Tekoäly

Tekoälyavusteinen lääkeainetutkimus käynnistää bioteknologia-alan yritysjärjestelyjen supersyklin

mm
Julkaistu
Päivitetty
Lisää Securities.io suosikkilähteisiisi Google-palvelussa
Ilmoitus: Securities.io voi saada korvauksen, kun käytät arvioimiemme tuotteiden linkkejä. Tämä ei vaikuta toimituksellisiin arvioihimme. Emme ole rekisteröity sijoitusneuvoja; tämä ei ole sijoitusneuvontaa. Lue kumppanuusilmoituksemme.

Tekoälyvetoisen bioteknologian uusi aikakausi

Lääketeollisuus rakentui alun perin kemianteollisuuden osaamiselle. Kemianteollisuus alkoi tuottaa yhä hyödyllisempiä aineita myös lääketieteelliseen käyttöön. Aluksi kyse oli pääasiassa luonnon yhdisteiden eristämisestä ja puhdistamisesta: esimerkkejä ovat pajunkuoreen liittyvä aspiriinin kehityshistoria ja trooppisesta puusta saatava kiniini.

Myöhemmin alettiin luoda kokonaan uusia, luonnossa esiintymättömiä yhdisteitä ja kehittää niistä lääkkeitä. Tämän lähestymistavan tuloksellisuus on kuitenkin heikentynyt viime vuosikymmeninä.

Helpoimmin valmistettavat tai löydettävät yhdisteet on jo löydetty, eivätkä muut molekyylit usein ole riittävän hyviä: ne voivat olla liian epävakaita, liian myrkyllisiä tai liian vaikeita valmistaa.

Siksi lääketeollisuus on kääntynyt bioteknologian puoleen, jossa biologisia molekyylejä, kuten hormoneja, proteiineja, DNA:ta ja RNA:ta, hyödynnetään lääkkeinä. Näin on saatu aikaan keinotekoisesti tuotettua insuliinia, monoklonaalisia vasta-ainehoitoja, geeniterapioita ja monia muita merkittäviä edistysaskelia.

Myös tällä alueella kehitys on kuitenkin alkanut hidastua, kun helpoimmat mahdollisuudet on hyödynnetty. Useimmat aktiiviset biologiset aineet on jo tunnistettu. Jäljellä olevien, hoitoihin yhä huonosti reagoivien sairauksien hoitaminen edellyttää monimutkaisempien ja vaikeammin selvitettävien biologisten mekanismien ymmärtämistä.

Tämä on suuri ongelma suurille lääkeyhtiöille. Monien niiden kemiallisiin yhdisteisiin perustuvien hoitojen patenttisuoja on jo päättynyt tai päättymässä pian, eikä pelkkä bioteknologiayritysten ostaminen tai kumppanuuksien solmiminen enää riitä.

Näiden yhtiöiden on hankittava innovaatioita nopeasti, eivätkä aiemmin toimineet keinot enää ole riittäviä.

Tämä johtuu pitkälti biologian valtavasta monimutkaisuudesta: jo yhden ihmissolun kaikkien osien tarkka kuvaus olisi yksittäiselle ihmiselle lähes mahdoton hahmottaa. Tätä havainnollisti muutama vuosi sitten laajalle levinnyt tietokoneella tuotettu kuva yhden solun komponenteista.

Tietokoneella tuotettu kuva ihmissolun monimutkaisesta rakenteesta

Lähde: Newsweek

Onneksi tekoälyn käyttöönotto biologisissa laboratorioissa synnyttää uuden bioteknologisten innovaatioiden aallon. Samanaikainen multiomiikan vallankumous tuottaa ennennäkemättömän paljon tietoa aina solunsisäiselle tasolle asti.

Tekoäly auttaa nyt ymmärtämään tätä kokonaisuutta, sillä sen kyky analysoida suuria tietoaineistoja ylittää selvästi ihmismielen kapasiteetin.

Suuntausta havainnollistaa 12. tammikuuta 2026 julkistettu kumppanuus, jonka osapuolet ovat Nvidia (NVDA ) ja Eli Lilly (LLY ). Ne aikovat investoida yhdessä enintään miljardi dollaria viidessä vuodessa tekoälyavusteisen lääkeainetutkimuksen infrastruktuuriin ja tutkimukseen.

Digitaalisen biologian aikakausi

Digitaalinen biologia muuttaa sitä, missä lääkeainetutkimuksen vaiheissa kuluu aikaa ja rahaa ja missä epäonnistumisen riskit syntyvät. Yhä enemmän tutkimusta ja optimointia siirtyy laskennalliseen ympäristöön ennen kalleimman kokeellisen laboratoriotyön aloittamista.

