Η MRSA γίνεται ολοένα και πιο συχνή σε ρυθμίσεις υγειονομικής περίθαλψης – Μόλις η AI παρείχε ένα εργαλείο για να αντιδράσουμε;

Η Πρώτη Ιατρική Επανάσταση

Μέχρι την εφεύρεση της πενικιλίνης, του πρώτου αντιβιοτικού, μια απλή λοίμωξη του πνεύμονα ή ακόμη και μια μικρή κοπή θα μπορούσαν να αποδειχθούν θανάσιμες. Αυτό ήταν απλώς ένα γεγονός της ζωής με το οποίο οι άνθρωποι ζούσαν (και πεθαίνουν).

Για πολύ καιρό, νέες κατηγορίες αντιβιοτικών ανακαλύπτονταν τακτικά, διασφαλίζοντας ότι η απειλή των βακτηριακών λοιμώξεων παραμένει υπό έλεγχο. Πρόσφατα, η εμφάνιση βακτηρίων ανθεκτικών στα αντιβιοτικά έχει θέσει υπό αμφισβήτηση αν αυτό μπορεί να παραμείνει αληθές για πολύ περισσότερο.

Η αντιμικροβιακή αντοχή (AMR) προκάλεσε άμεσα 1,27 εκατομμύρια θανάτους το 2019, με 1 στα 5 θύματα να είναι παιδί κάτω των 5 ετών. Και 4,95 εκατομμύρια άνθρωποι που πέθαναν το 2019 υπέφεραν από λοιμώξεις ανθεκτικές σε φάρμακα, όπως λοιμώξεις του κατώτερου αναπνευστικού, του αίματος και ενδοκοιλιακές λοιμώξεις.

Αυτό είναι ιδιαίτερα προβληματικό στα νοσοκομεία, όπου η υψηλότερη χρήση αντιβιοτικών και τα πιο αδύναμα ανοσοποιητικά συστήματα καθιστούν την ανθεκτικότητα στα αντιβιοτικά κύρια αιτία λοιμώξεων και θανάτων.

Στον αγώνα όπλων μεταξύ νέων αντιβιοτικών και αντιμικροβιακής αντοχής, τα βακτήρια κερδίζουν. Η πιο πρόσφατη ανακάλυψη νέας κατηγορίας αντιβιοτικού που έφτασε στην αγορά ήταν το 1987. Συνολικά, η παραδοσιακή προσέγγιση του τυφλού ελέγχου δεκάδων χιλιάδων χημικών για αντιβιοτική δυνατότητα δεν λειτουργεί πια.

Πηγή: ReAct Group

MRSA – Η Επικείμενη Καταστροφή στην Υγειονομική Περίθαλψη

Το Staphylococcus aureus είναι ένα βακτήριο που ζει στο δέρμα. Το μεθυσιλίνη-ανθεκτικό Staphylococcus aureus (MRSA) είναι βακτήρια ανθεκτικά σε κοινά αντιβιοτικά όπως η μεθυσιλίνη, συχνά συνδυασμένα με αντοχή σε άλλες θεραπείες/αντιβιοτικά.

Οι περισσότερες λοιμώξεις MRSA συμβαίνουν σε νοσοκομεία ή ρυθμίσεις υγειονομικής περίθαλψης, για παράδειγμα, κέντρα αιμοκάθαρσης ή γηροκομεία. Μπορεί επίσης να μεταδοθεί από επαφή δέρμα-σε-δέρμα.

Λόγω της παρουσίας του στο δέρμα, το Staphylococcus aureus είναι πιθανός υποψήφιος για να προκαλέσει λοιμώξεις μετά από χειρουργική επέμβαση ή ανοιχτές πληγές.

Οι λοιμώξεις MRSA σκοτώνουν πάνω από 10.000 άτομα ετησίως, μόνο στις ΗΠΑ, με πάνω από 80.000 λοιμώξεις. Οι στελέχη MRSA έχουν επίσης αρχίσει να γίνονται ανθεκτικά στη βανκομυκίνη, ένα από τα τελευταία αποτελεσματικά αντιβιοτικά που είναι διαθέσιμα εναντίον του.

Αυτό διευρύνει το φάσμα της ευρέως διαδεδομένης ακατάσχετης MRSA και την επιστροφή στην προ-αντιβιοτική εποχή των κοινών θανατηφόρων βακτηριακών λοιμώξεων.

