Schrödinger bietet eine integrierte Plattform für computergestützte Wirkstoff- und Materialentwicklung, die physikbasierte Simulation mit Machine Learning kombiniert. Die Plattform umfasst molekulares Docking, freie-Energie-Perturbation (FEP+) und generative KI-Tools für das De-novo-Moleküldesign — Industriestandard in der pharmazeutischen Forschung.
Kosten: Akademische und kommerzielle Lizenzen; kommerzielle Jahreslizenz ab ca. 50.000 USD für Basismodule; Enterprise-Pakete sechsstellig. Preise auf Anfrage. Hosted Cloud-Zugang für einzelne Projekte verfügbar.
Stärken
- Physikbasierte FEP+-Methode für hochpräzise Bindungsaffinitätsvorhersagen — Industriestandard
- Integrierter ML-Ansatz kombiniert Quantenmechanik-Simulationen mit generativen KI-Modellen
- Breite Abdeckung: Wirkstoffdesign, Materialentwicklung, Agrochemikalien, Polymere
- Etablierte Partnerschaften mit großen Pharmaunternehmen (Pfizer, Merck, Novartis)
- Automatisierbare Workflows für parallele Kandidatenscreening-Kampagnen
Einschränkungen
- Sehr hohe Lizenzkosten — nur für Pharmaunternehmen ab mittlerer Größe wirtschaftlich
- Steile Lernkurve: erfordert ausgebildete Computational Chemists für den sinnvollen Einsatz
- Datenhosting in den USA — für europäische Pharmaunternehmen mit strikten Datenschutzanforderungen prüfenswert
- Ergebnisqualität stark abhängig von der Qualität der Eingabe-Trainingsdaten und Kristallstrukturen
- Keine Out-of-the-box-Lösung: erfordert Projektspezifisches Setup
Passt gut zu
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.
Diesen Inhalt teilen:
Empfohlen in 1 Use Cases
Redaktionell bewertet · Preise und Funktionen können sich ändern.
Stimmt etwas nicht?
Preise geändert, Feature veraltet oder etwas fehlt? Wir freuen uns über Hinweise und Ergänzungen.