Artipisyal na Intelihensiya

Ang AI na Pagtuklas ng Gamot ay Nagdudulot ng Supercycle ng M&A sa Biotech

mm
Na-publish
Na-update
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google
Pagsisiwalat: Maaaring tumanggap ang Securities.io ng kabayaran kapag gumamit ka ng mga link sa produktong sinuri namin. Hindi nito naaapektuhan ang aming editoryal na pagsusuri. Hindi kami rehistradong tagapayo sa pamumuhunan; hindi ito payo sa pamumuhunan. Basahin ang aming pagsisiwalat sa affiliate.

Ang Bagong Panahon ng Biotech na Pinapagana ng AI

Ang industriya ng parmasya ay unang nabuo mula sa kakayahan ng industriya ng kemikal, na nagsimulang lumikha ng mas kapaki-pakinabang na mga produkto, kabilang ang mga pangmedikal. Sa simula, ito ay tungkol sa pag-ihiwalay at paglilinis ng mga natural na compound tulad ng aspirin mula sa balat ng willow at quinine mula sa isang tropikal na puno.

Pagkatapos ay nagsimulang lumikha ng ganap na mga bagong compound na hindi kailanman umiiral sa kalikasan at gawing gamot ang mga ito. Gayunpaman, ang pamamaraang ito ay nagsimulang mabigo sa mga nakaraang dekada.

Ang mga pinakasimpleng gawin o madaling matuklasang kemikal ay natuklasan na, at ang iba pang mga molekula ay kadalasang hindi sapat: masyadong hindi matatag, masyadong nakakalason, masyadong mahirap gawin, atbp.

Bilang resulta, ang industriya ng parmasya ay lumipat sa biotech, na muling ginagamit ang mga biyolohikal na molekula tulad ng hormones, protina, o DNA & RNA bilang gamot. Nagbunga ito ng artipisyal na insulin, monoclonal therapies, gene therapies, at marami pang kahanga-hangang pag-unlad.

Gayunpaman, dito rin nagsimulang huminto ang pag-unlad, dahil nakuha na ang mga madaling maabot na prutas: karamihan sa mga aktibong biological ay natukoy na at kilala, na nag-iiwan ng mas kumplikado, mahirap unawain na mga mekanismong biyolohikal para gamutin ang mga sakit na patuloy na tumatanggi sa paggamot.

Isa itong seryosong problema para sa malalaking kumpanya ng parmasya. Hindi lamang marami sa kanilang mga paggamot na nakabatay sa kimika ang nalalapit na sa pag-expire ng patente o malapit nang mag-expire, kundi ang estratehiya ng simpleng pagbili o pakikipagsosyo sa mga startup ng biotech ay hindi na sapat.

Kailangan ng mga kumpanyang ito na mabilis na makabili ng inobasyon, at ang dating gumagana ay hindi na epektibo.

Sa malaking bahagi, ito ay dahil ang tunay na representasyon ng isang solong selula ng tao ay halos hindi mauunawaan ng isang tao, tulad ng ipinapakita ng isang computer-generated na larawan ng lahat ng bahagi ng isang selula ng tao na sumikat ilang taon na ang nakalipas.

Pinagmulan: Newsweek

Sa kabutihang palad, isang bagong alon ng inobasyon sa biotech ang nagmumula sa pag-deploy ng AI sa mga biolab. Ito ay kasabay ng rebolusyon sa datos na tinatawag na “rebolusyon ng multiomics“, na lumilikha ng hindi pa nagagawang dami ng datos hanggang sa antas ng intracellular.

At ang AI, na may kakayahang magsuri ng malalaking dataset na lampas sa kayang gawin ng isip ng tao, ay ngayon tumutulong upang maunawaan ito lahat.

Illustrative ng trend na ito ay ang pakikipagsosyo na inanunsyo noong Enero 12th, 2026, sa pagitan ng Nvidia (NVDA ) at Eli Lilly (LLY ), na nagbabalak na mag-invest ng hanggang $1 bilyon sa loob ng limang taon para sa imprastruktura at pananaliksik sa AI drug discovery.