AI Στην Υποστήριξη

Αν ο τυφλός έλεγχος χιλιάδων υποψηφίων για νέα αντιβιοτικά δεν λειτουργεί πια, τι γίνεται με τον έξυπνο έλεγχο εκατομμυρίων υποψηφίων; Αυτό είναι το έργο των ερευνητών του MIT υπό την ηγεσία του ερευνητή James Collins.

Οι ερευνητές του MIT χρησιμοποιούν ένα μοντέλο AI βαθιάς μάθησης για να προβλέψουν ποιες χημικές μόρια θα μπορούσαν να έχουν αντιβακτηριακή δραστηριότητα.

Αρχικά, δίδαξαν στο μοντέλο AI ποια χημικά μοτίβα είναι γνωστά για αντιβακτηριακή δραστηριότητα. Στη συνέχεια, το AI μπορεί να ελέγξει εκατομμύρια πιθανά μόρια για παρόμοια δυνατότητα.

Για αυτό, ο ερευνητής πρώτα έπειρα τη αντιβιοτική δραστηριότητα 39.000 μορίων εναντίον MRSA και παρουσίασε το αποτέλεσμα στο AI, το οποίο το χρησιμοποίησε για να μάθει τι λειτουργεί.

Στη συνέχεια ανέπτυξαν μια μέθοδο που ονομάζεται ‘Monte Carlo tree search’ για να κάνουν τα αποτελέσματα του AI πιο κατανοητά για τους ερευνητές, δείχνοντας ποιο υποτμήμα του πιθανού νέου αντιβιοτικού μορίου αναμένεται να είναι υπεύθυνο για το ιατρικό αποτέλεσμα.

Συνεργασία AI

Δεν αρκεί να βρεθεί τι μπορεί να σκοτώσει τα επιβλαβή βακτήρια. Είναι επίσης σημαντικό να ελεγχθεί ότι οι χημικές ενώσεις είναι ασφαλείς για τους ασθενείς.

Ακολουθώντας την ίδια αρχή όπως στην ανακάλυψη αντιβιοτικών, οι ερευνητές εκπαιδεύσαν επίσης 3 διαφορετικά μοντέλα βαθιάς μάθησης για να προβλέψουν την τοξικότητα σε 3 τύπους ανθρώπινων κυττάρων.

Τα αποτελέσματα των ευρημάτων θα συνδυαστούν με αυτά του AI εστιασμένου στο MRSA, προκειμένου να βρεθούν ενώσεις που είναι καλές υποψήφιες τόσο για αντιβιοτική δραστηριότητα όσο και για ασφαλή προφίλ.

Αυτό δείχνει καλά πώς η ανακάλυψη φαρμάκων με AI δεν εξαρτάται μόνο από τους ανθρώπους που καθοδηγούν το AI, αλλά όλο και περισσότερο από το AI που «συνομιλεί» μεταξύ τους και συνεργάζεται.

Εντυπωσιακά Αποτελέσματα

Οι ερευνητές του MIT ανέλυσαν όχι λιγότερα από 12 εκατομμύρια χημικές ενώσεις. Σημαντικό είναι ότι όλες αυτές οι 12 εκατομμύρια ενώσεις ήταν εμπορικά διαθέσιμες, καθιστώντας πιο εύκολη την εμπορευματοποίηση τους ως νέα αντιβιοτικά, καθώς η αλυσίδα εφοδιασμού για την παραγωγή τους είναι ήδη σε θέση.

Με τη βοήθεια του AI, δημιουργήθηκε μια σύντομη λίστα υποψηφίων, 280 ενώσεων. Δοκιμάστηκαν εναντίον MRSA, και 2 ενώσεις της ίδιας κατηγορίας έδειξαν μείωση του MRSA κατά παράγοντα 10. Τα αντιβιοτικά λειτουργούν διαταράσσοντας το ηλεκτροχημικό δυναμικό της κυτταρικής μεμβράνης των βακτηρίων.

Αυτή είναι μια νέα επιτυχία για την ερευνητική ομάδα, η οποία είχε προηγουμένως βρει 2 νέα δυνητικά αντιβιοτικά (αλλά μη χρήσιμα εναντίον MRSA), halicin και aubicin.

Τι Σημαίνει για τις Μελλοντικές Ανακαλύψεις Φαρμάκων

Από τη Φαρμακοβιομηχανία στη Βιοτεχνολογία Πίσω στη Φαρμακοβιομηχανία;

Η ανακάλυψη φαρμάκων ήταν πάντα στον πυρήνα των μοντέλων των φαρμακευτικών εταιρειών. Αυτό αποτελεί ζωτικό μέρος της επιχείρησης, καθώς λήγουν οι πατέντες και χρειάζονται νέα αποκλειστικά φάρμακα για να διατηρείται η ροή χρημάτων και να χρηματοδοτείται περαιτέρω R&D και ιατρική πρόοδο.

