AI uzmanları, 5 ila 10 yıl içinde çoğu hastalığın tedavi edilebileceğini söylüyor, ancak Bernstein bekliyor. 26 Ağustos'ta Bernstein, AI'nın ilaç geliştirme sürecindeki gerçek ilerlemelerini sistematik olarak değerlendiren ABD biyofarmasötik sektörü raporunu yayınladı: Yaklaşık 70 AI tabanlı proje klinik aşamaya girmiş durumda, ancak çoğunluğu hâlâ erken aşamada; gerçek testler, önümüzdeki 3 ila 5 yıl içinde gelecek.
DeepMind CEO Demis Hassabis, "Belki 10 yıl içinde AI tüm hastalıkları tedavi edebilir" diyor, Anthropic CEO Dario Amodei ise daha da kararlı: "5 ila 10 yıl içinde insanlığın çoğu hastalığını tedavi edebiliriz". Bernstein, bu iddiaların ilaç geliştirme gerçekliği temel alınmadan AI'nın toplumsal değerini savunma şeklinde olduğunu düşünüyor. Hedef keşfinden klinik deneylere, ardından tıbbi sistemlerin sindirme kapasitesine kadar her aşama bir engel. AI bazı aşamaları hızlandırabilir, ancak biyoloji nihayetinde insan vücudunda doğrulanmalıdır ve bu tempo algoritmalarla kısaltılamaz.
Başarı oranı artışı, hızın artışından daha değerlidir
Bernstein'e göre, başarı oranında %20 artış sağlanmasıyla elde edilen araştırma ve geliştirme getirisi, aynı oranda zaman ve maliyet tasarrufundan daha büyüktür. Başarısızlığın maliyeti son aşamalarda yoğunlaşır; başarısızlığı önlemek, süreci hızlandırmaktan daha değerlidir.
AI'nin başarı oranına etkisi, hangi sorunu çözdüğüne bağlıdır. AI, bilinen hedeflere yönelik molekül optimizasyonunda kullanılırsa başarı oranı artırılabilir, ancak bu tür "kolay sorunların" değeri sınırlıdır. AI, biyolojik anlayışın yetersiz olduğu tedavi edilemez hastalıkları çözmek için kullanılırsa, genel başarı oranı düşük olsa bile oluşturulan değer daha büyüktür.
Bernstein, AI'nin ne kadar çok kullanılırsa kullanılsın, nemli deneylerin de belki daha çok gerekli olabileceğini gösteren bir tersintüitif sonuç ortaya koyuyor: En zor sorunlar, en az veriye sahip eğitim verileriyle karşı karşıya kalıyor ve yeni veri üretmek büyük deney girişimleri gerektiriyor. AI ve nemli deneyler birbirini tamamlayıcıdır. Bir nemli deney yapmanın maliyeti, sonradan başarısız olan bir projenin maliyetinden çok daha düşüktür.
İlaç şirketleri AI stratejisi: Eli Lilly en geniş, Amgen en derin, Roche en güçlü hesaplama gücüne sahip.
Bernstein, 15 büyük ilacının 183 AI ilac keşfi işbirliğini analiz etti. Her birinin stratejisi önemli ölçüde farklıydı.
Eli Lilly'nin dış ortaklık ağı en geniştir; 2019'dan bu yana toplam 25 işlem yapılmıştır ve açıkça belirtilen ilk ödemeler yaklaşık 353 milyon ABD dolarıdır. Ortaklar arasında Insilico Medicine, Profluent, Verge Genomics ve Genesis Therapeutics yer alır. Eli Lilly, NVIDIA Co-Innovation AI Lab'ine de sahiptir ve dış genişlik ile iç hesaplama gücü arasında en dengeli kombinasyona sahiptir.
Roche, 20 iş birliğiyle ikinci sırada yer alıyor ve özellikle onkoloji (8) ve nörobilim (4) alanlarına odaklanıyor. Genentech'in karışık AI fabrikası, Bernstein tarafından "sana duyurulan en büyük yerel GPU kurulumu" olarak tanımlanıyor. Recursion'un 1,2 milyar dolarlık iş birliği, en büyük tekil işlem.
Amgen, en az dış ortaklık (5 adet) ve en fazla iç AI ve hesaplama altyapısı farklılaşması ile dikkat çekiyor. 2012 yılında satın alınan deCODE Genetics, hastalıklara ilişkin genetik varyasyonları tanımlamak ve doğrulamak için endüstride lider insan genomik motorunu sunuyor. Amgen, yerel DGX SuperPOD üzerinde beş adet özel antikor dil modelini eğitti ve veri koruma avantajı belirgin.
AstraZeneca'nın 19 işlemi var; ekonomi, CSPC Pharmaceutical Group'a ait üç anlaşmaya yoğunlaşmış ve bu anlaşmalar, açıklanan başlangıç ödemelerinin büyük çoğunluğunu oluşturuyor.
Novo Nordisk'in 10 iş birliği tamamen 2022 sonrası odaklanmıştır; bunların 7'si kardiyovasküler metabolik ve böbrek hastalıklarına yöneliktir ve en odaklı büyük ilac şirketidir.
