ein Treffer, der die erste Potenzmessung übersteht, braucht eine klare Kaskade an Folgetests, bevor er als valide gilt. Die Reihenfolge ist dabei kein Zufall, sondern folgt dem Prinzip, teure und aufwendige Methoden erst dann einzusetzen, wenn billigere Schritte den Treffer nicht bereits aussortiert haben.

  1. Re-Test der ursprünglichen Aktivität aus frischem Material, um Plattenfehler oder Verdunstungseffekte auszuschließen.
  2. Dosis-Wirkungs-Kurve über mindestens sieben bis acht Konzentrationen zur Bestätigung eines plausiblen sigmoidalen Verlaufs.
  3. Counterscreens gegen bekannte Störquellen wie Autofluoreszenz, Redoxaktivität oder Aggregation.
  4. Orthogonale biophysikalische Bestätigung mittels SPR, NMR, ITC oder TR-FRET, je nach Zielstruktur.
  5. Funktionelle Bestätigung in einem zweiten, unabhängigen Zellsystem, wo verfügbar.

Die Wahl der biophysikalischen Methode richtet sich nach der Fragestellung. SPR eignet sich gut, um Bindungskinetik und Affinität direkt zu quantifizieren, verlangt aber ausreichend Proteinmaterial und eine stabile Oberflächenimmobilisierung. NMR liefert strukturelle Information über die Bindungsstelle, ist jedoch material- und zeitintensiv. ITC misst thermodynamische Parameter direkt in Lösung, ohne Immobilisierung, dafür mit höherem Substanzbedarf. TR-FRET und ähnliche bildgebende Assays eignen sich für höheren Durchsatz, liefern aber weniger mechanistische Tiefe.

Counterscreens sollten gezielt gegen die Artefaktquellen konzipiert werden, die für den jeweiligen Assaytyp typisch sind. Fluoreszenzbasierte Systeme leiden häufig unter Autofluoreszenz oder Quenching-Effekten, biochemische Redoxassays unter reaktiven Verbindungen, die unabhängig vom eigentlichen Target Signale erzeugen. Aggregationsneigung lässt sich mit einem einfachen Detergens-Zusatz-Test prüfen: verschwindet die Aktivität bei Zugabe eines niedrig dosierten Detergens, war sie wahrscheinlich nie spezifisch.

Profi-Tipp: Planen Sie für die orthogonale Validierungsphase mindestens so viel Zeit ein wie für das ursprüngliche Screening selbst, Materialverfügbarkeit und Proteinreinheit sind hier öfter der Engpass als die Messung.

Die Kaskade über phänotypische Screening-Ansätze hinweg zeigt, dass Triangulation über mehrere unabhängige Messprinzipien der zuverlässigste Weg bleibt, um fragmentäre oder fragwürdige Treffer zu validieren.

Rechnergestützte Triagierung: Wie ML-Methoden Treffer vorsortieren

Datengetriebene Verfahren haben sich als Vorfilter etabliert, der vor den teuren Laborschritten ansetzt. Modelle auf Basis von Gradient Boosting Machines oder Sample-Influence-Methoden wie MVS-A bewerten große HTS-Datensätze anhand kampagnenspezifischer Muster statt starrer Substrukturregeln.

Das Grundprinzip ist einfach: Ein Modell lernt aus den bereits vorhandenen Assaydaten einer Kampagne, welche Kombinationen aus Struktur- und Aktivitätsmerkmalen typischerweise zu echten, reproduzierbaren Treffern führen, und welche eher zu Artefakten. Anomalieerkennung ergänzt dies, indem sie Ausreißer identifiziert, deren Aktivitätsmuster untypisch für das restliche Datenset sind.

Machine-Learning-gestützte Hit-Priorisierung konnte in Studien die False-Positive-Rate beim Hochdurchsatz-Screening signifikant verringern gegenüber traditionellen Methoden, indem kampagnenspezifische Wahrscheinlichkeitswerte statt einfacher Filter zum Einsatz kamen, wie eine entsprechende Untersuchung zeigt. Das bedeutet konkret: weniger Laborzeit, die in Artefakte statt in echte Kandidaten investiert wird.

