AI के विशेषज्ञ कहते हैं कि 5 से 10 वर्षों में अधिकांश बीमारियाँ ठीक हो सकती हैं, लेकिन बर्नस्टीन कहते हैं कि रुकिए। 26 अगस्त को, बर्नस्टीन ने अमेरिकी बायोफार्मा उद्योग की रिपोर्ट जारी की, जिसमें दवा अनुसंधान में AI की वास्तविक प्रगति का व्यवस्थित विश्लेषण किया गया: लगभग 70 AI-आधारित प्रोजेक्ट्स क्लिनिकल पाइपलाइन में पहुँच चुके हैं, लेकिन अधिकांश अभी शुरुआती चरण में हैं, और सच्ची परीक्षा अगले 3 से 5 साल में होगी।
डीपमाइंड के सीईओ डेमिस हैसाबिस कहते हैं कि "शायद 10 साल में AI सभी बीमारियों का इलाज कर सकता है", जबकि एंथ्रोपिक के सीईओ डैरियो अमोडेई और अधिक उत्साही हैं: "5 से 10 साल में अधिकांश मानव बीमारियों का इलाज।" बर्नस्टीन का मानना है कि ये बयान AI के सामाजिक मूल्य के लिए एक बचाव हैं, जो दवा विकास की वास्तविकता पर आधारित नहीं हैं। लक्ष्य खोज से लेकर क्लिनिकल ट्रायल्स, और फिर स्वास्थ्य प्रणाली की समझने की क्षमता तक, प्रत्येक स्तर एक बैरियर है। AI कुछ चरणों को तेज कर सकता है, लेकिन जीवविज्ञान को अंततः मानव शरीर में सत्यापित किया जाना है, और इस गति को एल्गोरिदम द्वारा संकुचित नहीं किया जा सकता।
सफलता की दर में वृद्धि, गति बढ़ाने से अधिक मूल्यवान है
बर्नस्टीन के अनुसार, सफलता की दर में 20% की वृद्धि से उत्पन्न अनुसंधान और विकास का लाभ, समान मात्रा में समय और लागत बचत से अधिक होता है। असफलता की लागत बाद के चरणों में केंद्रित होती है, इसलिए असफलता से बचना प्रक्रिया को तेज करने से अधिक मूल्यवान है।
AI का सफलता की दर पर प्रभाव इस बात पर निर्भर करता है कि यह किस समस्या को हल कर रहा है। यदि AI का उपयोग मुख्य रूप से ज्ञात लक्ष्यों के लिए अणु अनुकूलन में किया जाता है, तो सफलता की दर बढ़ सकती है, लेकिन इन "आसान समस्याओं" का मूल्य सीमित होता है। यदि AI का उपयोग ऐसी कठिन बीमारियों को हल करने में किया जाता है, जिनकी जैविक समझ अभी पर्याप्त नहीं है, तो भले ही समग्र सफलता की दर कम हो, लेकिन इससे अधिक मूल्य पैदा होता है।
बर्नस्टीन एक अप्रत्याशित निष्कर्ष देते हैं: जितना अधिक AI का उपयोग किया जाता है, उतना ही अधिक वास्तविक प्रयोगों की आवश्यकता हो सकती है। सबसे कठिन समस्याएँ ट्रेनिंग डेटा की सबसे अधिक कमी का सामना कर रही हैं, और नए डेटा का उत्पादन करने के लिए बड़ी मात्रा में प्रयोगात्मक निवेश की आवश्यकता होती है। AI और वास्तविक प्रयोग परस्पर पूरक हैं। एक वास्तविक प्रयोग करने की लागत, एक बाद के चरण में विफल होने वाले प्रोजेक्ट की लागत से कहीं कम है।
Pharma AI布局: Eli Lilly सबसे व्यापक, Amgen सबसे गहरा, Roche सबसे अधिक कैलकुलेशन पावर पर ध्यान केंद्रित करता है
बर्नस्टीन ने 15 बड़ी फार्मास्यूटिकल कंपनियों के 183 एआई दवा खोज साझेदारी का आंकलन किया। प्रत्येक की रणनीति में भारी अंतर है।
