Topp 5 AI- och digitala bioteknikföretag (mars 2026)

AI-revolution inom bioteknik

Ingen sektor lämnas oförändrad av kraften i AI och digital modellering, och Biotech är inget undantag.

Detta beror på att biologi är den överlägset mest "stökiga" av hårda vetenskaper. Kemi eller fysik kan hantera mycket kontrollerade miljöer, rena föreningar etc. Biologin har att kämpa med redan existerande extremt komplexa och ständigt föränderliga system. Dessutom, när de analyserar bara ett protein, tittar biokemister på tusentals eller miljontals atomer. Så det kan bli riktigt svårt att förutsäga alla möjliga kemiska reaktioner.

Big data, AI-modeller och digitalisering skapar förutsättningar för en kunskapsrevolution inom bioteknisk forskning.

Biomedicinens första ålder var att skjuta i mörkret och se vad som fungerade.

Vi är nu fast etablerade i genomikens tidsålder, där vi kan fokusera på specifika mål, som en defekt gen.

Med den inkommande digitala revolutionen kan vi replikera kompletta proteiner, celler eller till och med hela organ och kroppar i en virtuell miljö.

Vad kommer det att förändra?

En stor del av varför genomik och precisionsterapier tar över "traditionella" kemiska läkemedel har varit en mycket låg framgångsfrekvens för nya läkemedel under det senaste decenniet.

Kanske kan man producera ett FDA-godkänt läkemedel för tiotusen läkemedelskandidater. Varje steg på vägen måste testas i laboratoriet, i levande celler, djur, eller människor.

Detta representerar ofta ett till två decennier av förlorad tid, såväl som många, många miljarder dollar i sjön.

Källa: Biosourcing

Att skjuta blind är inte längre en hållbar plan för drogupptäckt. Det är därför forskare behöver digitala prediktiva modeller för att förutsäga före fysiska tester om ett läkemedel är en bra kandidat.

Så det är inte förvånande att läkemedelsupptäckten är i framkant av affärsmodellen för de flesta AI-bioteknikföretag.

Nya metoder som maskininlärning tillåter programvaran att "gissa" det mest sannolika svaret med en probabilistisk metod istället för en helt "mekanisk"/algoritmisk metod.

Liksom de flesta maskininlärningsteknologier gjordes mycket arbete under ett helt decennium, med bara experterna på området som verkligen uppmärksammade.

Den verkliga revolutionen som gjorde den erkänd i mainstream var 2020 när Alphabet/Google DeepMind löste en 50-årig utmaning om proteinveckning. Programmet har sedan dess modellerat de flesta av de kända proteinerna från alla levande organismer, och Google skapar ett nytt företag, Isomorfa laboratorier, för att hjälpa till att identifiera nya droger.

Topp 5 AI och digitala bioteknikföretag

För investerare kan Google vara ett bra spel på AI i allmänhet, men den biotekniska aspekten kommer att vara ett litet segment i ett mycket stort företag. Så den här artikeln kommer att granska börsnoterade företag som enbart är dedikerade till ämnet AI och virtuell biologi.

Av samma anledning kommer vi inte att titta på företag som är involverade i AI-hårdvara, tycka om Nvidia och dess genomikbibliotek Parabricks.

(företagen rankas efter börsvärde vid tidpunkten för skrivningen av denna artikel)

1. Roivant Sciences Ltd.

Roivant Sciences Ltd. (ROIV -0.99%)

Företaget är specialiserat på att förvärva biotekniska startups och att öka deras chanser att uppnå kommersialisering genom dotterbolag som kallas -vant (eftersom var och en kommer att ha "vant" som den sista delen av sitt namn).

En del av dessa förvärv var köpet av Silicon Therapeutics för 450 miljoner dollar. Tack vare en superdator och anpassad datorhårdvara utvecklar Silicon Therapeutics nya molekyler. Detta lades till en redan existerande AI biotech stackportfölj, VantAI.

Roivant ägde också "vant" Datavant, en stordatalösning för hälso- och sjukvård, försäljning till sjukhusläkemedelsföretag, försäkringar, etc... med reglerkompatibla och integritetsrespekterande procedurer.

Andra "vant's" är också data- eller digitala simuleringsorienterade, som "Exakta All-Atom Physics-Based Simulations" av Psivant. Eller den kliniska prövningens intelligensprogramvara/plattformen Lokavant.

Källa: Roivant

Ändå kommer merparten av företagets intäkter från läkemedelsförsäljning av godkända produkter.

Sammantaget kan Roivant vara ett sätt att spela bioteknikens datasida, inte bara digital biologi utan även medicinska journaler, kliniska prövningar, etc….; samtidigt som man berör annan innovativ medicin, speciellt för hudvård, med Vtama för psoriasis.

2. Schrödinger, Inc.

Schrödinger, Inc. (SDGR -2.94%)

Företaget specialiserar sig på fysikbaserade modeller för att hitta den bästa möjliga molekylen för ett visst mål, balansera ut motstridiga mått som styrka, löslighet, halveringstid, syntetiserbarhet, etc...

Den använder också maskininlärning, men tillägget av en fysikbaserad modell gör att den kan testas i helt nya områden där det inte finns någon datauppsättning för att "träna" AI. Detta gör att Schrödinger kan gå från 1 miljard potentiella molekyler till bara 8 solida kandidater på några dagar, enbart genom digital beräkning.

