Kunstmatige intelligentie

AI-gedreven geneesmiddelenontdekking zet een biotech M&A‑supercyclus in gang

mm
Gepubliceerd op
Bijgewerkt op
Voeg Securities.io toe aan je voorkeursbronnen op Google
Toelichting: Securities.io kan een vergoeding ontvangen wanneer u links naar beoordeelde producten gebruikt. Dit beïnvloedt onze redactionele beoordelingen niet. Wij zijn geen geregistreerd beleggingsadviseur; dit is geen beleggingsadvies. Lees onze affiliateverklaring.

Het Nieuwe Tijdperk van AI‑gedreven Biotech

De farmaceutische industrie is aanvankelijk gebouwd op de kracht van de chemische industrie, die steeds nuttigere producten begon te creëren, inclusief die voor medische doeleinden. In het begin ging het vooral om het isoleren en zuiveren van natuurlijke chemische verbindingen zoals aspirine uit wilgenbast en kinine uit een tropische boom.

Daarna begon men volledig nieuwe verbindingen te maken die nooit in de natuur bestonden en ze om te zetten in medicijnen. Deze benadering is echter de afgelopen decennia begonnen te falen.

De gemakkelijkst te produceren of te ontdekken chemicaliën zijn al gevonden, en andere moleculen zijn vaak niet goed genoeg: te onstabiel, te toxisch, te moeilijk te vervaardigen, enz.

Als gevolg hiervan is de farmaceutische industrie overgestapt op biotech, die biologische moleculen zoals hormonen, eiwitten of DNA & RNA hergebruikt als medicijnen. Dit leverde kunstmatig insuline, monoklonale therapieën, gentherapieën en vele andere indrukwekkende doorbraken op.

Echter, ook hier is de vooruitgang begonnen te stagneren, omdat het “laaghangende fruit” al geplukt is: de meeste actieve biologics zijn al geïdentificeerd en bekend, waardoor de complexere, moeilijker te doorgronden biologische mechanismen om ziekten te genezen die nog steeds resistent zijn tegen behandeling, overblijven.

Dit is een ernstig probleem voor grote farmaceutische bedrijven. Niet alleen zijn veel van hun op chemie gebaseerde behandelingen buiten de patentrechten of komen daar binnenkort, maar de strategie om simpelweg biotech‑startups te kopen of mee samen te werken is niet langer voldoende.

Deze bedrijven moeten innovatie snel kopen, en wat eerder werkte, is nu niet meer toereikend.

Voor een groot deel komt dit doordat een ware representatie van een enkele menselijke cel bijna onbegrijpelijk complex zou zijn voor één persoon, zoals geïllustreerd door een door computer gegenereerde afbeelding van alle componenten van een enkele menselijke cel die een paar jaar geleden viraal ging.

Bron: Newsweek

Gelukkig komt een nieuwe golf van biotech‑innovatie voort uit de inzet van AI in biolabs. Dit gaat samen met een revolutie in de data die beschikbaar is vanuit de zogenaamde “multiomics‑revolutie”, die een ongekende hoeveelheid data genereert tot op intracellulair niveau.

En AI, met zijn capaciteit om enorme datasets te analyseren ver buiten het bereik van een menselijk brein, helpt nu om er allemaal zin in te geven.

Illustratief voor deze trend is de samenwerking aangekondigd op 12 januarith, 2026, tussen Nvidia (NVDA ) en Eli Lilly (LLY ), die gezamenlijk tot $1 billion over vijf jaar in infrastructuur en onderzoek voor AI‑geneesmiddelenontdekking zullen investeren.

Het Tijdperk van Digitale Biologie

Digitale biologie verandert waar tijd, kosten en faalrisico zich opstapelen in de pijplijn van geneesmiddelenontdekking — en verschuift meer verkenning en optimalisatie naar computationele methoden voordat het duurste nat‑lab‑werk begint.

