Kunstig intelligens

AI-drevet legemiddelforskning utløser en biotek M&A-super-syklus

mm
Publisert
Oppdatert
Legg til Securities.io blant dine foretrukne kilder på Google
Opplysning: Securities.io kan motta betaling når du bruker lenker til produkter vi vurderer. Dette påvirker ikke våre redaksjonelle vurderinger. Vi er ikke en registrert investeringsrådgiver; dette er ikke investeringsråd. Les vår affiliateopplysning.

Den nye æraen av AI-drevet bioteknologi

Legemiddelindustrien ble opprinnelig bygget på kjemiindustriens kompetanse, som begynte å utvikle stadig flere nyttige produkter, også til medisinske formål. I starten handlet det hovedsakelig om å isolere og rense naturlige kjemiske forbindelser som aspirin fra pilebark og kinin fra et tropisk tre.

Deretter begynte man å lage helt nye forbindelser som aldri eksisterte i naturen og omdanne dem til medisiner. Denne tilnærmingen har imidlertid begynt å mislykkes de siste tiårene.

De lettest produserbare eller lettest oppdagbare kjemikaliene er allerede funnet, og andre molekyler er ofte ikke gode nok: for ustabile, for giftige, for vanskelige å fremstille, osv.

Som et resultat har farmasøytisk industri vendt seg mot biotek, som gjenbruker biologiske molekyler som hormoner, proteiner eller DNA & RNA til medisiner. Dette har gitt kunstig insulin, monoklonale terapier, gen-terapier og mange andre imponerende fremskritt.

Imidlertid har også fremgangen her begynt å stagnere, ettersom de lett tilgjengelige fruktene er plukket: de fleste aktive biologiske midler er allerede identifisert og kjent, og de mer komplekse, vanskelig å forstå biologiske mekanismene for å kurere sykdommer som fortsatt er resistente mot behandling gjenstår.

Dette er et alvorlig problem for store farmasøytiske selskaper. Ikke bare er mange av deres kjemibaserte behandlinger ute av patentbeskyttelse eller på vei dit, men strategien om bare å kjøpe eller samarbeide med biotek-startups er ikke lenger tilstrekkelig.

Disse selskapene må kjøpe innovasjon raskt, og det som fungerte før er rett og slett ikke nok.

I stor grad skyldes dette at en sann representasjon av en enkelt menneskelig celle ville være nesten uforståelig kompleks for én person, som illustrert av et datagenerert bilde av alle komponentene i en enkelt menneskelig celle som gikk viralt for noen år siden.

Kilde: Newsweek

Heldigvis kommer en ny bølge av biotek-innovasjon fra innføringen av AI i biolaboratorier. Dette skjer i kombinasjon med en revolusjon i dataene tilgjengelige fra den såkalte “multiomics-revolusjonen”, som skaper en enestående mengde data ned til det intracellulære nivået.

Og AI, med sin kapasitet til å analysere store datasett langt utover et menneskes sinn, hjelper nå med å forstå alt dette.

Et illustrerende eksempel på denne trenden er partnerskapet kunngjort 12. januar 2026 mellom Nvidia (NVDA ) og Eli Lilly (LLY ), som planlegger å investere samlet opptil $1 billion over fem år i infrastruktur og forskning for AI-drevet legemiddelforskning.

Den digitale biologiæraen

Digital biologi endrer hvor tid, kostnader og risiko for feil samler seg gjennom legemiddelutviklingen, ved å flytte mer utforskning og optimalisering over til beregninger før det dyreste våtlaboratoriearbeidet begynner.

Diagram: Hvordan AI endrer økonomien i legemiddelforskning (Hvor verdi oppstår)

Sveip for å rulle →

Oppdagelsesfase Tradisjonell flaskehals AI / Digital biologi-skifte Økonomisk påvirkning Primær verdifangst
Målidentifikasjon Sparsomme eller støyende biologiske signaler; langsomme hypotese‑sykluser Multiomics + ML prioriterer kausale veier og biomarkører; rask rangering av hypoteser Flere forsøk med færre blindveier Data‑rik farmasøytisk industri og eiere av proprietære datasett
Oppdagelse av treff Våtlab‑screening er dyrt og begrenset av gjennomstrømning In‑silico‑screening utforsker større kjemisk rom før syntese Lavere kostnad per treff; raskere iterasjonsløkker Beregnings‑ og modellplattformer; leverandører av laboratorieautomatisering
Lead‑optimalisering ADME/tox‑feil sent i syklusen; langsomme medisinsk‑kjemi løkker Generative modeller foreslår kandidater optimalisert for potens, selektivitet og utviklingsmuligheter Færre redesign‑sykluser; bedre utviklingsmuligheter fra starten Farmasøytiske integratorer med sterke translational pipelines
Preklinisk validering Dyremodeller samsvarer ikke med menneskelig biologi; langsom validering og høy varians Bedre biomarkørvalg + menneskelig relevante modeller; automatiserte, høy‑gjennomstrømmings‑assays Høyere signal‑kvalitet ved IND‑gjørende arbeid Automatiseringsstabler og assay‑plattformer; CRO‑er med AI‑verktøy
Klinisk oversettelse Heterogen pasientrespons; dårlig stratifikasjon øker feilrate Multiomisk stratifikasjon identifiserer responder‑subgrupper og studie‑endepunkter tidligere Bedre studie‑effektivitet; mindre fortynning av effekt Legemiddelseiere (farmasi/biotek) med klinisk gjennomføring