Für die praktische Integration gelten einige Regeln:

  • Ein ML-Score fließt als Gewichtungsfaktor in das Gesamtscoring ein, nie als alleiniges Ausschlusskriterium.
  • Jedes Modell wird gegen einen unabhängigen, bereits bestätigten Datensatz kreuzvalidiert, bevor es produktiv genutzt wird.
  • Modelle, die auf einer Kampagne trainiert wurden, übertragen sich nicht automatisch auf eine andere Zielstruktur oder einen anderen Assaytyp.
  • Rohdaten-Vorverarbeitung, etwa Normalisierung über Platten hinweg, bleibt auch mit ML-Unterstützung notwendig.

Ein typischer Fallstrick: Teams verlassen sich auf einen hohen ML-Score und überspringen die biochemische Bestätigung. Das Modell kann nur das wiedergeben, was in den Trainingsdaten steckt, und wenn die konfirmatorischen Assays fehlen, bleibt der Score eine Wahrscheinlichkeitsaussage, kein Beweis.

Filter, PAINS und Promiskuitäts-Probleme: Nutzung und Fallstricke

Substrukturfilter wie PAINS wurden entwickelt, um Verbindungen zu markieren, die in vielen unabhängigen Assays unspezifisch reagieren. Als automatischer Ausschlussgrund taugen sie jedoch kaum, denn die Fehlerquote bei alleiniger Anwendung ist hoch.

Die alleinige Verwendung öffentlich verfügbarer PAINS-Filter kann eine hohe Anzahl der anfänglichen Treffer fälschlich als PAINS-Verdächtige markieren, wenn keine biochemischen Folgeassays durchgeführt werden, zeigt eine Analyse zu den Grenzen dieser Filter. Ein Molekül mit einer PAINS-Substruktur kann also trotzdem ein valider, selektiver Treffer sein, und ein unmarkiertes Molekül ist nicht automatisch sauber.

Physikochemische Tiering-Ansätze liefern eine differenziertere Sicht. Eine Analyse der GSK-HTS-Sammlung legt nahe, dass höhere Molekularmasse oder höherer clogP-Wert tendenziell mit einer erhöhten Wahrscheinlichkeit für störendes, "verrauschtes" Verhalten assoziiert sind, Substrukturfilter also am besten zusammen mit empirischen Interferenzmaßen wie IFI-Scores eingesetzt werden, wie eine Untersuchung zur GSK-HTS-Sammlung festhält. Eine sinnvolle Kategorisierung unterscheidet zwischen "nicht brauchbar", "mit Vorsicht weiterverfolgen", "mit erhöhter Vorsicht" und "entfernen", statt pauschal zu löschen.

Die praxisnahe Vorgehensweise sieht so aus:

  • Substanzen mit PAINS-Flag werden markiert, aber nicht automatisch verworfen.
  • Markierte Treffer durchlaufen gezielte Offline-Validierung, etwa einen orthogonalen Assay ohne die für den jeweiligen Substrukturtyp typische Störquelle.
  • Physikochemische Eigenschaften wie Molekularmasse und Lipophilie fließen als zusätzliches, aber nicht alleiniges Kriterium ein.
  • Erfahrene Teams dokumentieren die Entscheidung für oder gegen eine markierte Verbindung, statt sie stillschweigend zu entfernen.

SAR, Developability und der Blick auf die Kandidat-Optimierung

Ein Treffer mit herausragender Einzelpotenz, aber ohne erkennbare Struktur-Aktivitäts-Beziehung, ist chemisch schwer zu bearbeiten. Genau hier liegt der Unterschied zwischen einem interessanten Datenpunkt und einem entwicklungsfähigen Startpunkt.

Die EFMC Best Practice Initiative empfiehlt, SAR-Belege und erste ADME-Indikatoren gemeinsam zu dokumentieren, bevor ein Treffer in die Lead-Priorisierung aufsteigt, wie die entsprechende Publikation festhält. Konkret bedeutet das: Eine Serie von Analoga sollte die Potenz über zwei bis drei Log-Stufen modulieren können, ein Beleg dafür, dass die Aktivität auf einer spezifischen Wechselwirkung mit dem Target beruht und nicht auf einem unspezifischen Effekt.

