Schrödinger

Kurzfazit

Schrödinger ist die Plattform, auf die Pharmaunternehmen setzen, wenn es ernst wird: strukturbasiertes Wirkstoffdesign mit den genauesten verfügbaren physikbasierten Methoden, kombiniert mit generativer KI für De-novo-Moleküldesign. FEP+, die Flaggschiff-Methode für freie-Energie-Berechnungen, ist in der Industrie zum Referenzstandard für Bindungsaffinitätsvorhersagen geworden. Stärken: Genauigkeit, integrierter Ansatz von der Simulation bis zur KI-Generierung, Branchen-Vertrauen durch Partnerschaften mit den größten Pharmaunternehmen. Schwächen: Hohe Kosten, steile Lernkurve, US-Datenhosting. Für ambitionierte Biotech-Startups und akademische Gruppen mit begrenztem Budget gibt es günstigere Einstiegsoptionen, Schrödinger ist für gut finanzierte Programme der richtige Schritt.

Für wen ist Schrödinger?

Mittlere und große Pharmaunternehmen: Der Kernmarkt. Unternehmen wie Pfizer, Merck, Novartis oder AstraZeneca nutzen Schrödinger als Teil ihrer Computational-Chemistry-Infrastruktur. Für diese Kunden ist der ROI durch verkürzte Synthese-Zyklen und höhere Lead-Trefferquoten klar messbar.

Biotech-Unternehmen in der Lead-Optimization-Phase: Wenn ein Drug-Discovery-Programm eine Kristallstruktur des Zielproteins hat und in der Lead-Optimization-Phase ist, entfaltet Schrödinger mit FEP+ seinen größten Wert: vorhersagen, welche der nächsten 50 Kandidaten die beste Bindungsaffinität haben, bevor ein einziger synthetisiert wird.

Akademische Forschungsgruppen mit Drittmittel: Schrödinger bietet akademische Lizenzen zu deutlich reduzierten Konditionen. Für computationale Chemie-Gruppen, die FEP+ oder Glide für strukturbasiertes Design einsetzen wollen und entsprechende Drittmittel haben, ist das der Standard-Einstieg.

Materialscienc und Agrochemie-F&E: Neben dem pharmazeutischen Wirkstoffdesign deckt Schrödinger auch Materialentwicklung (Polymere, Halbleiter-Materialien) und Agrochemikalien ab. Das macht es zu einem breiteren Plattform-Tool für mehrere F&E-Disziplinen.

Weniger geeignet für: Kleine Biotech-Startups ohne Computational-Chemistry-Expertise (hier sind Open-Source-Tools wie AutoDock Vina oder DeepChem der sinnvollere Einstieg), Teams, die nur schnelles virtuelles Screening ohne tiefe physikalische Validierung brauchen, und F&E-Teams, die keine ausgebildeten Computational Chemists haben.

Preise im Detail

Lizenztyp	Preis (ca.)	Zielgruppe
Akademisch	Deutlich reduziert, auf Anfrage	Universitäten, Forschungsgruppen
Kommerziell Basis	ab 50.000 USD/Jahr	Pharmaunternehmen, kleinere Module
Kommerziell Enterprise	100.000–500.000+ USD/Jahr	Vollpaket inkl. FEP+, Glide, Canvas, generative KI
Cloud-Zugang	Projektbasis, auf Anfrage	Einmalige Kampagnen ohne Dauerlizenz

Einordnung: Schrödinger ist kein Tool für Impulsentscheidungen. Die Preisstruktur ist bewusst undurchsichtig, es gibt keine öffentliche Preisliste, alles läuft über Vertriebsgespräche. Für Pharmaunternehmen mit mehreren aktiven Drug-Discovery-Programmen ist die Investition wirtschaftlich rechtfertigbar: Eine um 40 % höhere Trefferquote in der Lead-Optimization bedeutet weniger Syntheseaufwand, weniger verbrannte Ressourcen und schnellere Kandidatenauswahl. Für die meisten Biotech-Startups ohne eigenes Computational-Chemistry-Team ist die Kombination aus Lizenzkosten und Expertisebedarf zu hoch, erst mit einem erfahrenen Computational Chemist zahlt sich Schrödinger aus.