Fremveksten av multiomics

De levende systemenes enorme kompleksitet har ført til fremveksten av multiomikk, et fagfelt som samler alle de biologiske vitenskapenes ulike «-omikk»-områder og omtales som neste steg innen bioteknologi:

  • Genomikk: analysen av DNA‑sekvensen i cellenes kjerne.
  • Transkriptomikk: analysen av mRNA som bærer DNA‑instruksjonene.
  • Epigenomikk: modifisering av genomet uten å påvirke den genetiske sekvensen, eller “epigenetikk”.
  • Proteomikk: analysen av proteiner, inkludert modifisering av proteiner med sukker (“post‑translasjonell”).
  • Metabolomikk: analysen av kjemiske forbindelser og metabolisme.
  • Mikrobiomikk: analysen av alle mikrober som lever inne i eller på kroppen.
  • Enkelt‑celle‑multiomics: multiomics‑analyse på individuelle celler.
  • Romlig biologi: analyse i 3D av plasseringen av spesifikk mRNA, proteiner eller celler.

Multiomics oppstod også takket være mye kraftigere analytiske verktøy, fra genetiske sekvenserere til romlig biologi.

Problemet er imidlertid at dette genererer en slik datamengde at biologene for første gang ikke lenger sliter med å finne et interessant datapunkt for praktisk bruk, men med å avgjøre hvilke data som faktisk er relevante for et gitt problem.

Hvis hvert nyfødt i verden fikk sitt genom sekvensert, en sannsynlig praksis i de kommende årene, ville dette generere 10 000‑ganger så mye data som en AI som Llama bruker hvert år.

Hva er digital biologi?

Et nytt alternativ for bioteknologisk forskning har nylig dukket opp: in silico-tilnærmingen, der én eller flere virtuelle celler simuleres i en datamaskin.

“I 2026 vil identifisering av sykdomsmål avhenge av in‑silico‑utforskning før noen våt‑lab‑validering begynner.

Dette vil redusere antallet programmer som stopper under preklinisk utvikling.

Veronica DeFelice – Direktør for biologika hos Sapio Sciences.”

Disse virtuelle cellene eksponeres deretter for den mulige nye behandlingen, og simuleringen beregner hvordan de vil reagere.

Et annet alternativ er å simulere 3D‑konfigurasjonen av et protein, som til slutt bestemmer dets biologiske funksjon.

En protein‑foldings‑simulator som Googles AI AlphaFold (GOOGL ) har forbedret seg med opptil 500‑fold siden 2018.

Det er derfor sannsynlig at in‑silico‑simuleringer vil bli en nødvendighet for de fleste farmasøytiske og biotek‑selskaper.

En annen form for digital biologi er bruk av et avansert deteksjonssystem for å identifisere kreftmarkører i en blodprøve, som erstatter kostbare og mindre effektive biopsier, og fører til tidligere oppdagelse av potensielle kreftformer.

Til slutt kombineres automatisering, robotikk og AI for å skape automatiserte laboratorier som kan utføre eksperimenter uten menneskelig arbeidskraft, og sjekke millioner av potensielt nyttige molekyler eller forbindelser til lavere kostnad og 100‑ganger hastigheten til tradisjonelle forskningsmetoder.

Investering i AI-drevet legemiddelforskning

LLY Prisdiagram

Eli Lilly oversikt

Eli Lilly er et enormt farmasøytisk selskap som bygde sitt medisinske imperium på kinine og deretter insulin.

Diabetesbehandling har forblitt kjernen i selskapet, med en lang rekke molekyler oppdaget og godkjent de siste tre tiårene for denne sykdommen. Dette inkluderte tirzepatid, kommersialisert under merkenavnet Mounjaro.

På 2010‑tallet satset Eli Lilly også stort på onkologi (kreftbehandlinger) med en rekke oppkjøp og partnerskap innen feltet, samt interne legemiddelforskningsprosjekter for å bygge en sterk portefølje av kreftmedisiner.

Tirzepatid-molekylet har siden blitt omdisponert som et anti‑fedme‑legemiddel, under merkenavnet Zepbound, den største konkurrenten til Ozempic. Dette har vært en livredder for Eli Lilly, ettersom mange av deres eldre legemidler har falt utenfor patent, noe som gjør at generiske produsenter nå kan produsere dem også, og konkurrere på pris.