Eli Lilly के बाहरी साझेदारी नेटवर्क सबसे व्यापक है, 2019 से अब तक कुल 25 लेन-देन, जिनमें खुलासा किए गए प्रारंभिक भुगतान लगभग 353 मिलियन अमेरिकी डॉलर हैं। साझेदारों में Insilico Medicine, Profluent, Verge Genomics, Genesis Therapeutics शामिल हैं। Eli Lilly के पास NVIDIA Co-Innovation AI Lab भी है, जो बाहरी व्यापकता और आंतरिक कंप्यूटिंग क्षमता के सबसे संतुलित संयोजन को दर्शाता है।
रोच ने 20 साझेदारियों के साथ दूसरा स्थान हासिल किया, जिसमें स्पष्ट रूप से ट्यूमर (8) और न्यूरोसाइंस (4) पर ध्यान केंद्रित किया गया है। जेनेटेक का मिक्स्ड AI फैक्ट्री बर्नस्टीन द्वारा "उद्योग में अब तक की सबसे बड़ी स्थानीय GPU डिप्लॉयमेंट" कहलाया गया है। रेकर्शन की 12 अरब डॉलर की साझेदारी सबसे बड़ी एकल लेन-देन है।
अमजेन के बाहरी साझेदारी सबसे कम (5), और आंतरिक AI और कंप्यूटिंग बुनियादी ढांचे में सबसे अधिक भिन्नता है। 2012 में अधिग्रहित deCODE Genetics उद्योग-अग्रणी जनसांख्यिकीय जीनोमिक्स इंजन प्रदान करता है, जो लक्ष्यों को प्राथमिकता देने के लिए रोग-संबंधित आनुवंशिक विभिन्नताओं की पहचान और पुष्टि कर सकता है। अमजेन ने स्थानीय DGX SuperPOD पर पांच स्वामित्व वाले एंटीबॉडी भाषा मॉडल को प्रशिक्षित किया है, जिसका डेटा रक्षा कवच स्पष्ट है।
AstraZeneca के 19 लेनदेन, जबकि आर्थिक ध्यान CSPC Pharmaceutical Group के तीन समझौतों पर केंद्रित है, जो उनके घोषित प्रारंभिक भुगतान का अधिकांश हिस्सा हैं।
नोवो نور्डिस्क के 10 साझेदारी सभ 2022 के बाद केंद्रित हैं, जिनमें से 7 कार्डियोवैस्कुलर मेटाबोलिक और गुर्दे के रोगों पर हैं, जो इलाज के क्षेत्र में सबसे अधिक केंद्रित बड़ी फार्मा कंपनी है।
फाइजर के साथ प्लेटफॉर्म-आधारित सहयोग सबसे अधिक (9 समझौते पूरी लाइन उत्पाद पर), AI बेसिक मॉडल का संबंध 2016 के IBM Watson तक जाता है, और कोई विशिष्ट कैलकुलेशन सामर्थ्य सहयोग पहचाना नहीं गया।
伯恩斯坦强调，这些都是外部视角的判断，真正整合质量和内部文化转型难以量化。
AI बायोटेक्नोलॉजी: क्लिनिकल एसेट्स वास्तविक परीक्षण हैं
लगभग 70 AI स्रोत प्रोजेक्ट्स मुख्य रूप से सूचीबद्ध कंपनियों पर केंद्रित हैं, जिनकी परिभाषाएँ AI ड्रग रिपोजिशन से लेकर AI टार्गेट डिस्कवरी और AI अणु डिजाइन तक बहुत विस्तृत हैं।
इंसिलिको का रेंटोसर्टिब AI-आधारित दवा विकास का एक प्रतिनिधि मामला है। AI प्लेटफॉर्म PandaOmics ने TNIK को अज्ञात कारण से फेफड़ों के रेशेदार होने का लक्ष्य पहचाना, Chemistry42 के जनरेटिव AI ने अणुओं का डिज़ाइन किया, जिससे लक्ष्य की कल्पना से नैदानिक पूर्व उम्मीदवार तक का समय मात्र 18 महीने रहा। यह दवा अब III चरण में है, और 2029 अक्टूबर में प्राथमिक अंतिम बिंदु का परिणाम आने की उम्मीद है, जो AI दवा उद्योग के सबसे महत्वपूर्ण डेटा पॉइंट्स में से एक है।
Recursion, कोशिका छवि और बहु-ओमिक्स द्वारा लक्ष्य खोज के माध्यम से, रोच, बायर और सैनोफी के साथ सहयोग करता है।
Generate Biomedicines ने प्रोटीन दवाओं का डिज़ाइन किया है, GB-0895 (TSLP एंटीबॉडी) अब III चरण में है, जिसका उद्देश्य AI द्वारा डिज़ाइन किए गए प्रोटीन को भिन्न दवा प्रदान करने की रणनीति में परिवर्तित किया जा सकता है।