Stärken im Detail

FEP+ ist der Goldstandard für Bindungsaffinität. Freie-Energie-Perturbation (FEP) ist eine physikbasierte Methode, die direkt aus quantenmechanischen Prinzipien die Bindungsenergiedifferenz zwischen Molekülvarianten berechnet. Schrödinger hat FEP mit FEP+ zu einer praktisch einsetzbaren Methode weiterentwickelt, die in der Branche breite Validierung hat. Korrelationen zwischen berechneter und gemessener Bindungsaffinität von R² > 0.85 sind für gute Kampagnen realistisch, das ist weit besser als empirische Methoden.

Integration von Simulation und generativer KI. Schrödinger hat 2023–2024 generative KI-Tools für De-novo-Moleküldesign in die Plattform integriert (namentlich DiffDock-basierte Methoden und eigene generative Modelle). Das erlaubt es, neue Moleküle zu designen, die auf physikalischen Bindungsprinzipien basieren, nicht nur auf statistischen Mustern aus Trainingsdaten. Diese Kombination aus klassischer Simulation und generativer KI ist ein echter Fortschritt gegenüber reinen ML-Ansätzen.

Breite Plattformabdeckung. Glide (molekulares Docking), Prime (Proteinstrukturvorhersage), Maestro (Oberfläche und Visualisierung), Canvas (QSAR und ML), FEP+ und Desmond (MD-Simulation), die Plattform deckt den gesamten Computational-Chemistry-Workflow ab. Das vermeidet Datensilos zwischen verschiedenen Tools und ermöglicht automatisierte End-to-End-Pipelines.

Etablierte Partnerschaften als Qualitätssignal. Die Zusammenarbeit mit Pfizer, Merck, Novartis, Roche und weiteren Top-Pharmaunternehmen ist kein Marketing, diese Partnerschaften bedeuten, dass Schrödinger-Methoden im echten, risikoreichen Pharma-F&E validiert worden sind. Für Biotech-Unternehmen, die Investoren überzeugen müssen, ist das ein Signal.

Automatisierbare Workflows für Hochdurchsatz-Screening. Maestro Workflows erlauben es, parametrisierte Screening-Kampagnen für Hunderte bis Tausende von Kandidaten automatisiert durchzulaufen. Was früher ein Computational Chemist in Wochen manuell konfiguriert hätte, läuft als standardisierter Batch, das senkt den Personaleinsatz pro Kampagne erheblich.

Schwächen ehrlich betrachtet

Hohe Kosten schließen viele potenzielle Nutzer aus. Schon die Basismodule kosten ab 50.000 USD/Jahr, und für einen vollständigen FEP+-Workflow kommen Module zusammen, die schnell in den sechsstelligen Bereich gehen. Das ist für Pharmariesen selbstverständlich, für ambitionierte Biotech-Startups oder akademische Gruppen ohne große Drittmittel aber eine echte Barriere.

Steile Lernkurve, Experten sind Pflicht. Schrödinger ist kein Click-and-Go-System. FEP+-Berechnungen sinnvoll zu konfigurieren, Fehler in Simulationsergebnissen zu erkennen und Parameter zu optimieren erfordert einen ausgebildeten Computational Chemist. Ohne diese Expertise produziert das System fehlerhafte Ergebnisse, die schlimmer sein können als keine Simulation, weil sie ein falsches Vertrauen in die Vorhersagen erzeugen.

US-Datenhosting. Alle Daten, Projektstrukturen, Kristallstrukturdaten, Simulationsergebnisse, landen auf US-Servern. Für europäische Pharmaunternehmen mit strikten IP-Schutz- und Datenschutzanforderungen ist das eine Frage, die vor der Lizenzierung mit dem Datenschutzbeauftragten und dem Patentanwalt geklärt werden sollte. Besonders für präklinische Programmstudien kann das sensibel sein.