Taulukko: miten tekoäly muuttaa lääkeainetutkimuksen taloutta ja arvon jakautumista

Vieritä sivusuunnassa pyyhkäisemällä →

Tutkimusvaihe Perinteinen pullonkaula Tekoälyn ja digitaalisen biologian tuoma muutos Taloudellinen vaikutus Keskeiset hyödynsaajat
Hoitokohteen tunnistaminen Niukat tai kohinaiset biologiset signaalit; hidas hypoteesien muodostus ja arviointi Multiomiikka ja koneoppiminen priorisoivat syy-seuraussuhteisiin liittyviä reittejä ja biomarkkereita sekä asettavat hypoteesit nopeasti tärkeysjärjestykseen Enemmän lupaavia tutkimusmahdollisuuksia ja vähemmän umpikujaan johtavia hankkeita Runsaasti dataa hallitsevat lääkeyhtiöt ja omien, ainutlaatuisten tietoaineistojen omistajat
Aktiivisten yhdisteiden löytäminen Kokeellinen laboratorioseulonta on kallista, ja sen tutkimuskapasiteetti on rajallinen Laskennallinen seulonta tutkii laajempaa kemiallisten vaihtoehtojen joukkoa ennen yhdisteiden syntetisointia Pienempi kustannus löydettyä aktiivista yhdistettä kohti ja nopeammat kehityskierrokset Laskenta- ja mallialustat sekä laboratorioautomaation toimittajat
Johtoyhdisteen optimointi Imeytymiseen, jakautumiseen, aineenvaihduntaan, erittymiseen tai toksisuuteen liittyvät myöhäiset epäonnistumiset; hidas lääkekemiallinen kehitys Generatiiviset mallit ehdottavat tehon, valikoivuuden ja kehityskelpoisuuden suhteen optimoituja ehdokkaita Vähemmän uudelleensuunnittelua ja parempi kehityskelpoisuus jo alussa Teknologioita yhdistävät lääkeyhtiöt, joilla on vahva kyky viedä tutkimuslöydökset kohti kliinistä käyttöä
Prekliininen validointi Eläinmallit eivät vastaa ihmisen biologiaa; hidas validointi ja suuri vaihtelu Parempi biomarkkerien valinta ja ihmisen biologiaa vastaavat mallit; automatisoidut, suuren kapasiteetin määritykset Laadukkaampi tutkimusnäyttö siirryttäessä IND-hakemusta tukeviin tutkimuksiin Automaatiojärjestelmät, määritysalustat ja tekoälytyökaluja käyttävät sopimustutkimusorganisaatiot
Tutkimustulosten siirtäminen kliiniseen käyttöön Potilaiden vaihtelevat hoitovasteet; puutteellinen ryhmittely lisää epäonnistumisia Multiomiikkaan perustuva ryhmittely tunnistaa hoitoon reagoivat alaryhmät ja tutkimusten päätetapahtumat aiemmin Tehokkaammat kliiniset tutkimukset; hoitovaikutus ei peity yhtä helposti ryhmien väliseen vaihteluun Lääkkeiden oikeudenhaltijat eli lääke- ja bioteknologiayhtiöt, joilla on kyky toteuttaa kliinisiä tutkimuksia

Multiomiikan nousu

Elävien järjestelmien valtava monimutkaisuus on johtanut multiomiikan syntyyn. Se yhdistää biologian eri omiikka-alat, ja sitä pidetään bioteknologian seuraavana kehitysvaiheena:

  • Genomiikka: solun tumassa olevan DNA:n emäsjärjestyksen analyysi.
  • Transkriptomiikka: DNA:n ohjeita välittävän lähetti-RNA:n eli mRNA:n analyysi.
  • Epigenomiikka: sellaisten perimän säätelyyn vaikuttavien muutosten tutkimus, jotka eivät muuta DNA:n emäsjärjestystä eli epigeneettisten muutosten tutkimus.
  • Proteomiikka: proteiinien analyysi, mukaan lukien niiden valmistumisen jälkeiset muutokset, kuten sokeriryhmien liittäminen proteiineihin.
  • Metabolomiikka: kemiallisten yhdisteiden ja aineenvaihdunnan analyysi.
  • Mikrobiomiikka: kaikkien elimistössä tai sen pinnalla elävien mikrobien analyysi.
  • Yksisolumultiomiikka: yksittäisten solujen multiomiikka-analyysi.
  • Spatiaalinen biologia: tiettyjen mRNA-molekyylien, proteiinien tai solujen sijainnin kolmiulotteinen analyysi.
Multiomiikan yhdistämät biologisen tiedon tasot

Lähde: Ark Research

Multiomiikan kehityksen mahdollistivat myös huomattavasti tehokkaammat analyysivälineet, kuten DNA:n sekvensointilaitteet ja spatiaalisen biologian menetelmät.