Δυστυχώς, η προσέγγιση του ελέγχου του φυσικού κόσμου και των τεχνητών μορίων για νέα ενεργά συστατικά έχει κάπως σταματήσει.

Αυτή ήταν η κινητήρια δύναμη για την άνοδο των βιοτεχνολογικών εταιρειών, οι οποίες χρησιμοποιούν βιολογικά μόρια όπως αντισώματα αντί για χημικά. Και γιατί οι «παραδοσιακές» φαρμακευτικές εταιρείες έχουν αναγκαστεί να εξαγοράζουν νεοσύστατες βιοτεχνολογικές εταιρείες, μετατρέποντας πολλές σε περισσότερες «μηχανές μάρκετινγκ» αντί για τις επιχειρήσεις που βασίζονται στην Έ&σ;Δ που ήταν παλιότερα.

Εάν η χημική ανακάλυψη φαρμάκων γίνει πιο επιτυχημένη, ίσως δούμε περισσότερες φαρμακευτικές εταιρείες να επιστρέψουν σε μεγαλύτερη δαπάνη για Έ&σ;Δ και λιγότερη σε εξαγορές βιοτεχνολογίας.

Αυτό θα μπορούσε να έχει μακροπρόθεσμες συνέπειες για τη βιομηχανία, συμπεριλαμβανομένων:

• Μια επιστροφή στην ανάπτυξη για καινοτόμες φαρμακευτικές εταιρείες.
• Η δυνατότητα χαμηλότερων προσφορών για νεοσύστατες βιοτεχνολογικές εταιρείες.
• Η δυνατότητα ανακάλυψης νέων «blockbuster» χημικών φαρμάκων για ασθένειες που αντιμετωπίζονται ελλιπώς.

Η Συγχώνευση Τεχνολογίας & Φαρμακοβιομηχανίας

Ένα άλλο αποτέλεσμα της επιτυχημένης ανακάλυψης φαρμάκων με AI είναι ότι η διαδικασία γίνεται λιγότερο σχετική με την ιατρική και τη χημεία και περισσότερο με τα δεδομένα και τα νευρωνικά δίκτυα.

Αυτό ανοίγει το πεδίο για βαθύτερες σχέσεις μεταξύ εταιρειών τεχνολογίας και φαρμακευτικών εταιρειών. Πιθανώς, το AI για την ανακάλυψη φαρμάκων θα μπορούσε να γίνει τόσο μετασχηματιστικό για τη βιομηχανία όσο η εμφάνιση της βιοτεχνολογίας τη δεκαετία του 1980.

Θα μπορούσαμε επίσης να δούμε την εμφάνιση νέων κοινοπραξιών μεταξύ φαρμακευτικών και γιγάντων AI. Για παράδειγμα, μια εταιρεία ανακάλυψης φαρμάκων που είναι συνιδιοκτησία γιγάντων όπως η Pfizer (PFE ) ή η Novartis από τη φαρμακευτική πλευρά και η Google ή η Microsoft (MSFT ) από την πλευρά του AI.

Εάν η ανακάλυψη φαρμάκων με AI αποδειχθεί ένας από τους κύριους κερδοφόρους κέντρους του AI, θα μπορούσαμε επίσης να δούμε εταιρείες τεχνολογίας να εξαγοράζουν φαρμακευτικές εταιρείες.

Η Δύναμη των Δεδομένων

Τα AI δημιουργούνται χάρη σε τεράστιες θησαυροφυλακές δεδομένων. Η έρευνα του MIT δεν αποτέλεσε εξαίρεση και βασίστηκε κυρίως στη βάση δεδομένων Mcule. Ο τομέας των ψηφιακών παρόχων δεδομένων για την ανακάλυψη φαρμάκων βρίσκεται ακόμη στα αρχικά του στάδια και κυριαρχείται από μη κερδοσκοπικούς οργανισμούς και ιδιωτικές νεοσύστατες εταιρείες.

Μακροπρόθεσμα, πιθανότατα θα δούμε μια ενοποίηση της βιομηχανίας και ίσως την εμφάνιση μερικών βασικών παρόχων που θα εισαχθούν στο χρηματιστήριο (IPO).

