Kunstig intelligens
AI-drevet legemiddelforskning utløser en biotek M&A-super-syklus
Legg til Securities.io blant dine foretrukne kilder på Google
Den nye æraen av AI-drevet bioteknologi
The pharmaceutical industry was initially built on the prowess of the chemical industry, which started to create ever more useful products, including those for medical purposes. At first, it was mostly about isolating and purifying natural chemical compounds like aspirin from willow bark and quinine from a tropical tree.
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.
Kilde: World Economic Forum
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 biology is changing where time, cost, and failure risk accrue across the drug discovery pipeline—shifting more exploration and optimization into computation before the most expensive wet-lab work begins.
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
The sheer complexity of living systems has led to the emergence of multiomics, a field merging together all the -omics sub-segments of biological sciences and touted as the next step in biotechnology:
- 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.
Kilde: Ark Research
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.
Kilde: Ark Research
Hva er digital biologi?
A new option for biotech research had recently appeared: the in‑silico approach, where one or several virtual cells are simulated in a computer.
“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.”
These virtual cells are then exposed to the potential new treatment, and the simulation calculates how they would react.
Kilde: Ark Research
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.
Kilde: Ark Research
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
The largest and most recent announcement around AI drug discovery & Eli Lilly is its partnership with 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”
The plan will combine Lilly’s agentic wet labs with computational dry labs, enabling 24/7 AI-assisted experimentation. This combines with a previously announced AI supercomputer using 1,000 NVIDIA Blackwell Ultra GPUs for an AI factory that will train large biomedical foundation and frontier models for identifying, optimizing, and validating new molecules.
“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.”
This $1B partnership is just the latest (and largest) move of the pharmaceutical company into AI drug discovery. Previously, it notably:
- 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.
Siste nyheter og utviklinger for Eli Lilly (LLY) aksjen