Ang Panahon ng Digital Biology

Digital biology ay nagbabago kung saan nag-aakumulasyon ang oras, gastos, at panganib ng kabiguan sa buong pipeline ng drug discovery—iniilipat ang mas maraming eksplorasyon at pag-optimize sa komputasyon bago magsimula ang pinakamahal na wet-lab na trabaho.

Chart: Paano Binabago ng AI ang Ekonomiks ng Drug Discovery (Kung Saan Nagkakaroon ng Halaga)

I-swipe para mag-scroll →

Yugto ng Pagtuklas Tradisyonal na Balakid Pagbabago ng AI / Digital Biology Epekto sa Ekonomiya Pangunahing Pagkuha ng Halaga
Pagkilala sa Target Mababang o maingay na signal na biyolohikal; mabagal na siklo ng hypothesis Multiomics + ML inuuna ang mga sanhi na landas at biomarker; mabilis na pagraranggo ng hypothesis Mas maraming pagsubok na may mas kaunting patay na programa Pharma na mayaman sa datos at mga may-ari ng proprietary dataset
Pagdiskubre ng Hit Ang wet-lab screening ay mahal at limitado ng throughput In-silico screening nag-eeksplora ng mas malaking chemical space bago ang synthesis Mas mababang gastos bawat hit; mas mabilis na iteration loops Mga platform ng compute at modelo; mga vendor ng awtomasyon ng laboratoryo
Pag-optimize ng Lead Mga kabiguan sa ADME/tox sa huling bahagi ng siklo; mabagal na loop ng medicinal chemistry Generative models nagmumungkahi ng mga kandidato na na-optimize para sa potency, selectivity, at developability Mas kaunting redesign cycles; mas mahusay na developability mula sa simula Mga integrator ng pharma na may malakas na translational pipelines
Preclinical na Pagpapatunay Ang mga animal model ay hindi tugma sa biyolohiya ng tao; mabagal na pagpapatunay at mataas na variance Mas mahusay na pagpili ng biomarker + mga modelong may kaugnayan sa tao; awtomatikong, high-throughput na assays Mas mataas na kalidad ng signal na papasok sa IND-enabling na trabaho Mga stack ng awtomasyon at assay platforms; mga CRO na may AI tooling
Pagsasalin sa Klinikal Heterogeneous na tugon ng pasyente; mahina na stratification nagpapataas ng rate ng kabiguan Multiomic stratification nagtatakda ng mga responder subgroup at trial endpoints nang mas maaga Mas mahusay na kahusayan ng trial; mas kaunting dilution ng efficacy Mga may-ari ng gamot (pharma/biotech) na may pagsasakatuparan ng klinikal

Ang Pagsikat ng Multiomics

Ang napakalaking komplikasyon ng mga buhay na sistema ay nagdala sa pag-usbong ng multiomics, isang larangan na pinagsasama ang lahat ng -omics na sub-segment ng agham biyolohikal at itinuturing na susunod na hakbang sa biotechnology:

  • Genomics: ang pagsusuri ng DNA sequence sa nucleus ng mga selula.
  • Transcriptomics: ang pagsusuri ng mRNA na nagdadala ng mga instruksyon ng DNA.
  • Epigenomics: ang pagbabago ng genome nang hindi naaapektuhan ang genetic sequence, o “epigenetics”.
  • Proteomics: ang pagsusuri ng mga protina, kabilang ang modipikasyon ng protina gamit ang asukal (“post-translational”).
  • Metabolomics: ang pagsusuri ng mga kemikal na compound at metabolismo.
  • Microbiomics: ang pagsusuri ng lahat ng mikrobyo na nabubuhay sa loob o sa ibabaw ng katawan.
  • Single-cell multiomics: ang multiomics na pagsusuri sa indibidwal na mga selula.
  • Spatial biology: pagsusuri sa 3D ng lokasyon ng tiyak na mRNA, protina, o selula.

Pinagmulan: Ark Research

Ang multiomics ay lumitaw din dahil sa mas makapangyarihang mga analytical tool, mula sa genetic sequencers hanggang sa spatial biology.