Πρόβλεψη Τοξικότητας “In-silico”

Ένα τελευταίο αποτέλεσμα της ανακάλυψης του MIT είναι η επανεξέταση του τρόπου πρόβλεψης της χημικής τοξικότητας και των επιτυχιών των κλινικών δοκιμών.

Μέχρι πρόσφατα, η ανθρώπινη εμπειρία & η διαίσθηση και τα ζωικά & in vitro μοντέλα ήταν οι κύριες μέθοδοι αξιολόγησης των κινδύνων που σχετίζονται με ένα νέο μόριο.

Η βαθιά μάθηση AI θα μπορούσε να βοηθήσει όχι μόνο στην εύρεση νέας κατηγορίας αντιβιοτικών αλλά και στην πρόβλεψη ποιοι υποψήφιοι είναι πιθανό να είναι μη τοξικοί. Αυτό ανοίγει τη δυνατότητα χρήσης AI για τη μείωση του αριθμού των φαρμάκων που αποτυγχάνουν στη φάση I των κλινικών δοκιμών, η οποία σχεδιάστηκε για να ελέγχει την τοξικότητα στους ανθρώπους.

Περίπου το 35% των χημικών υποψηφίων αποτυγχάνουν στη φάση I των κλινικών δοκιμών. Η μείωση αυτού του αριθμού θα επιταχύνει την ανάπτυξη φαρμάκων και θα μειώσει το μέσο κόστος Έ&σ;Δ.

Πηγή: Duxin Sun et al

Κορυφαίες 3 Εταιρείες που Ωφελούνται από την AI στην Ανακάλυψη Φαρμάκων

Αυτή η ανακάλυψη του MIT χρηματοδοτήθηκε από ιδρύματα, μη κερδοσκοπικούς οργανισμούς και δημόσια χρηματοδότηση. Ωστόσο, οι επενδυτές μπορούν να εκτεθούν στην ανακάλυψη φαρμάκων με AI μέσω αρκετών εισηγμένων μετοχών.

Γενικά, οι εταιρείες σε ψηφιακά και AI συστήματα για την ανακάλυψη φαρμάκων μπορούν να οργανωθούν σε δύο κλίμακες:

1. Υπολογιστική έναντι ενσωμάτωσης υγρών (βιολογικών) δεδομένων.
2. Στάδιο ανάπτυξης, συνεργασίες και υπολογιστικοί/δεδομενοί πόροι.

Πηγή: Recursion

(Οι εταιρείες σε αυτή τη λίστα θα χρησιμοποιήσουν εργαλεία AI, όπως, για παράδειγμα, υλικό NVIDIA (NVDA ). Ωστόσο, εστιάζουμε εδώ σε καθαρά εταιρείες ανακάλυψης φαρμάκων και όχι σε AI γενικά).

1. Schrödinger, Inc.

SDGR Διάγραμμα τιμής

Η εταιρεία εξειδικεύεται σε μοντέλα βασισμένα στη φυσική για να βρει το καλύτερο δυνατό μόριο για έναν συγκεκριμένο στόχο, εξισορροπώντας συγκρουόμενα μετρικά όπως η ισχύς, η διαλυτότητα, η ημιζωή, η συνθεσιμότητα κ.λπ.

Χρησιμοποιεί επίσης μηχανική μάθηση, αλλά η προσθήκη ενός μοντέλου βασισμένου στη φυσική του επιτρέπει να δοκιμαστεί σε εντελώς νέους τομείς για τους οποίους δεν υπάρχει σύνολο δεδομένων για «εκπαίδευση» του AI. Αυτό επιτρέπει στη Schrödinger (SDGR ) να περάσει από 1 δισεκατομμύριο πιθανά μόρια σε μόλις 8 στερεούς υποψήφιους σε λίγες ημέρες, αποκλειστικά μέσω ψηφιακού υπολογισμού.

Πηγή: Schrodinger

Η Schrödinger υπέγραψε με τη Bayer μια 5ετή συμφωνία συνεργασίας το 2020 για έσοδα 10 εκατομμυρίων δολαρίων. Η ιδέα της συμφωνίας είναι η χρήση της τεχνολογίας Schrödinger μαζί με τα μοντέλα πρόβλεψης in-silico της Bayer.

Μια πρόσφατη συνεργασία είναι με τη Lilly το 2022, με συνολικές πληρωμές ορόσημων έως 425 εκατομμύρια δολάρια για επιτυχημένη ανακάλυψη.