रिले थेराप्यूटिक्स प्रोटीन गतिशीलता मॉडलिंग के माध्यम से दवाएँ डिज़ाइन करती है, और जूगललिसिब (PI3Kα इनहिबिटर) III चरण में पहुँच चुका है, जिसमें इस बात की जाँच की जा रही है कि क्या संरचनात्मक चयन के माध्यम से उपचार की खिड़की में सुधार हो सकता है।
Schrödinger ने भौतिक कंप्यूटिंग प्राथमिकता रणनीति अपनाई है, और Zasocitinib (TYK2 अवरोधक) के लिए बाजार में आने का आवेदन दायर कर दिया गया है। इस टारगेट के लिए BMS का deucravacitinib पहले से ही क्लिनिकल सत्यापन प्रदान करता है, इसलिए इसे गणना-सहायता अनुकूलन की सफलता का उदाहरण माना जाना चाहिए, जहाँ AI की नए टारगेट की खोज में कोई उल्लेखनीय क्रांति नहीं दिखाई देती। टारगेट चयन से लेकर क्लिनिकल परीक्षण तक में 8 से 10 साल का समय लगा, जो उद्योग मानक समयरेखा को संक्षिप्त नहीं कर पाया।
FDA के अनुमोदन डेटा में अभी तक AI का प्रभाव दिखाई नहीं देता।
पिछले पांच वर्षों में FDA ने औसतन प्रति वर्ष 48.5 नए दवाएं मंजूरी दीं, जो 1985 से 2025 तक के औसत 33.8 से लगभग 43% अधिक है। बर्नस्टीन का मानना है कि यह अधिकांशतः नियामक आधुनिकीकरण, जैविक दवाओं के उदय और पिछले शोध एवं विकास निवेश के सं tích प्रभाव को दर्शाता है, AI अभी तक अनुमोदन आंकड़ों पर कोई स्पष्ट प्रभाव नहीं डाला है। AI स्रोत पाइपलाइन के आकार के छोटे होने और क्लिनिकल पुष्टि में समय लगने के कारण, इस स्थिति में शीघ्र ही कोई परिवर्तन नहीं होगा।
बर्नस्टीन के निष्कर्ष व्यावहारिक हैं। AI ने अब तक अणु डिजाइन, वर्चुअल स्क्रीनिंग और टार्गेट खोज में भूमिका निभाई है, और कुछ प्रारंभिक प्रोजेक्ट्स क्लिनिकल ट्रायल्स के अंतिम चरण में पहुंच चुके हैं। "सभी बीमारियों का इलाज" के लिए जीवविज्ञान की समझ, क्लिनिकल ट्रायल्स, नियामक मंजूरी और स्वास्थ्य प्रणाली की क्षमता जैसे कई बाधाओं को पार करना होगा, जो केवल एल्गोरिदम के अनुकूलन से हल नहीं हो सकता। AI-आधारित दवा विकास का मूल्य संभवतः प्रक्रिया को तेज करने में नहीं, बल्कि उद्योग को बेहतर निर्णय लेने में मदद करने में है। वास्तविक उत्तर 3 से 5 साल की प्रतीक्षा में है।
Disclaimer
यह लेख चाओशियां रिसर्च द्वारा तीसरे पक्ष के ब्रोकरेज रिसर्च रिपोर्ट (बर्नस्टीन, 26 अगस्त 2026) को संकलित और व्याख्या करके तैयार किया गया है, जिसमें खुले बाजार की जानकारी को भी शामिल किया गया है। इस लेख में उद्धृत किए गए रेटिंग, लक्ष्य मूल्य, लाभ अनुमान और संबंधित निष्कर्ष केवल उस ब्रोकरेज के विश्लेषकों के दृष्टिकोण हैं, जो केवल उनके संस्थान की स्थिति का प्रतिनिधित्व करते हैं, और चाओशियां रिसर्च के दृष्टिकोण को प्रतिबिंबित नहीं करते हैं, न ही यह कोई निवेश सुझाव प्रदान करते हैं।
बाजार में जोखिम है, निर्णय स्वतंत्र रूप से लें। यह लेख किसी भी प्रतिभूति को खरीदने या बेचने के लिए आधार नहीं होना चाहिए।
लेखक: रिता