Pfizer, en fazla platform tabanlı iş birliğine sahip (tam ürün portföyü kapsamındaki 9 iş birliği), AI temel model ilişkileri 2016 IBM Watson'a kadar uzanıyor; özel hesaplama gücü iş birliği tespit edilmedi.
Bernstein, bunların tümünün dışsal bir bakış açısıyla yapılan yargılar olduğunu ve kalitenin gerçek entegrasyonunu ile içsel kültürel dönüşümün ölçülemez olduğunu vurguladı.
Yapay Zeka Biyoteknoloji: Klinik varlıklar gerçek test taşıdır.
Yaklaşık 70 AI kaynaklı proje çoğunlukla halka açık şirketlere odaklanıyor ve AI ilacı yeniden amaçlama ile AI hedef keşfi ve AI moleküler tasarım arasında büyük farklılıklar gösteriyor.
Insilico'nun Rentosertib'i,端到端 AI ilac geliştirme'nin temsilci örneğidir. AI platformu PandaOmics, TNIK'i idyopatik pulmoner fibrozis hedefi olarak tanımladı, Chemistry42 generatif AI'sı molekül tasarladı ve hedef varsayımından ön klinik adaya yaklaşık 18 ay sürdü. İlaç Phase III'e girdi ve ana uç noktaların 2029 yılı Ekim ayında okunması bekleniyor; bu, AI ilac endüstrisinin en önemli veri noktalarından biridir.
Recursion, hücre görüntüleme ve çoklu omiklerle hedef keşfine dayanarak, Roche, Bayer ve Sanofi ile ortaklık kurmuştur.
Biomedicines üretin: GB-0895 (TSLP antikoru), AI ile tasarlanmış bir proteinin farklılaştırılmış tedavi yöntemlerine dönüştürülebilirliğini doğrulamak amacıyla III. faz aşamasına girdi.
Relay Therapeutics, protein hareketi modellemesiyle ilaç tasarlar; zoogalalisib (PI3Kα inhibitörü) III. fazda, konformasyon seçiciliğiyle tedavi penceresini iyileştirmeyi test etmektedir.
Schrödinger, fiziksel hesaplama öncelikli bir strateji kullanıyor ve Zasocitinib (TYK2 inhibitörü) pazarlama başvurusu sunuldu. Bu hedefe yönelik olarak BMS'in deucravacitinib'i klinik doğrulama sağlamıştır; bu nedenle bu durum, hesaplama yardımıyla optimizasyonun başarılı bir örneği olarak görülmelidir. AI'nın yeni hedeflerin keşfindeki atılımı burada yansıtılmamıştır. Hedef seçimi ile klinik testler arasında 8 ila 10 yıl süre geçmiştir ve endüstri standardı zaman çizelgesi kısaltılmamıştır.
FDA onay verilerinde AI etkisi henüz yansımadı
FDA, son beş yılda yıllık ortalama 48,5 yeni ilaç onayladı; bu sayı, 1985 ile 2025 yılları arasındaki yıllık ortalama 33,8'den yaklaşık %43 daha yüksek. Bernstein, bu artışın daha çok düzenleyici modernleşme, biyolojik ilaçların yükselişi ve geçmişteki araştırma-geliştirme yatırımlarının birikimli etkisini yansıttığını düşünüyor; AI henüz onay verilerine görünür bir katkı sağlamamıştır. AI kaynak borularının hâlâ küçük olması ve klinik doğrulamanın zaman gerektirmesi nedeniyle bu durum kısa vadeli olarak değişmeyecek.
Bernstein sonucu pratik. AI, molekül tasarımı, sanal筛选 ve hedef keşfinde zaten rol oynamaktadır ve bazı erken projeler klinik son aşamalara ulaşmıştır. "Tüm hastalıkları iyileştirmek", biyolojik anlayış, klinik deneyler, düzenleyici onaylar ve sağlık sistemi kapasitesi gibi çok sayıda engeli aşmayı gerektirir; bu, algoritma yinelemeleriyle çözülebilecek bir sorun değildir. AI'nın ilacın değerini, süreci hızlandırmakta değil, endüstriye daha iyi kararlar alma konusunda yardımcı olmada bulmak mümkündür. Gerçek cevap 3 ila 5 yıl içinde ortaya çıkacaktır.
Sorumluluk Reddi
Bu metin, Çaoxiang Araştırma tarafından üçüncü taraf bir menkul kıymetler analiz şirketi raporundan (Bernstein, 26 Ağustos 2026) derlenen ve halka açık piyasa verileriyle birleştirilen bir özet ve yorumdur. Metinde yer alan değerlendirme, hedef fiyat, kâr tahminleri ve ilgili yargılar, söz konusu menkul kıymetler analiz şirketi analistlerinin görüşlerini yansıtmaktadır ve yalnızca bu kuruluşun tutumunu temsil eder; Çaoxiang Araştırma'nın görüşünü yansıtmaz ve hiçbir yatırım önerisi oluşturmaz.
Piyasa riskleri vardır, kararlar bağımsız alınmalıdır. Bu yazı, herhangi bir menkul kıymetin alım satımı için bir temel oluşturmamalıdır.
Yazan: Rita