Sinabi ng mga eksperto sa AI na maaaring malunasan ang karamihan sa mga sakit sa loob ng 5 hanggang 10 taon, ngunit sinabi ni Bernstein, “Hintayin muna.” Noong Agosto 26, inilabas ni Bernstein ang ulat tungkol sa industriya ng biyopharmaceutical sa Estados Unidos, kung saan isinuri nang sistematiko ang tunay na pag-unlad ng AI sa pagbuo ng gamot: umabot na sa 70 ang mga proyekto mula sa AI na nasa clinical pipeline, ngunit ang karamihan ay nasa maagap pa lamang na yugto, at ang totoong pagsubok ay darating sa susunod na 3 hanggang 5 taon.
Sinabi ng CEO ng DeepMind na si Demis Hassabis na “baka sa loob ng 10 taon ay maaaring gamutin ng AI ang lahat ng sakit,” habang mas agresibo ang CEO ng Anthropic na si Dario Amodei: “5 hanggang 10 taon para gamutin ang karamihan sa mga sakit ng tao.” Sa palagay ni Bernstein, ang mga pahayag na ito ay mas maraming pagtatanggol sa sosyal na halaga ng AI kaysa sa batayang realismo sa pagbuo ng gamot. Mula sa paghahanap ng target, sa mga klinikal na pagsubok, hanggang sa kakayahan ng sistemang pangkalusugan na masunod, bawat antas ay isang bottleneck. Maaaring mabilisin ng AI ang ilang bahagi, ngunit ang biyolohiya ay kailangang masuri sa loob ng katawan ng tao—at ang ritmong ito ay hindi maaaring ma-compress ng algoritmo.
Mas mahalaga ang pagtaas ng成功率 kaysa sa pagpapabilis ng bilis
Ipinagkalkula ni Bernstein na ang pagtaas ng tagumpay na 20% ay nagdudulot ng mas malaking return sa pagpapalaganap kaysa sa parehong pagsabay sa oras at gastos. Ang gastos ng pagkabigo ay nakatuon sa huling yugto, kaya mas mahalaga ang pag-iwas sa pagkabigo kaysa sa pagpapabilis ng proseso.
Ang epekto ng AI sa tagumpay ay nakadepende sa anong problema ito ay sinisikap na lutasin. Kung ginagamit ang AI pangunahin para sa pag-optimize ng molekula sa mga kilalang target, maaaring itaas ang tagumpay, ngunit ang halaga ng mga “madaling problema” na ito ay limitado. Kung ginagamit ang AI para lutasin ang mga matitigas na sakit na hindi pa lubos na nauunawaan sa biyolohiya, kahit na mababa ang pangkalahatang tagumpay, mas malaki ang nilikhang halaga.
Ipinakita ni Bernstein ang isang konklusyon na hindi karaniwan: habang mas maraming ginagamit ang AI, mas maraming din posibleng kailangan ng wet experiment. Ang pinakamahirap na mga tanong ay nasa harap ng krisis sa kakulangan ng training data, at ang pagbuo ng bagong data ay nangangailangan ng malaking pagsisikap sa eksperimento. Ang AI at ang wet experiment ay komplementario. Mas mababa ang gastos sa paggawa ng isang karagdagang wet experiment kaysa sa isang proyektong nabigo sa huling yugto.
Ang pagkakasunod ng AI sa mga kumpanya ng gamot: Eli Lilly ang pinakalawak, Amgen ang pinakamalalim, at Roche ang pinakamalakas sa computing power.
Ibinilang ni Bernstein ang 183 na pagkakasundo sa paghahanap ng gamot na AI ng 15 malalaking kumpanya ng gamot. Malaki ang pagkakaiba sa bawat estratehiya.
Ang Eli Lilly ay may pinakalawak na network ng panlabas na pagkakaisa, na may kabuuang 25 na transaksyon mula 2019 hanggang ngayon, na may pampublikong unang bayad na humigit-kumulang sa $353 milyon. Ang mga kakilala ay kasama ang Insilico Medicine, Profluent, Verge Genomics, at Genesis Therapeutics. Ang Eli Lilly ay mayroon din sa NVIDIA Co-Innovation AI Lab, na nagbibigay ng pinakamabalanse na kombinasyon ng panlabas na kalawakan at panloob na computing power.
Si Roche ay nasa pangalawang pwesto sa 20 na pagkakasundo, na may malinaw na pagkonsentrasyon sa onkology (8) at neurosiyensya (4). Ang hybrid AI factory ni Genentech ay tinawag ng Bernstein bilang “pinakamalaking lokal na GPU deployment na ipinahayag sa industriya.” Ang 1.2 bilyong dolyar na pagkakasundo ni Recursion ay ang pinakamalaking isang transaksyon.
Ang Amgen ay may pinakamababang bilang ng panlabas na pakikipagtulungan (5), at ang pinakadifferentiating na pagkakabuod ng AI at computing power nito. Ang deCODE Genetics, na kinuha noong 2012, ay nagbibigay ng pinakamalikhaing engine para sa population genomics na makakatuklas at mapatotohanan ang mga genetic variation na may kaugnayan sa sakit upang masukat ang mga target. Tinuruan ng Amgen ang limang proprietary na antibody language models sa lokal na DGX SuperPOD, na may malaking data moat.
19 ang bilang ng mga transaksyon ng AstraZeneca, na mataas na nakatuon sa tatlong kasunduan ng CSPC Pharmaceutical Group, na kumakatawan sa karamihan sa kanilang pampublikong upfront payment.
Ang Novo Nordisk ay may 10 na pagkakasundo, lahat ay naganap pagkatapos ng 2022, na 7 sa mga sakit ng kardiovaskular, metaboliko at bato, ang pinakamalaking kumpanya ng gamot na may pinakamalakas na pagkonsentrasyon sa mga larangan ng paggamot.