Προηγούμενες συνεργασίες περιλάμβαναν τις Takeda, Sanofi (SNW.DE ) (SNY ) Bristol Myers Squibb και άλλες μικρότερες φαρμακευτικές εταιρείες.

Συνολικά, η Schrödinger δημιουργεί ένα αυξανόμενο χαρτοφυλάκιο, συμπεριλαμβανομένων όλο και περισσότερων ιδιόκτητων και πλήρως ιδιοκτησιακών μορίων. Αυτή τη στιγμή έχει 8 προϊόντα στην ιδιόκτητη γραμμή παραγωγής, με 2 στη φάση I των κλινικών δοκιμών. Και 23 προϊόντα σε προγράμματα συνεργασίας, με 5 στη φάση I και 3 στη φάση II των κλινικών δοκιμών.

Πηγή: Schrodinger

Παρόλο που δεν έχει έσοδα προ-εσόδων, η εταιρεία δεν είναι ακόμη κερδοφόρα, εστιάζοντας στην επέκταση και τις δαπάνες Έ&σ;Δ για τη βελτίωση της τεχνολογίας της. Δεν θα πρέπει να αποτελεί σοβαρό πρόβλημα βραχυπρόθεσμα, καθώς η εταιρεία διαθέτει αρκετά χρόνια λειτουργίας σε μετρητά στον ισολογισμό της.

Επίσης, εξετάζει την επέκταση σε νέες τομείς πέρα από την ανακάλυψη φαρμάκων, όπως σύνθετα βιοφαρμακευτικά ή ακόμη και υλικά όπως χημικά, μπαταρίες ή πολυμερή.

Πηγή: Schrodinger

Οι επενδυτές θα θέλουν να παρακολουθούν τις νέες συνεργασίες, καθώς θα αντικατοπτρίζουν τις προόδους της τεχνολογίας της Schrödinger, όπως αξιολογείται από τους ηγέτες της βιομηχανίας, καθώς και την πιθανή επιτυχία στην επέκταση της βασικής τεχνολογίας σε νέες αγορές.

2. Exscientia

Η εταιρεία χρησιμοποιεί AI για την ανάπτυξη ακριβών θεραπειών.

Λειτουργεί μια τεχνολογία AI «full stack» για την ανακάλυψη φαρμάκων με εξειδικευμένο λογισμικό σε κάθε στάδιο της διαδικασίας ανακάλυψης φαρμάκων.

Πηγή: Exscientia

Αντί να εξετάζει υπάρχουσες ενώσεις, η Precision Design AI της Exscientia σχεδιάζει προσαρμοσμένα μόρια για να ταιριάζουν με τον στόχο που εντοπίζει η Precision Target AI.

Η τεχνολογία της Exscientia μειώνει το 70% του χρόνου που απαιτείται για τη μετάβαση από βιολογικό στόχο στην εύρεση αντίστοιχου φαρμάκου και καθιστά τη διαδικασία 80% πιο αποδοτική κεφαλαιακά.

Αυτό οδήγησε σε 4 ενώσεις σε πρώιμα κλινικά στάδια, εστιάζοντας κυρίως στην ογκολογία (καρκίνο) και τις φλεγμονώδεις ασθένειες. Η εταιρεία παρουσιάζει δυνατότητα προ-εμπορικών ορόσημων αξίας 4 δισεκατομμυρίων δολαρίων.

Πηγή: Exscientia

Η εταιρεία μόλις αρχίζει να καταγράφει έσοδα, αλλά διαθέτει μακρά εφεδρεία μετρητών που καλύπτει αρκετά χρόνια δαπανών στον ισολογισμό της.

Καθώς βρίσκεται στη διασταύρωση μεταξύ AI-ανακάλυψης φαρμάκων και ακριβούς θεραπείας, η Exscientia στοχεύει σε δύο από τα πιο μετασχηματιστικά πεδία της ιατρικής επιστήμης. Βάσει της καθιερωμένης συνεργασίας με τις Merck, Sanofi και BMI, άλλες καθιερωμένες φαρμακευτικές εταιρείες επίσης θεωρούν ότι η πλατφόρμα έχει μεγάλο δυναμικό.

3. Recursion Pharmaceuticals, Inc

RXRX Διάγραμμα τιμής

Όσο περισσότεροι AI εμπλέκονται στην ανακάλυψη και ανάπτυξη φαρμάκων, τόσο πιο πολύτιμα γίνονται τα δεδομένα για την εκπαίδευση των AI.