Abhängigkeit von guten Eingangsdaten. FEP+ ist stark, aber nicht unfehlbar. Die Qualität der Ergebnisse hängt massiv von der Qualität der Kristallstruktur des Zielproteins ab, eine schlechte Struktur (niedrige Auflösung, falsche Protonierungszustände) führt zu schlechten Vorhersagen. Wer auf homologiemodellierte Proteinstrukturen angewiesen ist, muss die Ergebnisqualität entsprechend einordnen.

Kein öffentliches Preismodell. Alles über Vertriebsgespräche, das ist in der Enterprise-Software-Welt normal, aber für Unternehmen, die Budget-Entscheidungen schnell treffen wollen, eine unnötige Hürde. Vergleichsangebote sind schwer zu bekommen.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Open-Source-Docking für erste Experimente und kleineres Budget brauchst	AutoDock Vina
ML-basierte Moleküldesign-Plattform für Biotech-Startups willst	DeepChem
IBM-Plattform für chemische Reaktionsvorhersage bevorzugst	IBM RXN for Chemistry
Generative Chemie und Protein-Strukturvorhersage kombiniert brauchst	Chai-1

Erwähnenswert ohne eigene Tool-Seite: Molecular Dynamics mit GROMACS (Open-Source, für MD-Simulationen ohne FEP), BioSolveIT SeeSAR (günstigeres kommerzielles Docking), OpenEye Orion (Plattform-Konkurrent mit starkem OMEGA/ROCS-Ansatz), Chemaxon (Cheminformatik-Tools für QSAR und Screening). Schrödinger ist der Marktführer im integrierten Computational-Chemistry-Segment, Alternativen sind in Teilbereichen stark, aber nicht in dieser Breite.

So steigst du ein

Schritt 1: Definiere das spezifische Problem vor der Lizenzierung: Handelt es sich um Lead-Optimization für ein bekanntes Target mit verfügbarer Kristallstruktur, oder um De-novo-Design in früher Phase? Kontaktiere Schrödinger für eine Proof-of-Concept-Demo mit eigenen Daten, das zeigt realistisch, welche Module für dein Programm relevant sind.

Schritt 2: Starte mit dem kleinsten Modulsatz, der deine Kernfrage adressiert. Für die meisten Optimierungsprogramme ist das Glide (Docking) und FEP+ (Bindungsaffinität), nicht die gesamte Plattform auf einmal. Plane 2–4 Wochen Einarbeitung für Computational Chemists, auch wenn sie andere Tools kennen.

Schritt 3: Integriere die Workflow-Automatisierung (Maestro Workflows) für parallelisierte Screening-Kampagnen. Stelle sicher, dass interne Datenbanken (historische Assay-Daten, Kristallstrukturen) in einem verwertbaren Format vorliegen, das ist in der Praxis oft der bottleneck, nicht das Tool selbst.

Ein konkretes Beispiel

Ein Biotechunternehmen aus dem Ruhrgebiet optimiert Kinase-Inhibitoren für ein Krebsprogramm. FEP+-Berechnungen sagen die Bindungsaffinität von 50 Kandidaten voraus, bevor ein einziger Syntheseauftrag ergeht. Trefferquote im Vergleich zur ungestützten Synthese: von 15 % auf 42 % verbessert. Die Anzahl der zu synthetisierenden Verbindungen bis zum optimierten Lead reduziert sich um ca. 40 %. Kosten: 120.000 USD/Jahr für die relevanten Module plus ein Full-time-Computational-Chemist-Gehalt. Nur wirtschaftlich, weil das Programm drei Kandidaten parallel optimiert.