Grafiek: Hoe AI de economie van geneesmiddelenontdekking verandert (Waar waarde ontstaat)

Veeg om te scrollen →

Ontdekkingsfase Traditionele knelpunt AI / Digitale Biologie Verschuiving Economische impact Primaire waardevastlegging
Doelidentificatie Schaars of ruisachtig biologische signalen; trage hypothesecycli Multiomics + ML prioriteren causale paden en biomarkers; snelle hypothese ranking Meer pogingen met minder doodlopende programma’s Data‑rijke farmaceutica en eigenaren van propriëtaire datasets
Hit Ontdekking Wetlab‑screening is duur en beperkt door doorvoersnelheid In‑silico screening verkent grotere chemische ruimte vóór synthese Lagere kosten per hit; snellere iteratielussen Compute + modelplatforms; leveranciers van laboratoriumautomatisering
Leadoptimalisatie ADME/tox‑falen laat in de cyclus; trage medicinale chemie‑lussen Generatieve modellen stellen kandidaten voor die geoptimaliseerd zijn voor potentie, selectiviteit en ontwikkelbaarheid Minder herontwerpcycli; betere ontwikkelbaarheid vanaf het begin Farmaceutische integrators met sterke translationele pijplijnen
Preklinische Validatie Diermodellen komen niet overeen met menselijke biologie; trage validatie en hoge variantie Betere biomarkerselectie + mensgerichte modellen; geautomatiseerde, high‑throughput assays Hogere signaalkwaliteit bij IND‑geschikte werkzaamheden Automatiseringsstacks en assayplatforms; CRO’s met AI‑tooling
Klinische Translatie Heterogene patiëntrespons; slechte stratificatie verhoogt faalpercentages Multiomische stratificatie identificeert responder‑subgroepen en trial‑endpoints eerder Betere trial‑efficiëntie; minder verdunning van effectiviteit Medicijnbezitters (farmaceutica/biotech) met klinische uitvoering

De Opkomst van Multiomics

De enorme complexiteit van levende systemen heeft geleid tot de opkomst van multiomics, een vakgebied dat alle -omics sub‑segmenten van de biologische wetenschappen samenvoegt en wordt geprezen als de volgende stap in biotechnologie:

  • Genomics: de analyse van de DNA‑sequentie in de kern van de cellen.
  • Transcriptomics: de analyse van mRNA die de DNA‑instructies draagt.
  • Epigenomics: de modificatie van het genoom zonder de genetische sequentie te beïnvloeden, of “epigenetica”.
  • Proteomics: de analyse van eiwitten, inclusief de modificatie van eiwitten met suikers (“post‑translationeel”).
  • Metabolomics: de analyse van chemische verbindingen en metabolisme.
  • Microbiomics: de analyse van alle microben die in of op het lichaam leven.
  • Single‑cell multiomics: de multiomics‑analyse op individuele cellen.
  • Spatial biology: analyse in 3D van de locatie van specifieke mRNA, eiwitten of cellen.

Multiomics is ook ontstaan dankzij veel krachtigere analytische instrumenten, van genetische sequencers tot spatial biology.

Het probleem is echter dat dit zo’n datastroom genereert dat, voor het eerst, biologen niet meer moeten zoeken naar een interessant datapunt voor praktische toepassingen, maar moeten beslissen welke data daadwerkelijk relevant is voor een bepaald probleem.

Als elke pasgeborene ter wereld zijn genoom zou laten sequencen – een waarschijnlijk gebruik in de komende jaren – zou dat 10 000 × de data genereren die een AI zoals Llama elk jaar gebruikt.

Wat is Digitale Biologie?

Een nieuwe optie voor biotech‑onderzoek is recent verschenen: de in‑silico benadering, waarbij één of meerdere virtuele cellen in een computer worden gesimuleerd.

“In 2026 zal het identificeren van ziektedoelen afhankelijk zijn van in‑silico verkenning vóór enige wet‑lab‑validatie begint.

Dit zal het aantal programma’s dat tijdens de preklinische ontwikkeling vastloopt, verminderen.

Veronica DeFelice – Directeur Biologics bij Sapio Sciences.”