Ang problema, gayunpaman, ay nagdudulot ito ng napakalaking baha ng datos na, sa unang pagkakataon, ang hamon para sa mga biyologo ay hindi na ang paghahanap ng kawili-wiling data point para sa praktikal na aplikasyon, kundi ang pagtukoy kung aling datos ang talagang mahalaga sa isang partikular na problema.

Kung ang bawat bagong silang sa mundo ay ma-sequence ang kanilang genome, isang posibleng praktis sa mga darating na taon, ito ay magbubuo ng 10,000 beses na datos kumpara sa ginagamit ng AI tulad ng Llama bawat taon.

Pinagmulan: Ark Research

Ano ang Digital Biology?

Isang bagong opsyon para sa pananaliksik ng biotech ang kamakailan lamang lumitaw: ang in-silico na pamamaraan, kung saan isa o ilang virtual na selula ay sinusubukang tularan sa isang computer.

“Sa 2026, ang pagtukoy ng mga target ng sakit ay aasa sa in silico na eksplorasyon bago magsimula ang anumang wet-lab na pagpapatunay.

Babawasan nito ang bilang ng mga programa na humihinto sa preclinical development.

Veronica DeFelice – Direktor ng Biologics sa Sapio Sciences.”

Ang mga virtual na selulang ito ay pagkatapos inilalantad sa potensyal na bagong paggamot, at kinakalkula ng simulation kung paano sila tutugon.

Pinagmulan: Ark Research

Isa pang opsyon ay ang pagsubok sa 3D na konfigurasyon ng isang protina, na sa huli ay tumutukoy sa biyolohikal na tungkulin nito.

Ang isang protein folding simulator tulad ng Google’s AI AlphaFold (GOOGL ) ay umunlad ng hanggang 500x mula noong 2018.

Pinagmulan: Ark Research

Kaya malamang na ang in-silico na mga simulation ay magiging isang kailangang teknolohiya para sa karamihan ng mga kumpanya ng parmasya at biotech.

Isa pang anyo ng digital biology ay ang paggamit ng advanced detection system upang tukuyin ang mga marker ng kanser sa isang blood sample, na pumapalit sa magastos at hindi gaanong epektibong biopsies, na nagreresulta sa mas maagang pagtuklas ng posibleng kanser.

Sa huli, ang automation, robotics, at AI ay nagsasama upang lumikha ng mga awtomatikong laboratoryo na maaaring magsagawa ng mga eksperimento nang walang tao, at suriin ang milyong-milyong potensyal na kapaki-pakinabang na molekula o compound sa mas mababang gastos at 100x na bilis kumpara sa tradisyonal na mga pamamaraan ng pananaliksik.

Pamumuhunan sa AI na Pagtuklas ng Gamot

LLY Tsart ng Presyo

Pangkalahatang-ideya ng Eli Lilly

Ang Eli Lilly ay isang napakalaking kumpanya ng parmasya na itinayo ang imperyo nito sa medisina sa pamamagitan ng quinine at pagkatapos ay insulin.

Ang paggamot sa diabetes ay nanatiling pangunahing pokus ng kumpanya, na may mahabang serye ng mga molekula na natuklasan at inaprubahan sa nakaraang 3 dekada para sa sakit na ito. Kabilang dito ang tirzepatide, na komersyal na inilunsad sa ilalim ng brand name na Mounjaro.

Noong 2010s, ang Eli Lilly ay lumawak din sa oncology (mga paggamot sa kanser) sa pamamagitan ng serye ng mga acquisition at pakikipagsosyo sa larangan, pati na rin ng mga in-house na pagsisikap sa pag-develop ng gamot upang bumuo ng matibay na portfolio ng mga oncology drug.

Ang molekulang tirzepatide ay muling ginamit bilang anti-obesity drug, sa ilalim ng brand name na Zepbound, ang pinakamalaking kakompetensya ng Ozempic. Ito ay naging lifesaver para sa Eli Lilly, dahil marami sa kanilang mga lumang gamot ay nalagpas na ang patent, na nangangahulugang maaaring gumawa na rin ang mga generic drug manufacturer ng mga ito at makipagkumpetensya sa presyo.