Wichtige Prüfpunkte in dieser Phase:

  • Verfügbarkeit mehrerer Analoga mit abgestufter, nachvollziehbarer Aktivität
  • Synthesezugänglichkeit, also ob die Grundstruktur ohne exotische Reagenzien oder viele Stufen modifizierbar ist
  • Frühe PK- und ADME-Kennwerte, etwa Löslichkeit und metabolische Stabilität, als Frühwarnsystem
  • Einfluss der Ligand-Effizienz auf die weitere Optimierbarkeit

Profi-Tipp: Verfolgen Sie nach Möglichkeit mehrere strukturell unterschiedliche Serien parallel, ein einzelner hochpotenter Treffer ohne Backup ist ein Risiko, kein Sicherheitsnetz.

Medizinalchemiker raten dazu, früh mehrere strukturell verschiedene Backup-Serien zu entwickeln, um dem Attritionsrisiko vorzubeugen, das entsteht, wenn sich der einzige priorisierte Hit später als nicht optimierbar herausstellt. Mehr zu den PK-Grundlagen, die in diese Bewertung einfließen, findet sich in unserem Beitrag zur Pharmakokinetik in der Arzneimittelentwicklung.

Ein praktisches Scoring-Framework für Advance-, Hold- und Drop-Entscheidungen

Ein reproduzierbares Framework macht Priorisierungsentscheidungen nachvollziehbar und schützt vor Bauchentscheidungen unter Zeitdruck. Ein gewichtetes Scoring-Modell, das die zuvor beschriebenen Kriterien zusammenführt, hat sich in der Praxis bewährt.

Ein Beispielansatz gewichtet die Kategorien folgendermaßen: Potenz und Reproduzierbarkeit tragen etwa 30 Prozent zum Gesamtscore bei, Selektivität und orthogonale Bestätigung weitere 30 Prozent, SAR-Traktabilität 25 Prozent und frühe ADME-Indikatoren die restlichen 15 Prozent. Diese Aufteilung ist illustrativ und sollte an die jeweilige Zielklasse angepasst werden, sie zeigt aber, wie sich qualitative Urteile in eine nachvollziehbare Punktzahl überführen lassen.

Die Entscheidungslogik könnte so aussehen:

  1. Ein Treffer mit hoher Punktzahl in allen vier Kategorien wird zur Weiterverfolgung freigegeben (Advance) und erhält Ressourcen für die nächste Validierungsrunde.
  2. Ein Treffer mit starker Potenz, aber schwacher SAR-Traktabilität, wird zurückgestellt (Hold), bis zusätzliche Analoga synthetisiert sind.
  3. Ein Treffer, der Counterscreens nicht besteht oder keine orthogonale Bestätigung zeigt, wird verworfen (Drop), unabhängig von seiner ursprünglichen Potenz.

EFMC-Empfehlungen verknüpfen eine Potenzmodulation über mehrere Log-Stufen direkt mit der Freigabe für die Lead-Priorisierung, wie die Best-Practice-Initiative beschreibt, ein Fixpunkt, der sich gut als Schwellenwert im eigenen Scoring eignet.

Jede Entscheidung gehört dokumentiert, mit Datum, verantwortlicher Person und den zugrunde liegenden Rohdaten. Ein Review-Intervall von vier bis sechs Wochen hat sich in den meisten Teams als praktikabel erwiesen, um neue Daten einzuarbeiten, ohne die Pipeline zu häufig umzuwerfen.

Praxisbeispiel: Wie patientenspezifische Pipelines Priorisierung beschleunigen

Bei ultra-seltenen und bislang undiagnostizierten Erkrankungen fehlt oft ein etabliertes Zellmodell, an dem sich Treffer überhaupt testen lassen. Wir erstellen patientenspezifische iPSC-Modelle aus den eigenen Zellen der Betroffenen und korrigieren die zugrunde liegende Mutation mittels CRISPR, um eine belastbare Vergleichsbasis zu schaffen.

Auf dieser Grundlage screenen wir parallel etwa 3.000 bereits zugelassene Medikamente und setzen ein proprietäres KI-System ein, um die Eignung eines Targets und die Mutationsbewertung einzuschätzen. Diese parallele Anlage bedeutet, dass Priorisierungskriterien wie Reproduzierbarkeit und Selektivität von Beginn an am patienteneigenen Modell geprüft werden, statt erst spät in einer generischen Zelllinie. Mehr zu diesem Ansatz zeigt unser Beitrag zum Drug-Repurposing-Screening.

Wie genetische und phänotypische Patientendaten die Priorisierung beeinflussen

Ein Treffer, der in einem generischen Zellsystem aktiv ist, muss nicht zwangsläufig bei der individuellen genetischen Konstellation eines Patienten wirken. Deshalb gewinnt die Integration von genetischen und phänotypischen Patientendaten zunehmend an Gewicht in der Priorisierungsentscheidung.