Deze virtuele cellen worden vervolgens blootgesteld aan de potentiële nieuwe behandeling, en de simulatie berekent hoe ze zouden reageren.

Een andere optie is het simuleren van de 3D‑configuratie van een eiwit, die uiteindelijk de biologische functie bepaalt.

Een eiwitvouwsimulator zoals Google’s AI AlphaFold (GOOGL ) heeft zich sinds 2018 met tot 500× verbeterd.

Het is dus waarschijnlijk dat in‑silico simulaties een onmisbare technologie zullen worden voor de meeste farmaceutische & biotech‑bedrijven.

Een andere vorm van digitale biologie is het gebruik van een geavanceerd detectiesysteem om kankermarkers in een bloedmonster te identificeren, waardoor dure en minder efficiënte biopsieën worden vervangen en vroegtijdige ontdekking van potentiële kankers mogelijk wordt.

Tot slot combineren automatisering, robotica en AI om geautomatiseerde labs te creëren die experimenten kunnen uitvoeren zonder menselijke arbeid, en miljoenen potentieel bruikbare moleculen of verbindingen kunnen testen tegen lagere kosten en 100 × de snelheid van traditionele onderzoeksmethoden.

Investeren in AI‑gedreven Geneesmiddelenontdekking

LLY Prijsgrafiek

Eli Lilly Overzicht

Eli Lilly is een enorm farmaceutisch bedrijf dat zijn medische imperium bouwde op kinine en later insuline.

De behandeling van diabetes is de kern van het bedrijf gebleven, met een lange reeks moleculen die de afgelopen drie decennia voor deze ziekte zijn ontdekt en goedgekeurd. Dit omvatte tirzepatide, gecommercialiseerd onder de merknaam Mounjaro.

In de jaren 2010 ging Eli Lilly ook groots in oncologie (kankerbehandelingen) met een reeks overnames en samenwerkingen in dit veld, evenals interne geneesmiddelenontwikkelingsinspanningen om een sterk portfolio van oncologiemedicijnen op te bouwen.

Het tirzepatide‑molecuul is sindsdien hergebruikt als een anti‑obesitas‑medicijn, onder de merknaam Zepbound, de grootste concurrent van Ozempic. Dit is een reddingslijn geweest voor Eli Lilly, aangezien veel van zijn oudere geneesmiddelen van het patent zijn geraakt, waardoor generieke fabrikanten ze nu ook kunnen produceren en op prijs kunnen concurreren.

Toch is het massaal vertrouwen op één gepatenteerd peptide en de mogelijke derivaten een riskante positie en op de lange termijn niet houdbaar. Net als de meeste farmaceutische bedrijven is er een dringende behoefte om terug te keren naar gediversifieerde innovatie. Maar in tegenstelling tot velen in de sector heeft Eli Lilly een plan, en dat plan steunt op een volledige inzet op AI & digitale biologie.

Eli Lilly AI Geneesmiddelenontdekking

De grootste en meest recente aankondiging rond AI‑geneesmiddelenontdekking & Eli Lilly is de samenwerking met Nvidia.

“NVIDIA en Lilly brengen het beste van onze industrieën samen om een nieuw blauwdruk voor geneesmiddelenontdekking te ontwerpen — een waarin wetenschappers enorme biologische en chemische ruimten in‑silico kunnen verkennen voordat één enkel molecuul wordt gemaakt.”

Jensen Huang, oprichter en CEO van NVIDIA

Het plan zal Lilly’s agentische nat‑labs combineren met computationele droge labs, waardoor 24/7 AI‑ondersteund experimenteren mogelijk wordt. Dit combineert met een eerder aangekondigde AI‑supercomputer die 1.000 NVIDIA Blackwell Ultra‑GPU’s gebruikt voor een AI‑fabriek die grote biomedische foundation‑ en frontier‑modellen zal trainen voor het identificeren, optimaliseren en valideren van nieuwe moleculen.