Gayunpaman, ang labis na pag-asa sa isang solong patented peptide at mga potensyal na derivative nito ay isang mapanganib na posisyon at hindi napapanatili sa pangmatagalan. Tulad ng karamihan sa mga kumpanya ng parmasya, may matinding pangangailangan na bumalik sa diversified na inobasyon. Ngunit hindi tulad ng marami sa industriya, may plano ang Eli Lilly, at ito ay nakasalalay sa pag-all‑in sa AI at digital biology.

AI na Pagtuklas ng Gamot ng Eli Lilly

Ang pinakamalaki at pinakabagong anunsyo tungkol sa AI drug discovery at Eli Lilly ay ang pakikipagsosyo nito sa Nvidia.

“NVIDIA at Lilly ay pinagsasama ang pinakamahusay sa aming mga industriya upang lumikha ng bagong blueprint para sa drug discovery — isang kung saan maaaring mag-eksplora ang mga siyentipiko ng malawak na biological at chemical spaces in silico bago pa man magawa ang isang molekula.”

Jensen Huang, founder and CEO of NVIDIA

Ang plano ay pagsamahin ang agentic wet labs ng Lilly sa computational dry labs, na magbibigay-daan sa 24/7 na AI‑assisted experimentation. Ito ay sinamahan ng dating inanunsyong AI supercomputer gamit ang 1,000 NVIDIA Blackwell Ultra GPUs para sa isang AI factory na magta‑train ng malalaking biomedical foundation at frontier models para sa pagtukoy, pag‑optimize, at pag‑validate ng mga bagong molekula.

“Ang aming foundation models ay nagbubukas ng mga bagong posibilidad para sa aming mga chemist, tinutulungan silang matuklasan ang mga bagong motif at configuration ng atoms na hindi naaabot ng tradisyonal na pamamaraan.”

Thomas Fuchs – Chief AI Officer sa Eli Lilly

Ang $1B partnership na ito ay lamang ang pinakabagong (at pinakamalaking) galaw ng kumpanya ng parmasya papunta sa AI drug discovery. Dati na nitong ginawa, kabilang ang:

Nakipagsosyo rin ang Eli Lilly sa Benchling, isang cloud‑based software platform na dinisenyo para sa life science R&D, upang magbigay sa mga biotech startup ng access sa mga modelo na sinanay sa dekada ng proprietary research data ng Lilly.

Tinawag na TuneLab, ang platform na ito ay dapat makatulong sa Eli Lilly na makipagsosyo sa mga early‑stage life sciences sa ilalim ng kanilang “Catalyze360” program.

Sa pangkalahatan, ang mga AI drug discovery partnership at ang pagbuo ng imprastruktura sa lahat ng direksyon ay malamang na muling buuin ang discovery pipeline ng Eli Lilly at itulak ang posisyon nito sa antibiotics, cancer drugs, rare diseases, at obesity.

Investor Takeaway: Ang mga mananalo sa AI drug discovery ay malamang na (1) mga integrator ng pharma na may kapital + datos (hal., Lilly) at (2) mga platform enablers na nagbebenta ng picks‑and‑shovels (compute, lab automation, R&D software, at model tooling). Ang pangunahing investable signal sa 2026 ay deal velocity: pagtaas ng mga partnership na may maraming milestone at M&A habang ang pharma ay bumibili ng validated targets, datasets, at automation capacity upang paikliin ang preclinical timelines at bawasan ang late‑stage attrition.

Pinakabagong Balita at Pag-unlad ng Stock ng Eli Lilly (LLY)

mm

Si Jonathan ay dating mananaliksik na biochemist na nagtrabaho sa pagsusuri ng henetika at mga klinikal na pagsubok. Siya ngayon ay isang stock analyst at manunulat sa pananalapi na nakatuon sa inobasyon, mga siklo ng merkado, at heopolitika sa kanyang publikasyon 'The Eurasian Century'.