Fem virksomheder inden for AI og beregningsbaseret bioteknologi: et perspektiv fra 2023

AI og beregningsbaseret bioteknologi

Bioteknologisk forskning anvender i stigende grad AI og digitale modeller til at undersøge og udvikle lægemidler.

Biologiske systemer er komplekse og ændrer sig konstant. Selv ét proteins funktion påvirkes af mange samspil, så alle reaktioner og kliniske virkninger er vanskelige at forudsige.

Store datamængder og beregningsmodeller hjælper med at strukturere information og vælge hypoteser til eksperimentel afprøvning.

Observationer og eksperimenter har længe været centrale i biomedicin. Tidligere forskning var ikke blot tilfældige forsøg uden videnskabelig metode.

Genomik gør det muligt at undersøge sygdomsrelaterede gener og proteiner mere målrettet.

Digitale modeller kan simulere udvalgte strukturer og funktioner i proteiner, celler og organer. De er ikke komplette, pålidelige kopier af menneskekroppen og erstatter ikke alle eksperimenter.

Hvad kan ændre sig?

Mange lægemiddelprojekter mislykkes. Præcisionsbehandlinger og småmolekylære lægemidler kan supplere hinanden; genomik erstatter ikke automatisk alle traditionelle lægemidler.

Mange kandidater falder fra før en godkendelse. Afhængigt af projektet kræves laboratorieforsøg samt prækliniske og kliniske studier. Ét succesforhold gælder ikke alle metoder.

Udviklingen kan tage mange år og kræve betydelig kapital. Mislykkede projekter koster penge, men kan også give nyttig videnskabelig viden.

Kilde: Biosourcing

Forudsigelsesmodeller kan hjælpe med at prioritere kandidater før dyre eksperimenter. Et modelresultat beviser ikke alene et lægemiddels sikkerhed eller effekt.

Lægemiddeludvikling er derfor et vigtigt anvendelsesområde for virksomheder, der kombinerer AI og bioteknologi.

Maskinlæring finder mønstre i data og kan give sandsynlighedsbaserede forudsigelser. Det er også en algoritmisk metode, hvis pålidelighed afhænger af data, design og evaluering.

Fremskridtene bygger på langvarig forskning inden for biologi, kemi, fysik og datalogi.

Et opsigtsvækkende gennembrud kom i 2020, da DeepMind med AlphaFold gjorde store fremskridt i at forudsige proteiners tredimensionelle struktur (GOOG ). I 2022 blev databasen udvidet til over 200 millioner forudsagte strukturer for katalogiserede proteiner. De beskriver ikke alle biologiske funktioner fuldstændigt. Alphabet havde også grundlagt virksomheden Isomorphic Laboratories i 2021 til AI-baseret lægemiddeldesign og -opdagelse.

Fem virksomheder set fra 2023

Alphabet har mange forretningsområder, hvor bioteknologi kun er en del. Artiklen gennemgår fem virksomheder fra et perspektiv i 2023. Ikke alle er rene AI-virksomheder eller selvstændige børsnoterede selskaber i dag.

Leverandører af beregningshardware og software udgør en anden gruppe, eksempelvis Nvidia med genomiksoftwaren Parabricks (NVDA ).

Den oprindelige rækkefølge byggede på markedsværdien, da artiklen blev skrevet i 2023, ikke på virksomhedernes størrelse i dag.

1. Roivant Sciences Ltd.

ROIV Prisdiagram

Roivant udvikler og opkøber biofarmaceutiske projekter gennem virksomheder, hvis navne ofte ender på -vant. Koncernen fokuserer ikke udelukkende på AI.

I 2021 meddelte Roivant en aftale om køb af Silicon Therapeutics for Roivant-aktier til en værdi af 450 millioner dollar, med yderligere mulige betingede milepælsbetalinger. Silicon Therapeutics beregningsfysik skulle supplere maskinlæringsvirksomheden VantAI.