Menetelmät tuottavat kuitenkin niin valtavan tietomäärän, ettei biologien keskeinen ongelma ensimmäistä kertaa olekaan käyttökelpoisen havainnon löytäminen. Haasteena on päättää, mikä tieto on todella olennaista kulloisenkin ongelman kannalta.

Jos kaikkien maailman vastasyntyneiden perimä sekvensoitaisiin – käytäntö, joka saattaa yleistyä tulevina vuosina – tietoa syntyisi vuosittain 10 000 kertaa niin paljon kuin Llaman kaltaisen tekoälyn käyttämä tietomäärä.

Biologisten tietoaineistojen määrän vertailu kielimallien dataan

Lähde: Ark Research

Mitä digitaalinen biologia on?

Bioteknologiseen tutkimukseen on ilmestynyt uusi vaihtoehto: in silico -lähestymistapa, jossa tietokoneella simuloidaan yhtä tai useampaa virtuaalista solua.

”Vuonna 2026 sairauksien hoitokohteiden tunnistaminen perustuu laskennalliseen tutkimukseen ennen kokeellisen laboratoriovarmennuksen aloittamista.

Tämä vähentää niiden hankkeiden määrää, jotka pysähtyvät prekliinisen kehityksen aikana.”

Veronica DeFelice, biologisten lääkkeiden johtaja, Sapio Sciences

Virtuaaliset solut altistetaan mahdolliselle uudelle hoidolle, ja simulaatio laskee, miten ne reagoisivat.

Virtuaaliset solut digitaalisessa biologiassa

Lähde: Ark Research

Toinen vaihtoehto on simuloida proteiinin kolmiulotteista rakennetta, joka viime kädessä määrää sen biologisen toiminnan.

Proteiinien laskostumista mallintavat järjestelmät, kuten Googlen AlphaFold-tekoäly (GOOGL ), ovat kehittyneet jopa 500-kertaisesti vuodesta 2018.

AlphaFoldin kehitys proteiinirakenteiden mallinnuksessa

Lähde: Ark Research

Siksi laskennallisista simulaatioista tulee todennäköisesti välttämätön tekniikka useimmille lääke- ja bioteknologiayrityksille.

Toinen digitaalisen biologian muoto on edistyneen tunnistusjärjestelmän käyttö syövän merkkiaineiden löytämiseksi verinäytteestä. Se voi korvata kalliita ja tehottomampia kudosnäytteitä ja auttaa havaitsemaan mahdollisen syövän aikaisemmin.

Lisäksi automaatio, robotiikka ja tekoäly yhdistyvät laboratorioiksi, jotka voivat suorittaa kokeita ilman ihmistyötä ja tutkia miljoonia mahdollisesti hyödyllisiä molekyylejä tai yhdisteitä edullisemmin ja sata kertaa perinteisiä tutkimusmenetelmiä nopeammin.

Sijoittaminen tekoälyavusteiseen lääkeainetutkimukseen

LLY Hintakaavio

Eli Lilly lyhyesti

Eli Lilly on valtava lääkeyhtiö, joka rakensi liiketoimintansa aluksi kiniinin ja myöhemmin insuliinin varaan.

Diabeteksen hoito on säilynyt yhtiön ydinalueena. Viimeisten kolmen vuosikymmenen aikana siihen on löydetty ja hyväksytty pitkä sarja molekyylejä, muun muassa Mounjaro-nimellä markkinoitava tirtsepatidi.

2010-luvulla Eli Lilly panosti voimakkaasti myös onkologiaan eli syöpähoitoihin. Se teki alan yritysostoja ja kumppanuuksia sekä kehitti lääkkeitä itse rakentaakseen vahvan syöpälääkevalikoiman.

Tirtsepatidia on sittemmin alettu käyttää myös lihavuuden hoitoon Zepbound-nimellä, ja siitä on tullut Ozempicin suurin kilpailija. Tämä on ollut Eli Lillylle ratkaisevan tärkeää, sillä monien vanhempien lääkkeiden patenttisuoja on päättynyt. Rinnakkaislääkevalmistajat voivat nyt tuottaa niitä ja kilpailla hinnalla.

