Artificiell intelligens

AI-driven läkemedelsupptäckt utlöser en supercykel för förvärv inom bioteknik

AI och digital biologi förändrar var tid, kostnader och misslyckanderisk uppstår i läkemedelsutvecklingen. Eli Lilly och andra stora läkemedelsbolag kombinerar egna data, automatiserade laboratorier och beräkningsplattformar, samtidigt som fler partnerskap och förvärv driver en strukturell investeringscykel.
mm
Publicerad
Uppdaterad
Lägg till Securities.io bland dina föredragna källor på Google
Information: Securities.io kan få ersättning när du använder länkar till produkter vi granskar. Det påverkar inte våra redaktionella bedömningar. Vi är inte registrerad investeringsrådgivare; detta är inte investeringsråd. Läs vår affiliateinformation.

Den nya eran för AI-driven bioteknik

Läkemedelsindustrin byggde ursprungligen på den kemiska industrins kunnande, som började framställa allt fler användbara produkter, även för medicinska ändamål. Till en början handlade det främst om att isolera och rena naturliga ämnen, såsom aspirin ur pilbark och kinin ur ett tropiskt träd.

Därefter började industrin skapa helt nya föreningar som inte finns i naturen och omvandla dem till läkemedel. Under de senaste årtiondena har denna metod dock gett allt sämre resultat.

De kemiska ämnen som är enklast att framställa eller upptäcka har redan hittats. Andra molekyler är ofta för instabila, giftiga eller svåra att tillverka.

Därför har läkemedelsindustrin vänt sig till bioteknik, där biologiska molekyler som hormoner, proteiner, DNA och RNA används som läkemedel. Det har lett till konstgjort insulin, monoklonala behandlingar, genterapier och många andra framsteg.

Även här har framstegen börjat avta. De enklaste möjligheterna är redan utnyttjade och de flesta aktiva biologiska ämnen identifierade. Kvar finns komplexa biologiska mekanismer bakom sjukdomar som fortfarande är svåra att behandla.

Det är ett allvarligt problem för stora läkemedelsbolag. Många kemibaserade behandlingar har redan förlorat patentskyddet eller gör det snart, och strategin att enbart köpa eller samarbeta med bioteknikbolag räcker inte längre.

Bolagen måste snabbt få tillgång till innovation, och tidigare metoder är inte längre tillräckliga.

En viktig orsak är att en verklighetstrogen avbildning av en enda mänsklig cell är nästan ofattbart komplex för en person, vilket illustreras av en datorgenererad bild av cellens alla beståndsdelar som spreds brett för några år sedan.

Detaljerad datorgenererad bild av en mänsklig cell

Källa: Newsweek

Lyckligtvis växer en ny innovationsvåg fram när AI införs i biologiska laboratorier. Den sammanfaller med en revolution i datatillgången genom den så kallade multiomikrevolutionen, som skapar oöverträffade datamängder ända ned på intracellulär nivå.

AI kan analysera datamängder långt bortom människans förmåga och hjälper nu forskarna att förstå helheten.

Ett tydligt exempel är partnerskapet som tillkännagavs den 12 januari 2026 mellan Nvidia (NVDA ) och Eli Lilly (LLY ). Bolagen planerar att tillsammans investera upp till en miljard dollar under fem år i infrastruktur och forskning för AI-baserad läkemedelsupptäckt.

Den digitala biologins era

Digital biologi förändrar var tid, kostnader och misslyckanderisk uppstår i läkemedelsutvecklingen. Mer utforskning och optimering flyttas till beräkningar innan det dyraste laboratoriearbetet börjar.

Diagram: Hur AI förändrar ekonomin i läkemedelsupptäckt (var värdet skapas)

Svep för att rulla →

Upptäcktsfas Traditionell flaskhals AI och digital biologi Ekonomisk påverkan Primärt värdeskapande
Måltidentifiering Svaga eller brusiga biologiska signaler och långsamma hypotescykler Multiomik och maskininlärning prioriterar orsakssamband och biomarkörer samt rangordnar hypoteser snabbare Fler skott på mål med färre döda program Datarika läkemedelsbolag och ägare av egna datamängder
Träffupptäckt Laboratoriescreening är dyr och begränsas av kapaciteten Datorsimulering utforskar ett större kemiskt utrymme före syntes Lägre kostnad per träff; snabbare itereringsloopar Beräknings- och modellplattformar samt leverantörer av laboratorieautomation
Optimering av läkemedelskandidater Sena ADME- och toxicitetsproblem samt långsamma cykler inom läkemedelskemi Generativa modeller föreslår kandidater optimerade för potens, selektivitet och utvecklingsbarhet Färre omdesigncykler; bättre utvecklingsbarhet från början Läkemedelsintegratörer med stark överföring från forskning till klinik
Preklinisk validering Djurmodeller speglar inte mänsklig biologi; långsam validering och stor variation Bättre val av biomarkörer, människorelevanta modeller och automatiserade högkapacitetstester Tydligare signaler inför arbete som möjliggör kliniska prövningar Automationssystem och testplattformar samt kontraktsforskningsbolag med AI-verktyg
Klinisk översättning Varierande patientsvar och bristfällig stratifiering ökar misslyckandefrekvensen Multiomisk stratifiering identifierar patientgrupper som svarar på behandling och studiemått tidigare Bättre studiereffektivitet; mindre utspädning av effekt Läkemedelsägare inom läkemedel och bioteknik med klinisk genomförandeförmåga

Uppkomsten av multiomics

Levande systems komplexitet har lett till multiomik, som förenar biologins olika omikdiscipliner och beskrivs som nästa steg inom bioteknik:

  • Genomik: studiet av arvsmassan.
  • Transkriptomik: studiet av RNA-uttryck.
  • Epigenomik: studiet av epigenetiska förändringar.
  • Proteomik: studiet av proteiner.
  • Metabolomik: studiet av metaboliter.
  • Mikrobiomik: studiet av mikrobiom.
  • Multiomik på encellsnivå: flera datalager från enskilda celler.
  • Spatialbiologi: biologiska processer i sitt rumsliga sammanhang.
Multiomikens biologiska datalager

Källa: Ark Research

Multiomik möjliggjordes också av kraftfullare analysverktyg, från genetiska sekvenserare till spatialbiologi.