Efter fusionen mellem Datavant og Ciox Health havde Roivant en minoritetsandel i Datavant. Datavant forbinder sundhedsdata; en minoritetsandel betyder ikke fuldt ejerskab eller kontrol.

De beregningsbaserede aktiviteter på det tidspunkt omfattede også Psivants fysikbaserede molekylesimuleringer og Lokavants analyseplatform til kliniske forsøg. Ejerforhold og selskabsstrukturer vedrører tidspunktet for den oprindelige gennemgang.

Kilde: Roivant

Roivants omsætning omfattede produktsalg, licensindtægter og andre kontraktbetalinger. Den kom dengang ikke nødvendigvis hovedsageligt fra godkendte lægemidler og var ikke det samme som nettooverskud.

Koncernen kombinerede beregningsbaserede projekter med lægemiddeludvikling. Et eksempel på den daværende kommercielle aktivitet var VTAMA mod psoriasis gennem Dermavant. Ét produkts succes garanterer ikke hele koncernens succes.

2. Schrödinger, Inc.

SDGR Prisdiagram

Schrödinger bruger fysikbaserede modeller til at vurdere molekyler og afveje egenskaber som virkning, opløselighed, halveringstid og mulighed for syntese.

Virksomheden kombinerer dette med maskinlæring. Schrödinger (SDGR ) kan indsnævre store virtuelle molekylebiblioteker til kandidater til eksperimenter. En milliard molekyler giver dog ikke garanteret otte effektive lægemidler på få dage.

Kilde: Schrodinger

Schrödinger meddelte i 2020 et femårigt teknologisamarbejde med Bayer og forventede betalinger på cirka 10 millioner euro, ikke dollar. Samarbejdet forbandt molekyledesign med beregningsbaserede forudsigelsesmodeller. Kontraktværdien var ikke automatisk straks indregnet omsætning.

Samarbejdet med Eli Lilly, der blev offentliggjort i 2022, omfattede en indledende betaling samt op til 425 millioner dollar i mulige milepælsbetalinger og desuden royalties. Maksimumbeløbet var hverken garanteret eller allerede modtaget.

Blandt datidens samarbejdspartnere var Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb og mindre medicinalvirksomheder.

Kilde: Schrodinger

Schrödinger udviklede også egne molekyler. Omsætning fra software og samarbejder var ikke det samme som overskud. Forskning, udvikling og ekspansion medførte omkostninger.

Ud over lægemidler undersøgte virksomheden anvendelser inden for komplekse biologiske lægemidler og materialer som kemikalier, batterier og polymerer.

Kilde: Schrodinger

Ved vurderingen er samarbejdernes udvikling, eksperimentelle og kliniske resultater samt den økonomiske holdbarhed vigtige. En ny aftale beviser ikke i sig selv, at en behandling lykkes.

3. Exscientia

Exscientia anvendte AI til præcisionsbehandlinger og som støtte i forskellige dele af lægemiddeludviklingen. Virksomheden fusionerede med Recursion i november 2024 og er derfor ikke længere en selvstændig børsinvestering på samme måde som i 2023.

Kilde: Exscientia

Oplysningerne om 70 procents tidsbesparelse og 80 procents forbedring af kapitaleffektiviteten var virksomhedens påstande om bestemte trin i lægemiddelopdagelsen. De var ikke generelle, uafhængigt bekræftede besparelser for hele udviklingstiden eller omkostningerne frem til godkendelse.

I begyndelsen af 2023 oplyste Exscientia, at fire AI-designede molekyler var gået videre til kliniske studier, blandt andet mod kræft og inflammatoriske sygdomme. Store samarbejdsbeløb vedrørte især mulige fremtidige milepæle; 6,5 milliarder dollar var ikke allerede realiseret omsætning.

