Apheris bringt Pharmaunternehmen zum Datenaustausch

Pharmaunternehmen sollen an künstlicher Intelligenz arbeiten können, ohne dafür vertrauliche Forschungsdaten an einem gemeinsamen Ort zusammenzuführen. Dieses Ziel verfolgt das Berliner Start-up Apheris. Bei der Verleihung des Technologiepreises „The Spark“ belegte das Unternehmen den dritten Platz. Die Auszeichnung ordnet den Ansatz in eine zentrale Frage der Arzneimittelforschung ein: Wie lässt sich der Nutzen gemeinsamer Daten erschließen, wenn Unternehmen und Forschungseinrichtungen ihre Informationen nur ungern weitergeben?

Der begrenzte Zugang zu Daten erschwert die Entwicklung von Algorithmen und KI-Modellen, die in der Arzneimittelforschung eingesetzt werden könnten. Apheris setzt deshalb nicht darauf, vertrauliche Bestände zentral zu sammeln. Stattdessen sollen mehrere Beteiligte ihre Daten für ein gemeinsames Training nutzbar machen können, während die Daten selbst bei den jeweiligen Quellen verbleiben. Das Unternehmen nutzt dafür dezentrale Netzwerke.

Die Preisjury würdigte den Ansatz als grundlegend neu für die Medikamentenentwicklung. Entscheidend sei dabei nicht ein neuartiges KI-Modell, sondern der Zugang zu Daten, der durch das Verfahren möglich werden soll. Das lenkt den Blick auf eine Voraussetzung, die neben leistungsfähigen Rechenverfahren oft weniger sichtbar ist: Ein Modell kann nur aus den Informationen lernen, die ihm für das Training zur Verfügung stehen. Wenn diese Informationen aus Gründen der Vertraulichkeit nicht geteilt werden, bleibt auch die gemeinsame Entwicklung begrenzt.

Apheris-Geschäftsführer Robin Röhm beschäftigte das Problem bereits vor der Gründung des Unternehmens. Bei seinem früheren Start-up Janus Genomics habe sich gezeigt, wie schwierig der Austausch vertraulicher Patientendaten in der Forschung sei. 2019 gründete Röhm Apheris gemeinsam mit Michael Höh. Die Hoffnung des Unternehmens ist, dass KI künftig neue Wirkstoffe, passgenauere Therapien und frühere Diagnosen unterstützen könnte. Ob solche Anwendungen gelingen, hängt jedoch auch davon ab, wie sich Forschung ermöglichen lässt, ohne den Schutz sensibler Daten preiszugeben. Der dritte Platz bei „The Spark“, dem Technologiepreis von Handelsblatt und McKinsey, zeichnet damit einen Ansatz aus, der eine organisatorische und technische Hürde der Forschung adressiert – nicht bereits einen medizinischen Durchbruch.

Forschung ohne zentrale Datensammlung

Apheris verfolgt einen anderen Weg: Das Berliner Start-up nutzt dezentrale Netzwerke, in denen die Informationen bei den jeweiligen Datenquellen bleiben. Dort werden die KI-Modelle trainiert. Die beteiligten Unternehmen und Einrichtungen müssen ihre vertraulichen Forschungsdaten demnach nicht an einen gemeinsamen Speicherort übertragen, um an der Entwicklung mitzuwirken.

Erst im Anschluss werden die Modellparameter zusammengeführt. Das soll gemeinsames Lernen ermöglichen, ohne die vertraulichen Informationen selbst offenzulegen.

Der Ansatz setzt an einem praktischen Hindernis der Arzneimittelforschung an. Pharmaunternehmen und Forschungseinrichtungen geben Daten für die Entwicklung von KI-Modellen nur ungern weiter. Dadurch stehen Algorithmen und Modellen weniger Informationen zur Verfügung, als für die Entwicklung hilfreich sein könnten. Ein Netzwerk, das Daten dort belässt, wo sie liegen, soll diese Hürde verringern. Es verändert damit nicht nur den technischen Ablauf des Trainings, sondern auch die Bedingungen, unter denen verschiedene Akteure zusammenarbeiten können.