Pinakamaraming platform-based collaboration ni Pfizer (9 na proyekto sa buong pipeline), ang ugnayan sa AI foundation model ay maaaring ma-track pabalik sa 2016 na IBM Watson, walang nakikilalang collaboration sa dedicated compute power.
Pinahalagahan ni Bernstein na ang lahat ng ito ay mga pananaw mula sa labas, at ang tunay na pagkakaisa ng kalidad at pagbabago ng loobang kultura ay mahirap masukat.
AI bioteknolohiya: Ang mga klinikal na aset ay ang tunay na pagsubok
Higit sa 70 mga proyekto mula sa AI na mga pinagkukunan ay nakatuon sa mga nakalistang kompanya, at may malaking pagkakaiba sa kanilang depinisyon, mula sa AI-powered drug repurposing hanggang sa AI-target discovery kasama ang AI molecular design.
Ang Rentosertib ni Insilico ay isang pangunahing halimbawa ng end-to-end AI sa paggawa ng gamot. Ang AI platform na PandaOmics ay natukoy ang TNIK bilang target para sa idiopathic pulmonary fibrosis, habang ang Chemistry42 na generative AI ay nagdisenyo ng molecule, mula sa target hypothesis hanggang sa clinical candidate sa loob ng halos 18 buwan. Ang gamot ay nasa Phase III na at inaasahang ma-read out ang pangunahing endpoint noong Oktubre 2029, isang sa mga pinakamahalagang data point sa industriya ng AI-driven drug discovery.
Ang Recursion ay nakikipagtulungan sa Roche, Bayer, at Sanofi sa pamamagitan ng paggamit ng cell imaging at multi-omics upang makahanap ng mga target.
Generate Biomedicines ay nagdidisenyo ng protein-based drugs, at ang GB-0895 (TSLP antibody) ay nasa Phase III upang patunayan kung ang mga protein na disenyo ng AI ay maaaring ilipat sa mga differentiated dosing regimen.
Ang Relay Therapeutics ay nagdidisenyo ng gamot sa pamamagitan ng pagmumodelo ng paggalaw ng protina, at ang zoogalalisib (PI3Kα inhibitor) ay nasa Phase III upang subukan kung maaari bang mapabuti ang therapeutic window sa pamamagitan ng konformasyonal na pagpili.
Ginamit ng Schrödinger ang pagiging prioridad sa pisikal na kompyutasyon, at naisumite na ang pag-aplay para sa pagpapalabas ng Zasocitinib (TYK2 inhibitor). Mayroon nang klinikal na pagpapatotoo mula sa deucravacitinib ni BMS para sa target na ito, kaya ito ay dapat ituring bilang isang tagumpay na kaso ng pag-optimize na may tulong ng kompyutasyon; ang pagbobroke ng AI sa paghahanap ng mga bagong target ay hindi pa nakikita dito. Nanggaling sa pagpili ng target hanggang sa klinikal na pagsubok, ito ay tumagal ng 8 hanggang 10 taon, at hindi nagkamit ng pagpapabilis sa standard na timeline ng industriya.
Hindi pa nakikita sa data ng FDA ang epekto ng AI
Ang FDA ay nag-approve ng katamtamang 48.5 bagong gamot bawat taon sa nakalipas na limang taon, na humigit-kumulang 43% mas mataas kaysa sa katamtamang 33.8 bawat taon mula 1985 hanggang 2025. Sa pananaw ng Bernstein, mas maraming nagpapakita ito ng modernisasyon ng regulasyon, pag-usbong ng mga biologiko, at epekto ng nakaraang pag-invest sa R&D, habang ang AI ay hindi pa nagdulot ng makikita mong epekto sa mga datos ng pag-approve. Dahil ang mga pinagkukunan ng AI ay nananatiling maliit at kailangan pa ng panahon para sa klinikal na pagpapatotoo, ang sitwasyong ito ay hindi magbabago sa maikling panahon.
Ang konklusyon ni Bernstein ay praktikal. Ang AI ay nagsagawa na ng papel sa pagdidisenyo ng molekula, virtual screening, at paghahanap ng target, at ang ilang mga maagang proyekto ay nasa huling yugto ng klinikal. Ang "pagpapagaling sa lahat ng sakit" ay nangangailangan ng paglalampas sa mga hadlang sa pag-unawa sa biyolohiya, klinikal na pagsubok, pagsasagawa ng regulasyon, at kapasidad ng sistema ng pangangalaga sa kalusugan—ito ay hindi isang problema na maaaring lutasin ng pagpapabuti ng algoritmo. Ang halaga ng AI sa paggawa ng gamot ay maaaring nasa pagtulong sa industriya na gawin ang mas mabuting desisyon, hindi sa pagpapabilis ng proseso. Ang totoong sagot ay kailangan pa ng 3 hanggang 5 taon.
Disclaimer
Ito ay isang pag-aayos at pagsusuri ng潮向研究 sa third-party research report ng broker (Bernstein, Agosto 26, 2026), kasama ang pag-aayos ng public market information. Ang mga rating, target price, mga proyeksyon ng kita, at kaugnay na mga pagtataya na binanggit dito ay mga opinyon lamang ng analyst ng broker at kumakatawan lamang sa posisyon ng kanilang institusyon, at hindi nagpapahiwatig ng pananaw ng潮向研究, ni hindi ito nagbibigay ng anumang investment advice.
May panganib ang merkado, kailangan ng sariling desisyon ang paggawa ng desisyon. Huwag gamitin ang artikulong ito bilang batayan para bumili o magbenta ng anumang sekuridad.
Isinulat ni Rita