Källa: Schrödinger

Schrödinger tecknade ett 5-årigt samarbetsavtal med Bayer 2020 för en omsättning på 10 miljoner USD. Tanken med avtalet är att använda Schrödinger-teknik tillsammans med Bayers in-silico-prediktionsmodeller.

Ett annat nyligen partnerskap är med Lilly, med upp till $425 miljoner i totala milstolpsbetalningar för framgångsrik upptäckt.

Tidigare samarbeten inkluderade Takeda, Sanofi Bristol Myers Squibb och andra mindre läkemedelsföretag.

Källa: Schrödinger

Sammantaget bygger Schrödinger en växande portfölj, inklusive fler och fler egna och helägda molekyler. Även om det inte har intäkter före intäkter, är företaget fortfarande inte lönsamt, med fokus på expansion och FoU-utgifter för att förbättra sin teknologi.

Företaget tittar också på att expandera mot nya segment bortom läkemedelsupptäckten, som komplexa bioläkemedel eller till och med material som kemikalier, batterier eller polymerer.

Källa: Schrödinger

Investerare kommer att vilja hålla ett öga på de nya samarbetena, eftersom de kommer att återspegla framstegen inom Schrödingers teknologi, så som den bedöms av ledarna i branschen, samt möjliga framgångar med att expandera kärnteknologin till nya marknader.

3. excientia

Exscientia plc (EXAI 0%)

Företaget använder AI för att utveckla precisionsterapier. Den kör en "full stack" AI-läkemedelsupptäcktsteknologi med dedikerad programvara i varje steg av läkemedelsupptäcktsprocessen.

Källa: excientia

Exscientias teknologi minskar 70 % av tiden som krävs för att gå från ett biologiskt mål till att hitta ett motsvarande läkemedel och en 80 % mer kapitalprocess.

Detta resulterade i 4 föreningar i tidiga kliniska stadier, 30 program totalt och 6.5 miljarder USD i intäkter från milstolpar med partners. Huvudfokus har varit onkologi (cancer) och inflammatoriska sjukdomar.

Källa: excientia

Företaget har en mycket bekväm finansiell ställning för ett läkemedelsupptäcktsföretag i ett tidigt skede, med 625 miljoner dollar under tredje kvartalet 3, för en nettoförbränning på bara 2022 miljoner dollar.

Detta kan vara ett intressant alternativ för investerare som tittar på ett väletablerat AI-läkemedelsupptäcktsföretag med en mycket stor kassabana och flera pågående partnerskap för extra säkerhet.

4. Absci Corporation

Absci Corporation (ABSI -1.22%)

Företaget grundades 2011, med platser i Vancouver, New York och Zug, Schweiz. Den har lagt till sin ursprungliga teknologi IP-adressen för 2 AI-biologiförvärv 2021, Totient (antikroppar) och Denovium (cellinjer).

Företaget är mestadels fokuserat på antikroppsdesign, att skapa nya från grunden av antikroppar ("de novo antikroppar") och testa dem i laboratorier i en 6-veckors process.

De var de första, i mars 2023, att kunna att designa en funktionell antikropp utan några redan existerande data, en metod som även kallas "zero-shot. "

Absci har etablerat samarbete med Merck (totalt 610 miljoner USD i förskottsavgifter och framtida milstolpebetalning) och Astellas för upptäckt av nya produkter, samt ett partnerskap med Nvidia för att förbättra hårdvaruarkitekturen bakom Absci-tekniken.

Absci är fortfarande i ett tidigt skede men har redan visat en enorm potential och innovationspotential. Investerare i företaget kommer att behöva vara med på bolagets och dess briljanta grundares "ingenting är omöjligt"-etos och hoppas på att de senaste samarbetsavtalen blir de första i en lång serie.

5. e-therapeutics plc

e-therapeutics fokuserar på att utveckla nya RNAi-terapier (RNA-interferens) i silico. Man hoppas att en kombination av framväxande teknologi, RNAi och beräkningsläkemedelsupptäckt kommer att ge det en betydande fördel gentemot sina konkurrenter.

Man tjänar också pengar på upptäckten på sin plattform med andra läkemedelsföretag, varav det största är det stora blue chip Novo Nordisk.

Bolaget befinner sig i ett mycket tidigt skede före intäkt och var tvungen att samla in 13.5 miljoner pund sommaren 2022. Företaget registrerade en nettoförlust på 2.8 miljoner pund under H1 2022 miljoner för en kassabalans vid tidpunkten på 21.8 miljoner pund.

Investerare inom e-terapi kommer att behöva hålla ett öga på tillgängliga likvida medel och hoppas på nya upptäckter och intäkter från partnerskap för att i slutändan göra företaget lönsamt.

Bygga en digital biologiportfölj

Detta är en svår sektor att investera i, eftersom den kombinerar 2 mycket komplexa teknologier: AI + avancerad bioteknik. Detta gör det ganska mycket till en "svart låda" för investerare, även om de har viss expertis inom något av de två områdena.

Dessutom är de flesta företagen i sektorerna fokuserade på samma marknader, mestadels upptäckter av små molekyler och antikroppsdesign, med kanske cellinjer också.

Så diversifiering skulle ge en säkrare investeringsstrategi eftersom väldigt få människor kommer att kunna vara säkra på att ha utsett "vinnaren". Dessutom, marknaden förväntas växa mycket snabbt, med en CAGR på 45 % mellan 2022 och 2027.

Så, utbredd exponering är mer sannolikt att fånga denna tillväxt utan att alltför förlita sig på specifika matematiska modeller eller metoder i en mycket snabbt föränderlig och konkurrenskraftig arena.