Kilde: Exscientia

Den 30. september 2022 rapporterede Exscientia cirka 624,7 millioner dollar i kontanter, likvide midler og bankindskud. Nettoudbetalingen fra driften på 15 millioner dollar gjaldt årets første ni måneder, ikke kun tredje kvartal eller hele faldet i likviditeten. Samarbejdsbetalinger påvirkede pengestrømmen. Dollarbeløbene var omregnet fra pund med pressemeddelelsens valutakurs.

Midlerne gjorde det muligt at finansiere forskning, men deres tilstrækkelighed afhang af udgifter og indtægter. Partnerskaber fjernede ikke kliniske risici eller finansieringsrisici.

4. Absci Corporation

ABSI Prisdiagram

Absci blev grundlagt i 2011 og havde aktiviteter i Vancouver i den amerikanske delstat Washington, New York og Zug i Schweiz. I 2021 købte virksomheden teknologi fra Totient til opdagelse af antistoffer og mål samt fra Denovium til proteinopdagelse og -design med dyb læring.

Virksomheden fokuserede på computerstøttet antistofdesign og laboratorietest. Forløb på cirka seks uger gjaldt design og test, ikke hele den kliniske udvikling eller godkendelsen.

I januar 2023 meddelte Absci, at virksomheden kunne designe nye antistoffer og validere dem i laboratoriet med en zero-shot-metode. Modellen var ikke trænet på kendte antistoffer, der binder til netop det pågældende mål. Det betyder ikke, at alle tidligere data manglede, og var ikke et bevis på klinisk effekt.

Abscis samarbejde med Merck, også kendt som MSD, omfattede op til 610 millioner dollar i mulige indledende betalinger og milepælsbetalinger for højst tre mål , hvis optioner blev udnyttet og betingelser opfyldt. Artiklen beskrev også forskningssamarbejde med Astellas og brug af Nvidias beregningsteknologi. Kontraktens maksimumbeløb var ikke straks modtaget omsætning.

Absci var tidligt i udviklingen. Teknologiske fremskridt og aftaler skulle vurderes sammen med kliniske resultater, omkostninger og kapitalbehov, ikke som garantier for en vellykket investering.

5. e-therapeutics plc

e-therapeutics kombinerede beregningsbiologi med behandlinger baseret på RNA-interferens, RNAi. De skal mindske bestemte geners udtryk ved at påvirke RNA; der er ikke tale om redigering af DNA.

Virksomheden havde også forskningssamarbejder, blandt andet med Novo Nordisk. Samarbejdsindtægter er ikke det samme som salg af godkendte lægemidler.

For halvåret frem til 31. juli 2022 rapporterede virksomheden en omsætning på 0,3 millioner pund, et underskud efter skat på 3,8 millioner pund og likvider på 21,8 millioner pund. Den var altså ikke helt uden omsætning. Den 30. september 2022 blev en kapitalrejsning på 13,5 millioner pund før omkostninger offentliggjort. Finansiering er hverken omsætning eller overskud. Handlen på AIM ophørte i maj 2024.

Likviditet, udgifter, aktionærrettigheder og lægemiddelkandidaternes udvikling er vigtige ved vurderingen. En tidligere børsnotering garanterer ikke, at aktien kan købes eller sælges i dag.

Vurdering af investeringer i beregningsbiologi

Området forener to komplekse felter: AI og bioteknologi. Kendskab til det ene er ikke alene nok til at vurdere det andet.

Flere virksomheder arbejder med lignende anvendelser, eksempelvis små molekyler og antistoffer, og kan dele videnskabelige og økonomiske risici.

Spredning kan mindske afhængigheden af én virksomhed, men fjerner ikke brancherisikoen. Den oprindelige artikel henviste til en prognose om hurtig markedsvækst mellem 2022 og 2027. Det var et skøn baseret på antagelser, ikke allerede opnået vækst eller et løfte om afkast.

Datakvalitet, omkostninger, kliniske fremskridt og kommerciel anvendelighed er centrale, når modeller vurderes. Teknologiske løfter er ikke tilstrækkelige i sig selv.