DSGVO & Datenschutz

• Datenhosting: USA (Schrödinger, Inc. ist ein US-amerikanisches Unternehmen). Alle Simulations- und Projektdaten werden auf US-Servern gespeichert.
• IP-Schutz: Besondere Sensibilität bei präklinischen Wirkstoffkandidaten, die Strukturdaten können hochsensibel IP darstellen. Vor der Nutzung sollten IP-Schutzklauseln im Vertrag geprüft werden.
• Datenweitergabe: Schrödinger gibt Kundendaten nicht an Dritte weiter. Die Datenschutzbedingungen sollten jedoch für EU-Unternehmen sorgfältig geprüft werden, insbesondere hinsichtlich Datentransfer und Verarbeitungszwecken.
• Auftragsverarbeitung (AVV): Für EU-Kunden im Rahmen von DSGVO-Anforderungen sollte ein AVV-äquivalentes Dokument mit Schrödinger abgeschlossen werden. Detaillierte Vertragsverhandlungen sind bei Enterprise-Lizenzen üblich.
• Empfehlung: Bei präklinischen Programmen mit vertraulichen Wirkstoffstrukturen: Vertragsklauseln zu Datenschutz und IP-Schutz mit eigenem Patentanwalt und Datenschutzbeauftragten prüfen, bevor Strukturdaten in die Cloud hochgeladen werden.

Gut kombiniert mit

• AutoDock Vina, für einen schnellen, kostengünstigen ersten Screening-Pass, bevor teure FEP+-Rechnungen für die Top-Kandidaten eingesetzt werden. Open-Source-Docking als Vorfilter reduziert den FEP+-Aufwand erheblich.
• DeepChem, für datengetriebene QSAR-Modelle und ML-basiertes Screening im Vorfeld. DeepChem deckt den großen Hochdurchsatz-Bereich ab, Schrödinger übernimmt dann die tiefe physikbasierte Validierung der aussichtsreichsten Kandidaten.
• IBM RXN for Chemistry, für die Syntheseplanung. Schrödinger entwirft und bewertet Kandidaten, IBM RXN plant die Synthese-Routen, eine sinnvolle Arbeitsteilung im iterativen Design-Synthesize-Test-Zyklus.

Unser Testurteil

Schrödinger verdient 4 von 5 Sternen. FEP+ ist die zuverlässigste Methode für Bindungsaffinitätsvorhersagen, die in der Industrie breit validiert ist, und die Integration von physikbasierter Simulation und generativer KI ist ein echter Fortschritt gegenüber reinen ML-Ansätzen. Den fünften Stern verfehlt das System durch drei klare Schwächen: Die hohen Lizenzkosten schließen die meisten Biotech-Startups aus, die steile Lernkurve erfordert Spezialisten, und US-Datenhosting ist für EU-Unternehmen mit sensiblen Programmdaten ein Risikopunkt. Für Pharmaunternehmen mit den nötigen Ressourcen ist Schrödinger der Marktstandard, für alle anderen ist es überdimensioniert.

Was wir bemerkt haben

• 2023, Schrödinger hat generative KI-Funktionen für De-novo-Moleküldesign in die Plattform integriert. Das war ein strategisch wichtiger Schritt, weil es den Anbieter von einem reinen Simulation-Tool zu einer umfassenden KI-gestützten Drug-Discovery-Plattform weiterentwickelt.
• 2024, Die Kooperation mit AlphaFold 2/3-Proteindaten wurde vertieft: Strukturen aus AlphaFold können direkt in Schrödinger-Workflows eingespeist werden, was die Anwendung auch auf Targets ohne experimentelle Kristallstruktur ausdehnt.
• 2024, Schrödinger ist als börsennotiertes Unternehmen (SDGR, NASDAQ) zunehmend unter Druck, seine Kostenbasis zu verbessern. Das hat zu Preiserhöhungen bei manchen Lizenzarten geführt, ein Punkt, den Enterprise-Kunden bei Vertragserneuerungen im Blick haben sollten.
• April 2026, EU-Datenhosting ist weiterhin nicht angeboten. Für europäische Pharmaunternehmen mit IP-Schutzanforderungen bleibt das ein strukturelles Risiko.