Det skapar dock så mycket data att biologernas utmaning för första gången inte är att hitta en användbar datapunkt, utan att avgöra vilka data som är relevanta för ett visst problem.

Om varje nyfödd fick sitt genom sekvenserat skulle det årligen skapa 10 000 gånger mer data än en AI-modell som Llama använder.

Biologiska data och AI-modeller

Källa: Ark Research

Vad är digital biologi?

Ett nytt alternativ inom bioteknisk forskning är in silico-metoden, där virtuella celler simuleras i en dator.

“År 2026 kommer sjukdomsmål att identifieras genom datorsimulering innan laboratorievalideringen inleds.

Det minskar antalet program som stannar under den prekliniska utvecklingen.

Veronica DeFelice – chef för biologiska läkemedel på Sapio Sciences.”

De virtuella cellerna utsätts sedan för behandlingen och simuleringen beräknar reaktionen.

Virtuella celler i digital biologi

Källa: Ark Research

Ett annat alternativ är att simulera ett proteins tredimensionella form, som avgör dess biologiska funktion.

En simulator för proteinveckning som Googles AI AlphaFold (GOOGL ) har förbättrats upp till 500 gånger sedan 2018.

Biologiska data och AI-modeller

Källa: Ark Research

Datorsimuleringar blir därför sannolikt nödvändig teknik för de flesta läkemedels- och bioteknikbolag.

En annan form av digital biologi använder blodprov för att hitta cancermarkörer, ersätta dyra biopsier och upptäcka cancer tidigare.

Automation, robotik och AI kombineras också i laboratorier som kan testa miljontals molekyler billigare och hundra gånger snabbare än traditionell forskning.

Investering i AI‑driven läkemedelsupptäckt

LLY Prisdiagram

Eli Lilly – översikt

Eli Lilly är ett stort läkemedelsbolag som byggde sin verksamhet först på kinin och därefter insulin.

Diabetesbehandling har förblivit bolagets kärna, med många molekyler som upptäckts och godkänts under de senaste tre årtiondena. Dit hör tirzepatid, som säljs som Mounjaro.

Under 2010-talet satsade Eli Lilly också stort på onkologi genom förvärv, partnerskap och egen utveckling av cancerläkemedel.

Tirzepatid har senare anpassats till fetmabehandling under namnet Zepbound, den främsta konkurrenten till Ozempic. Det har varit avgörande när många äldre läkemedel förlorat patentskyddet och möter priskonkurrens från generika.

Att vara starkt beroende av en enda patentskyddad peptid är dock riskfyllt och ohållbart. Eli Lilly behöver bred innovation och satsar därför helhjärtat på AI och digital biologi.

Eli Lilly – AI‑driven läkemedelsupptäckt

Eli Lillys största och senaste besked inom AI-baserad läkemedelsupptäckt är partnerskapet med Nvidia.

“NVIDIA och Lilly förenar det bästa från våra branscher för att skapa en ny modell där forskare kan utforska enorma biologiska och kemiska områden i datorn innan en enda molekyl framställs.”

Jensen Huang, grundare och vd för NVIDIA”

Planen förenar Lillys autonoma laboratorier med beräkningsmiljöer och möjliggör AI-stödda experiment dygnet runt. Den kompletterar en tidigare annonserad AI-superdator med 1 000 NVIDIA Blackwell Ultra-grafikprocessorer som ska träna biomedicinska modeller för att identifiera, optimera och validera nya molekyler.

“Våra grundmodeller skapar nya möjligheter för kemisterna och hjälper dem att upptäcka atomkonfigurationer som traditionella metoder inte kunde nå.”

Thomas Fuchs – AI-chef på Eli Lilly”

Partnerskapet på en miljard dollar är bara bolagets senaste och största steg inom AI-baserad läkemedelsupptäckt. Tidigare har Eli Lilly bland annat:

Eli Lilly samarbetar också med Benchling, en molnplattform för livsvetenskaplig FoU, för att ge bioteknikbolag tillgång till modeller tränade på årtionden av Lillys egna forskningsdata.

Plattformen heter TuneLab och ska hjälpa Eli Lilly att samarbeta med unga livsvetenskapsbolag inom programmet Catalyze360.

Sammantaget kan partnerskapen och infrastrukturen återuppbygga Eli Lillys forskningsportfölj och stärka positionen inom antibiotika, cancer, sällsynta sjukdomar och fetma.

Slutsats för investerare: Vinnarna blir sannolikt läkemedelsintegratörer med kapital och data, exempelvis Lilly, samt plattformsleverantörer inom beräkning, laboratorieautomation, FoU-programvara och modellverktyg. Den viktigaste investeringssignalen 2026 är avtalstakten: fler målbaserade partnerskap och förvärv när läkemedelsbolag köper validerade mål, data och automationskapacitet.

Senaste Eli Lilly (LLY) aktienyheter och utveckling

mm

Jonathan är en tidigare biokemistforskare som arbetade med genetisk analys och kliniska prövningar. Han är nu en aktieanalytiker och finansskribent med fokus på innovation, marknadscykler och geopolitik i sin publikation 'The Eurasian Century'.