“Onze foundation‑modellen scheppen nieuwe mogelijkheden voor onze chemici, waardoor ze nieuwe motieven en atoomconfiguraties kunnen ontdekken die met traditionele methoden onbereikbaar waren.”

Thomas Fuchs – Chief AI Officer bij Eli Lilly

Deze $1 billion‑samenwerking is slechts de nieuwste (en grootste) stap van het farmaceutische bedrijf richting AI‑geneesmiddelenontdekking. Eerder, onder meer:

  • Een onderzoeks‑samenwerking aangegaan met Insilico Medicine, met tot $100 M die aan de startup kan worden betaald afhankelijk van onderzoeks‑mijlpalen.
  • Partnerschap met Circle Pharma om Eli Lilly’s AI’s te benutten voor het verbeteren van haar macrocyclus‑therapieën, inclusief voor historisch on‑drug‑bare doelen.
  • Machine‑learning‑modellen ontwikkelen met insitro, een pionier in machine‑learning voor geneesmiddelenontdekking en -ontwikkeling.
  • Samenwerking met OpenAI om nieuwe medicijnen te ontdekken voor de behandeling van antibiotica‑resistente bacteriën.
  • Gebruik van Genetic Leap’s AI‑modellen voor de ontdekking van RNA‑gerichte geneesmiddelen in een deal van $409 M.
  • AI‑partnerschap met Google/Alphabet’s (GOOG ) digitale biotech‑bedrijf Isomorphic Labs, dat $45 M vooraf ontvangt en in aanmerking komt voor tot $1,7 B aan prestatie‑gebaseerde mijlpalen.
  • Een deal ter waarde van tot $670 M met Genesis Therapeutics voor het moleculaire AI‑platform van het bedrijf.
  • Een $1,3 B‑deal met Superluminal om obesitas‑medicijnen te ontdekken met AI, dankzij haar propriëtaire AI‑gedreven platform gericht op G‑protein‑gecoupleerde receptoren (GPCR), met als doel Eli Lilly’s reeds leidende positie in de obesitasmarkt te versterken.
  • Een deal met BigHat Biosciences om de ontdekking van AI‑gedreven antilichaam‑therapieën te bevorderen dankzij haar Milliner‑platform.

Eli Lilly heeft ook samengewerkt met Benchling, een cloud‑gebaseerd softwareplatform ontworpen voor life‑science R&D, om biotech‑startups toegang te geven tot modellen die zijn getraind op tientallen jaren van Lilly’s propriëtaire onderzoeksdata.

Genoemd TuneLab, dit platform moet Eli Lilly helpen samenwerken met life‑science‑bedrijven in een vroeg stadium onder haar “Catalyze360”‑programma.

Al met al zullen deze AI‑geneesmiddelenontdekkings‑partnerschappen en de uitbouw van infrastructuur in alle richtingen waarschijnlijk de ontdekkings‑pijplijn van Eli Lilly herbouwen en haar positie in antibiotica, kanker‑medicijnen, zeldzame ziekten en obesitas versterken.

Investeerdersinzichten: De winnaars in AI‑geneesmiddelenontdekking zullen waarschijnlijk (1) farmaceutische integrators met kapitaal + data (bijv. Lilly) en (2) platform‑enablers die picks‑and‑shovels verkopen (computing, laboratoriumautomatisering, R&D‑software en model‑tooling). Het kern‑investeerbare signaal in 2026 is deal‑snelheid: toenemende mijlpaal‑zware partnerschappen en M&A terwijl farmaceutica gevalideerde doelen, datasets en automatiseringscapaciteit kopen om preklinische tijdlijnen te verkorten en late‑stage uitval te verminderen.

Laatste Eli Lilly (LLY) Aandelen Nieuws en Ontwikkelingen

mm

Jonathan is een voormalig biochemisch onderzoeker die werkzaam was in genetische analyse en klinische proeven. Hij is nu een aandelenanalist en financieel schrijver met een focus op innovatie, marktcycli en geopolitiek in zijn publicatie 'The Eurasian Century'.