Das Verfahren ist allerdings nicht gleichbedeutend mit einem neuen KI-Modell. Die Preisjury sah den wesentlichen Fortschritt gerade im Zugang zu Daten. Für die Medikamentenentwicklung könnte das relevant sein, weil KI nach Darstellung des Unternehmens neue Wirkstoffe, passgenauere Therapien und frühere Diagnosen unterstützen kann. Solche Möglichkeiten hängen jedoch davon ab, ob genügend geeignete Informationen in die Entwicklung einfließen können. Apheris’ Konzept zielt darauf, diese Beteiligung zu erleichtern, ohne vertrauliche Daten zentral zu sammeln. Damit rückt neben der Leistungsfähigkeit der KI auch die Frage in den Vordergrund, wie sensible Forschungsinformationen geschützt und dennoch für gemeinsame Arbeit nutzbar gemacht werden.

Ein Engpass für die Arzneimittelforschung

Pharmaunternehmen und Forschungseinrichtungen geben Daten für die Entwicklung von KI-Modellen nur ungern weiter. Gerade in der Arzneimittelforschung ist diese Zurückhaltung folgenreich: Wo Informationen nicht gemeinsam genutzt werden, steht ihrer Auswertung durch Algorithmen und Modelle nur ein begrenzter Datenbestand zur Verfügung. Das erschwert deren Entwicklung. Der Engpass liegt damit nicht allein in der Frage, ob sich ein Verfahren technisch umsetzen lässt. Entscheidend ist auch, ob genügend Daten für die gemeinsame Arbeit zugänglich gemacht werden können.

Für Unternehmen und wissenschaftliche Einrichtungen entsteht daraus ein Spannungsverhältnis. Einerseits können sie Forschungsergebnisse für die Entwicklung von KI-Modellen einbringen; andererseits möchten sie vertrauliche Informationen nicht offenlegen. Wie sich dieses Verhältnis auflösen lässt, ist auch eine Frage des Umgangs mit sensiblen Forschungsdaten: Welche Informationen können geteilt werden, und unter welchen Bedingungen bleibt ihre Vertraulichkeit gewahrt? Die Faktenlage lässt keine weitergehende Aussage darüber zu, welche konkreten Gründe im Einzelfall ausschlaggebend sind. Der Zusammenhang zwischen Zurückhaltung und erschwerter Modellentwicklung ist jedoch zentral für Apheris’ Geschäftsidee.

Das Berliner Start-up setzt auf dezentrale Netzwerke. Die Modelle werden dort trainiert, wo die jeweiligen Daten liegen; anschließend werden die Modellparameter zusammengeführt. Damit soll gemeinsames Arbeiten möglich werden, ohne vertrauliche Daten offenzulegen. Für die Forschung könnte ein solcher Ansatz den Zugang zu Daten erleichtern, der nach Einschätzung der Preisjury den wesentlichen Fortschritt darstellt. Er beseitigt allerdings nicht automatisch alle Fragen, die mit der Nutzung vertraulicher Informationen verbunden sind. Auch bleibt der Zugang zu geeigneten Daten eine Voraussetzung dafür, Algorithmen und Modelle für die Arzneimittelforschung weiterzuentwickeln. Der Ansatz verschiebt daher die Debatte: Nicht nur die Leistungsfähigkeit eines KI-Modells zählt, sondern ebenso die Bedingungen, unter denen Forschungseinrichtungen und Pharmaunternehmen ihre Daten für dessen Entwicklung nutzbar machen können.

Die Geschäftsidee entstand aus eigener Erfahrung

Für Robin Röhm war die Schwierigkeit, vertrauliche Daten in der Forschung auszutauschen, kein abstraktes Problem. Der Geschäftsführer von Apheris hatte bereits bei seinem früheren Start-up Janus Genomics erlebt, wie kompliziert es sein kann, sensible Patientendaten für Forschungszwecke zugänglich zu machen. Aus dieser Erfahrung ergab sich ein praktischer Ausgangspunkt: Wenn Daten für gemeinsame Forschung benötigt werden, ihre Weitergabe aber auf Vorbehalte stößt, muss auch der Umgang mit ihnen neu gedacht werden.