Die genetische Information, etwa die genaue Mutation und ihr Vererbungsmuster, bestimmt, welche Therapieklasse überhaupt infrage kommt. Eine Nonsense-Mutation reagiert grundsätzlich anders auf eine Small-Molecule-Strategie als eine Spleißmutation, die sich eher für einen Antisense-Ansatz eignet. Phänotypische Daten, also die beobachtbaren zellulären oder funktionellen Auffälligkeiten des Patienten, liefern zusätzlich den Endpunkt, an dem ein Treffer seine Wirkung überhaupt zeigen muss.

Treffer, die zwar biochemisch aktiv sind, aber den patientenspezifischen Phänotyp im Modell nicht normalisieren, verdienen eine niedrigere Priorität als ein schwächerer Treffer mit klarer phänotypischer Rettung. Diese Rückkopplung zwischen genetischem Hintergrund, zellulärem Phänotyp und Wirkstoffaktivität lässt sich nur dann sauber herstellen, wenn das Testsystem tatsächlich vom Patienten selbst stammt, nicht von einer stellvertretenden Zelllinie.

Toxizitätsprofile und Nebenwirkungen als Priorisierungskriterium

Ein Treffer mit idealer Potenz und sauberer SAR-Entwicklung verliert seinen Wert schnell, wenn frühe Toxizitätssignale auftreten. Deshalb gehört eine erste toxikologische Einschätzung in jede Priorisierungsentscheidung, auch wenn eine vollständige Toxikologie-Studie erst viel später folgt.

Zu den frühen Indikatoren zählen zellbasierte Viabilitätstests parallel zum eigentlichen Aktivitätsassay, eine Prüfung auf bekannte strukturelle Toxizitätswarnsignale sowie, wo möglich, ein Abgleich mit Off-Target-Profilen, die auf kardiale oder hepatische Risiken hindeuten könnten. Ein Treffer, der bereits in der Frühphase in mehreren Zelltypen unspezifische Zytotoxizität zeigt, sollte in seiner Priorität entsprechend herabgestuft werden, selbst wenn seine Zielaktivität überzeugend ist.

Für patientenspezifische Programme kommt eine zusätzliche Nuance hinzu: Die Verträglichkeitsschwelle kann je nach Grunderkrankung und Allgemeinzustand des Patienten enger sein als bei einer generischen Indikation. Diese Einschätzung lässt sich nur im Zusammenspiel mit dem behandelnden Arzt sinnvoll treffen, nicht allein auf Basis von Laborwerten.

Unterschiedliche Priorisierungskriterien je nach Therapieansatz

Nicht jeder Treffer wird nach denselben Maßstäben bewertet, die Therapieklasse verändert, welche Kriterien im Vordergrund stehen. Ein Small-Molecule-Hit und ein Antisense-Oligonukleotid-Kandidat durchlaufen strukturell unterschiedliche Bewertungspfade.

Bei Small Molecules dominieren die klassischen Kriterien aus den vorherigen Abschnitten: Potenz, Selektivität, SAR-Traktabilität und frühe ADME-Werte wie Löslichkeit und metabolische Stabilität. Bei einem maßgeschneiderten ASO verschiebt sich der Fokus: Die Sequenzspezifität gegenüber der Ziel-mRNA, die chemische Modifikation des Rückgrats zur Stabilisierung und die Effizienz der zellulären Aufnahme treten an die Stelle klassischer Ligand-Efficiency-Metriken. Mehr zum Entwicklungsweg eines solchen Kandidaten beschreibt unser Beitrag zum ASO-Design.

Gentherapie-Optionen wiederum verlangen eine eigene Bewertungslogik, die stärker auf Vektor-Tropismus, Verpackungskapazität und Immunogenität abstellt als auf klassische Dosis-Wirkungs-Kurven. Ein einheitliches Scoring-Modell über alle drei Ansätze hinweg funktioniert deshalb nicht, die Gewichtung der Kriterien muss an die jeweilige Modalität angepasst werden, auch wenn das Grundprinzip, reproduzierbare Wirkung vor Priorisierung zu bestätigen, überall gleich bleibt.