Η βιολογία είναι ένας εξαιρετικά πολύπλοκος τομέας, με ενσωματωμένα και επαληθευμένα δεδομένα που μερικές φορές λείπουν. Αυτό αποτελεί σοβαρό πρόβλημα όταν οποιοδήποτε σφάλμα δημιουργεί μεροληψία, περιορισμούς και σφάλματα στο AI, τα οποία μπορεί να χρειαστεί να εκπαιδευτούν ξανά από την αρχή.

Ένα άλλο ζήτημα είναι η τεράστια ποσότητα δεδομένων που απαιτείται, πολύ πέρα από τη δυνατότητα των ανθρώπων να τα δημιουργήσουν και να τα οργανώσουν χειροκίνητα.

Για να αντιμετωπίσει αυτούς τους περιορισμούς, η Recursion έχει δημιουργήσει την πλατφόρμα της, με αποστολή το «μετατροπή της ανακάλυψης φαρμάκων σε πρόβλημα αναζήτησης». Συνδυάζει ξηρό εργαστήριο (in silico) και υγρό εργαστήριο (βιολογικά δείγματα) με:

• Μια βιβλιοθήκη 1,7 εκατομμυρίων μικρών μορίων.
• Κυτταρικοί πολιτισμοί, επεξεργασία γονιδίων CRISPR, διαλυτοί παράγοντες, ζωντανά ιούς κ.λπ.
• Μια αυτοματοποιημένη ροή εργαστηρίου ρομποτικής που επιτρέπει έως 2,2 εκατομμύρια πειράματα κάθε εβδομάδα.
• Μικροσκόπια υψηλής απόδοσης και συστήματα αλληλούχισης.
• Συνεχείς ροές βίντεο από κάμερες, καταγράφοντας ολιστικές μετρήσεις των συμπεριφορών των ζώων.
• Προηγμένοι υπολογιστικοί πόροι, που έχουν δημιουργήσει >21 πεταμπάιτ ιδιόκτητων υψηλής διάστασης δεδομένων.
• Δεδομένα ADMET (απορρόφηση, διανομή, μεταβολισμός, απέκκριση και τοξικολογία).

Αυτό δημιουργεί μοναδικά (και τεράστια) σύνολα δεδομένων πρωτεομικής (επίπεδα πρωτεϊνών), μεταγραφομικής (επίπεδα mRNA), φαινομικής (κυτταρική μορφολογία), ADMET και «in‑vivonomics» (συμπεριφορές ζώων). Η εταιρεία επίσης σκοπεύει να προσθέσει μεταβολομική και γονιδιωματική στα σύνολα δεδομένων της στο μέλλον.

Αυτό το πλούτο δεδομένων επιτρέπει ένα ευρύτερο φάσμα υποψηφίων σε πρώιμο στάδιο, αλλά ένα στενότερο χωνί προχωρώντας. Θα πρέπει επίσης να επιταχύνει την ανάπτυξη υποψηφίων φαρμάκων υψηλής δυναμικής.

Πηγή: Recursion

Το δυναμικό αυτής της προσέγγισης δεν περνά απαρατήρητο από τους φαρμακευτικούς γιγάντες, με προοδευτικές συνεργασίες στην Ινίδωση (Bayer) και τη Νευροεπιστήμη (Roche‑Genentech).

Η εταιρεία έχει επίσης λάβει επένδυση 50 εκατομμυρίων δολαρίων από τη NVIDIA τον Ιούλιο 2023, τον νέο γίγαντα του υλικού υπολογιστών AI. Αυτό συνέβη αμέσως μετά την απόκτηση από τη Recursion τον Μάιο 2023 των προκλινικών startups εστιασμένων στη χημεία φαρμάκων, Cyclica και Valance, συνολικού ύψους 87,5 εκατομμυρίων δολαρίων.

Συνολικά, η εταιρεία στοχεύει σε 13 δισεκατομμύρια δολάρια σε πιθανά ορόσημα σε πάνω από 50 πιθανά προγράμματα συν royalties.

Οι συνεργασίες με τεχνολογικές (NVIDIA) και φαρμακευτικές (Bayer, Roche) εταιρείες, καθώς και οι εξαγορές μικρότερων AI‑φάρμακο startups, θα μπορούσαν να υποδεικνύουν ότι η Recursion μετατρέπεται σε κεντρικό άξονα της βιομηχανίας και σε πιθανό σειριακό αγοραστή, με στόχο να γίνει μία από τις πρώτες εταιρείες που θα κλιμακώσει τα βιολογικά δεδομένα σε προηγουμένως αξεπέραστη κλίμακα.