Das Berliner Unternehmen soll Pharmaunternehmen ermöglichen, Forschungsergebnisse gemeinsam zu nutzen, ohne vertrauliche Daten offenzulegen. Dafür setzt es auf dezentrale Netzwerke: Die Modelle werden bei den jeweiligen Datenquellen trainiert, während anschließend die Modellparameter zusammengeführt werden. Die Idee richtet sich damit auf das Hindernis, das Röhm aus seiner früheren Arbeit kannte: Forschung kann durch den begrenzten Zugang zu Daten erschwert werden, wenn Einrichtungen diese nicht weitergeben möchten.

Röhm gründete Apheris 2019 gemeinsam mit Michael Höh. Im Mittelpunkt stand nicht allein die Entwicklung eines KI-Modells, sondern die Frage, wie vorhandene Informationen in dessen Training einfließen können, ohne vertrauliche Daten zentral zusammenzuführen oder offenzulegen. Das ist für die Arzneimittelforschung relevant, weil der beschränkte Zugang zu Daten die Entwicklung von Algorithmen und Modellen erschwert.

Sie belegt jedoch nicht, dass sich sämtliche Hürden mit dem gewählten Verfahren lösen lassen. Die grundlegende Frage bleibt, wie gemeinsame Forschung ermöglicht werden kann, während sensible Informationen geschützt bleiben. Genau an dieser Schnittstelle setzt das Unternehmen an.

Der Datenzugang als entscheidender Ansatz

Bei „The Spark“ belegte Apheris den dritten Platz. Die Jury ordnete den Ansatz als grundlegend neu für die Medikamentenentwicklung ein. Entscheidend sei dabei nicht ein neuartiges KI-Modell, sondern der Zugang zu den Daten, mit denen solche Modelle entwickelt werden können. Diese Unterscheidung verschiebt den Blick: Nicht allein die Leistungsfähigkeit eines Algorithmus bestimmt, was sich in der Arzneimittelforschung erreichen lässt. Auch die Frage, ob genügend Forschungsdaten nutzbar werden, spielt eine zentrale Rolle.

Das ist für ein Feld relevant, in dem Pharmaunternehmen und Forschungseinrichtungen ihre Daten nur ungern weitergeben. Wenn Informationen getrennt bleiben, kann dies die Entwicklung von Algorithmen und Modellen erschweren. Apheris setzt deshalb darauf, gemeinsames Training zu ermöglichen, ohne vertrauliche Daten an einem Ort zusammenzuführen.

Welche Bedeutung ein besserer Datenzugang haben könnte, zeigt sich an den möglichen Einsatzfeldern von KI. Nach Darstellung des Unternehmens könnte sie helfen, neue Wirkstoffe zu entwickeln, Therapien genauer auf einzelne Bedürfnisse abzustimmen und Krankheiten früher zu erkennen. Das sind Perspektiven, keine Garantie für konkrete medizinische Fortschritte. Ob aus einem Modell tatsächlich ein wirksamer Wirkstoff, eine passendere Behandlung oder eine frühere Diagnose entsteht, hängt auch davon ab, welche Daten in die Entwicklung einfließen und wie tragfähig die daraus gewonnenen Ergebnisse sind.

Damit rückt neben der technischen Frage auch eine gesellschaftliche in den Vordergrund: Unter welchen Bedingungen lässt sich Forschung über Organisationsgrenzen hinweg verbinden, wenn die Daten vertraulich bleiben sollen? Apheris’ Ansatz zielt darauf, diesen Zugang zu erweitern. Der Preis würdigt damit vor allem die Möglichkeit, bislang schwer nutzbare Informationen in die Entwicklung einzubeziehen – nicht den Nachweis, dass sich die versprochenen Anwendungen bereits verwirklichen lassen.