Voimakas riippuvuus yhdestä patentoidusta peptidistä ja sen mahdollisista johdannaisista on silti riskialtista eikä pitkällä aikavälillä kestävää. Kuten useimpien lääkeyhtiöiden, myös Eli Lillyn on välttämätöntä palata monipuolisempaan innovaatiotoimintaan. Monista kilpailijoistaan poiketen sillä on suunnitelma: vahva panostus tekoälyyn ja digitaaliseen biologiaan.

Eli Lillyn tekoälyavusteinen lääkeainetutkimus

Eli Lillyn suurin ja tuorein tekoälyavusteiseen lääkeainetutkimukseen liittyvä julkistus on kumppanuus Nvidian kanssa.

”NVIDIA ja Lilly yhdistävät toimialojensa parhaan osaamisen luodakseen uuden mallin lääkeainetutkimukseen. Siinä tutkijat voivat tarkastella valtavia biologisten ja kemiallisten vaihtoehtojen joukkoja laskennallisesti jo ennen yhdenkään molekyylin valmistamista.”

Jensen Huang, NVIDIA:n perustaja ja toimitusjohtaja

Suunnitelmassa yhdistetään Lillyn tekoälyagenttien ohjaamat kokeelliset laboratoriot laskennallisiin laboratorioihin. Näin tekoälyavusteista kokeellista tutkimusta voidaan tehdä ympäri vuorokauden. Kokonaisuuteen liittyy aiemmin julkistettu tekoälysupertietokone, jonka tekoälytehtaassa käytetään tuhatta NVIDIA Blackwell Ultra -grafiikkaprosessoria. Sen avulla koulutetaan suuria biolääketieteellisiä perusmalleja ja alan edistyneimpiä malleja uusien molekyylien tunnistamiseen, optimointiin ja validointiin.

”Perusmallimme avaavat kemisteillemme uusia mahdollisuuksia ja auttavat heitä löytämään atomien rakenneaiheita ja järjestyksiä, joihin perinteisillä menetelmillä ei päästy.”

Thomas Fuchs, Eli Lillyn tekoälyjohtaja

Miljardin dollarin kumppanuus on vasta lääkeyhtiön viimeisin ja suurin panostus tekoälyavusteiseen lääkeainetutkimukseen. Aiemmin se on muun muassa:

Eli Lilly on myös tehnyt yhteistyötä Benchlingin kanssa. Sen biotieteiden tutkimukseen ja kehitykseen tarkoitettu pilvipohjainen ohjelmistoalusta antaa bioteknologiastartupeille pääsyn malleihin, jotka on koulutettu Lillyn vuosikymmenten aikana keräämällä omalla tutkimusaineistolla.

TuneLab-nimisen alustan on tarkoitus auttaa Eli Lillyä tekemään yhteistyötä varhaisen vaiheen biotiedeyritysten kanssa Catalyze360-ohjelmassaan.

Kokonaisuutena nämä tekoälyavusteisen lääkeainetutkimuksen kumppanuudet ja laaja infrastruktuurin rakentaminen voivat uudistaa Eli Lillyn tutkimusputkea ja vahvistaa sen asemaa antibiooteissa, syöpälääkkeissä, harvinaissairauksissa ja lihavuuden hoidossa.

Sijoittajan näkökulma: Tekoälyavusteisen lääkeainetutkimuksen todennäköisiä voittajia ovat (1) teknologioita yhdistävät lääkeyhtiöt, joilla on pääomaa ja dataa, kuten Lilly, sekä (2) teknologia-alustojen ja työkalujen toimittajat, jotka myyvät laskentaa, laboratorioautomaatiota, tutkimusohjelmistoja ja mallinnustyökaluja. Keskeinen sijoitussignaali vuonna 2026 on sopimusten ja yrityskauppojen kiihtyvä tahti: välitavoitemaksuihin painottuvat kumppanuudet ja yritysjärjestelyt lisääntyvät, kun lääkeyhtiöt hankkivat validoituja hoitokohteita, tietoaineistoja ja automaatiokapasiteettia lyhentääkseen prekliinisiä aikatauluja ja vähentääkseen myöhäisen vaiheen epäonnistumisia.

Eli Lillyn (LLY) osakkeen uusimmat uutiset ja kehitys

mm

Jonathan on entinen biokemian tutkija, joka on työskennellyt geneettisen analyysin ja kliinisten kokeiden parissa. Hän on nyt osakeanalyytikko ja rahoituskirjoittaja, jonka keskittyminen on innovaatioihin, markkinasykleihin ja geopoliittisiin asioihin julkaisussaan 'The Eurasian Century'.