Bewertungskriterien für drei Therapieansätze

Skalierbarkeit und Praktikabilität im klinischen Umfeld

Ein Priorisierungsframework, das im Labor funktioniert, muss sich auch unter den Zeit- und Ressourcenbeschränkungen eines klinischen Programms bewähren lassen. Gerade bei ultra-seltenen Erkrankungen, wo jede Woche zählt, entscheidet die Praktikabilität der Umsetzung oft stärker über den Erfolg als die theoretische Eleganz der Kriterien.

Ein Scoring-System mit zu vielen Variablen oder Abhängigkeiten von aufwendigen Spezialmessungen lässt sich in einem kleinen, zeitkritischen Team kaum konsequent anwenden. Sinnvoller ist ein gestuftes Vorgehen: ein schlanker erster Filter mit den wenigen Kriterien, die sich schnell und günstig erheben lassen, gefolgt von einer vertieften Prüfung nur für die Treffer, die diese erste Hürde nehmen.

Die Übertragbarkeit in die Klinik hängt außerdem davon ab, wie schnell sich ein priorisierter Kandidat in eine regulatorisch belastbare Dokumentation überführen lässt. Programme, die parallel zur Priorisierung bereits an IND-fähigen Datenpaketen arbeiten, verkürzen den Weg vom Laborbefund zur behandelnden Anwendung erheblich. Einen konkreten Zeitrahmen für einen solchen Ablauf zeigt unser Beitrag zum organoidbasierten Wirkstoffscreening.

Redaktionelle Perspektive: Wann ein Treffer wirklich Priorität verdient

Die größte Fehlentscheidung in der Hit-Priorisierung ist nicht ein falsch positiver Treffer, sondern die Übergewichtung roher Potenz gegenüber Developability. Ein Molekül, das sich nicht optimieren lässt, bleibt ein Datenpunkt, kein Ausgangspunkt. Teams, die früh mehrere strukturell diverse Serien verfolgen, statt auf den einen vermeintlichen Überflieger zu setzen, reduzieren ihr späteres Ausfallrisiko spürbar. Entscheidend bleibt eine dokumentierte, nachvollziehbare Abwägung, keine Intuition unter Zeitdruck.

— John

FAQ

Was ist die Rule of 5 in der Wirkstoffentwicklung?

Die Rule of 5, auch Lipinski-Regel genannt, beschreibt physikochemische Richtwerte, die orale Bioverfügbarkeit eines Moleküls wahrscheinlicher machen, etwa Grenzwerte für Molekularmasse, Lipophilie und Wasserstoffbrückendonatoren beziehungsweise -akzeptoren. Sie dient als grober Frühindikator, nicht als strenges Ausschlusskriterium, und wird meist zusammen mit ADME-Messwerten betrachtet.

Was bedeutet Hit-Identifikation in der Wirkstoffforschung?

Hit-Identifikation bezeichnet die Phase, in der ein Screening, etwa gegen eine Substanzbibliothek, erste aktive Verbindungen gegen ein Target oder einen Phänotyp liefert. Diese ersten Treffer werden anschließend über Counterscreens und orthogonale Methoden auf ihre Reproduzierbarkeit und Spezifität geprüft, bevor sie priorisiert werden.

Was sind die vier Hauptarten von Wirkstoff-Targets?

Die klassischen Zielstrukturen in der Wirkstoffentwicklung umfassen Enzyme, Rezeptoren, Ionenkanäle und Transportproteine. Je nach Zielklasse unterscheiden sich die passenden Assayformate und Priorisierungskriterien, etwa Bindungskinetik bei Rezeptoren gegenüber funktioneller Hemmung bei Enzymen.

Wie lässt sich die Wirkstoff-Target-Interaktion vorhersagen?

Rechnergestützte Methoden wie Docking, Molekulardynamik-Simulationen und Machine-Learning-Modelle, die auf strukturellen und biochemischen Trainingsdaten basieren, liefern Wahrscheinlichkeitsaussagen zur Interaktion. Diese Vorhersagen ersetzen keine experimentelle Bestätigung, etwa über SPR oder einen funktionellen Assay, sondern dienen als Vorfilter zur Priorisierung weiterer Laborschritte.

Quellen

Die folgenden Studien belegen die zentralen Aussagen zu ML-gestützter Triage, PAINS-Filtergrenzen und SAR-basierten Priorisierungsstandards, jeweils aus begutachteter Fachliteratur.

Empfehlungen