Likevel er det risikabelt å i så stor grad stole på et enkelt patentert peptid og dets potensielle derivater, og det er ikke bærekraftig på lang sikt. Som de fleste farmasøytiske selskaper er det et presserende behov for å gå tilbake til diversifisert innovasjon. Men i motsetning til mange andre i bransjen har Eli Lilly en plan, og den baserer seg på å satse fullt på AI & digital biologi.

Eli Lilly AI legemiddelforskning

Den største og nyeste kunngjøringen om AI-basert legemiddelforskning og Eli Lilly er partnerskapet med Nvidia.

“NVIDIA og Lilly samler det beste fra våre industrier for å lage en ny plan for legemiddelforskning — en der forskere kan utforske enorme biologiske og kjemiske rom in‑silico før et eneste molekyl er laget.”

Jensen Huang, grunnlegger og administrerende direktør i NVIDIA”

Planen skal kombinere Lillys autonome våtlaboratorier med beregningsbaserte tørrlaboratorier og muliggjøre AI-assisterte eksperimenter døgnet rundt. Dette kobles til en tidligere kunngjort AI-superdatamaskin med 1 000 NVIDIA Blackwell Ultra-GPU-er for en AI-fabrikk som skal trene store biomedisinske grunn- og frontmodeller til å identifisere, optimalisere og validere nye molekyler.

“Våre grunnmodeller skaper nye muligheter for våre kjemikere, og hjelper dem med å avdekke nye motiv og atomkonfigurasjoner som var utenfor rekkevidde med tradisjonelle metoder.”

Thomas Fuchs – Chief AI Officer hos Eli Lilly”

Dette partnerskapet på 1 milliard dollar er bare legemiddelselskapets nyeste (og største) satsing på AI-basert legemiddelforskning. Tidligere har selskapet blant annet:

  • Inngikk et forskningssamarbeid med Insilico Medicine, med opptil $100M som kan betales til oppstarten avhengig av forskningsmilepæler.
  • Partnerskap med Circle Pharma for å utnytte Eli Lillys AI‑er til å forbedre deres makrosyklus‑terapier, inkludert historisk ubehandlelige mål.
  • Utvikle maskinlæringsmodeller med insitro, en pioner innen maskinlæring for legemiddelforskning og -utvikling.
  • Samarbeid med OpenAI for å oppdage nye medisiner mot antibiotikaresistente bakterier.
  • Bruk av Genetic Leaps AI‑modeller for oppdagelse av RNA‑målrettede legemidler i en avtale på $409M.
  • AI‑partnerskap med Google/Alphabets digitale biotek‑selskap Isomorphic Labs, som vil motta $45M på forhånd og er kvalifisert for opptil $1.7B i resultatbaserte milepæler.
  • En avtale på opptil $670M med Genesis Therapeutics for selskapets molekylære AI‑plattform.
  • En avtale på $1.3B med Superluminal for å oppdage fedme‑medisiner ved hjelp av AI, takket være deres proprietære AI‑drevne plattform som retter seg mot G‑protein‑koblete reseptorer (GPCR), med mål om å styrke Eli Lillys allerede ledende posisjon i fedmemarkedet.
  • Et samarbeid med BigHat Biosciences for å fremme oppdagelsen av AI‑drevne antistoff‑terapier takket være deres Milliner‑plattform.

Eli Lilly har også inngått partnerskap med Benchling, en skybasert programvareplattform designet for livsvitenskapelig FoU, for å gi biotek‑startups tilgang til modeller trent på tiår med Lillys proprietære forskningsdata.

Kalt TuneLab, skal denne plattformen hjelpe Eli Lilly med å samarbeide med tidligfase livsvitenskap under sitt “Catalyze360”-program.

Samlet sett vil disse AI‑legemiddelforskningspartnerskapene og infrastrukturen som bygges i alle retninger sannsynligvis gjenoppbygge Eli Lillys oppdagelses‑pipeline og styrke deres posisjon innen antibiotika, kreftmedisiner, sjeldne sykdommer og fedme.

Investorens konklusjon: Vinnerne i AI‑drevet legemiddelforskning vil sannsynligvis være (1) farmasøytiske integratorer med kapital + data (f.eks. Lilly) og (2) plattform‑tilretteleggere som selger verktøy (beregning, laboratorieautomatisering, FoU‑programvare, og modellverktøy). Det viktigste investerbare signalet i 2026 er avtale‑hastigheten: økende partnerskap med mange milepæler og fusjoner og oppkjøp ettersom farmasøytiske selskaper kjøper validerte mål, datasett og automatiseringskapasitet for å forkorte prekliniske tidslinjer og redusere sen‑stadie‑attrisjon.

Siste nyheter og utviklinger for Eli Lilly (LLY) aksjen

mm

Jonathan er en tidligere biokjemisk forsker som har arbeidet med genetisk analyse og kliniske studier. Han er nå aksjeanalytiker og finansskribent med fokus på innovasjon, markedssykluser og geopolitikk i sin publikasjon 'The Eurasian Century'.⁣⁣⁣​⁣