Відтворення "моменту напівпровідників": формується "транзакція вузького місця" у сфері AI-фармацевтики, хто стане наступним "продавцем лопат"?

AI кардинально змінює базову логіку відкриття ліків, і в ланцюгу поставок фармацевтичної індустрії потихеньку формується інвестиційна можливість, подібна "торгівлі вузькими місцями" у галузі напівпровідників.

4 жовтня партнер топового долларового фонду Altimeter Capital Freda Duan нещодавно у статті зазначила, що "торгівля вузькими місцями" у сфері AI-відкриття ліків (AIDD) вже формується та її структура дуже схожа на ланцюгову динаміку в напівпровідниковій сфері, коли GPU розширюється до HBM, мереж, електрики.

Колективна поява передових лабораторій AI — найбільш очевидний сигнал. Anthropic створила спеціалізовану команду для досліджень у сфері наук про життя та побудувала мокру лабораторію, OpenAI розробила сімейство моделей GPT-Rosalind, спеціально для біології та відкриття ліків, Anew Labs (незалежно керується ByteDance) вже має внутрішню бібліотеку для розробки ліків, тоді як Isomorphic Labs чітко заявила, що буде просувати AI-розроблені ліки до клінічних випробувань на людях.

Водночас, сигнали на стороні ланцюга поставок також очевидні. DNA синтезатор Twist Bioscience (TWST) прогнозує тризначний відсотковий ріст замовлень на відкриття ліків AI у 2026 та 2027 фінансових роках. ГенScript показала подвоєння AI-бізнесу з відкриття ліків у першій половині 2026 фінансового року; дослідження каналів показало, що реальна верифікаційна потужність вже сягає приблизно 8 000 дизайнів на добу й може вирости до 16 000 до кінця 2026 року.

Ця логіка дуже схожа на шлях поширення вузьких місць у напівпровідниковому секторі. Дефіцит GPU стимулює розвиток HBM пам’яті, мережевого обладнання, електропостачання та систем охолодження.

У сфері AI-відкриття ліків вузькі місця також поширюються вниз по ланцюгу: генерація дизайну AI-моделями → DNA синтез → виробництво білків → експериментальна верифікація → доклінічне тестування, кожен етап може стати наступною точкою вигоди.

(Дані ланцюга поставок показують, що upstream етапи відкриття та ранніх доклінічних розробок вже відчувають вплив збільшення обсягу експериментів)

У статті Freda Duan описує нинішню конфігурацію AI-відкриття ліків як справжню "зміну режиму" (regime change).

Anthropic підняла дослідження у сфері наук про життя до стратегічного рівня; її мокра лабораторія завершила перший великий проект — за допомогою агенту Claude було ідентифіковано раніше нехарактеризовану ферментну систему, пов’язану з CRISPR-подібними повторюваними DNA-послідовностями.

OpenAI родина моделей GPT-Rosalind охоплює хімію ліків, білкову інженерію, геноміку та експериментальні робочі процеси.

Колишній департамент AI-відкриття ліків ByteDance тепер незалежно керується під брендом Anew Labs, інтегруючи базові моделі, мокру лабораторію та власний pipeline ліків, причому ByteDance зберігає більшість акцій.

Isomorphic Labs чітко заявила, що її мета — просувати AI-розроблені ліки до клінічних випробувань на людях.

Цікаво, що варіанти комерціалізації у різних компаній суттєво різняться.

• Anthropic наразі більше орієнтується на дослідження й платформу, і відверто не збирається ставати традиційною біотехнологічною компанією на комерційній клінічній стадії;
• Anew Labs ByteDance вже ближча до біотехнологічної платформи, що має власний pipeline ліків;
• Isomorphic Labs знаходиться між двома підходами, чітко обіцяючи самостійно просувати ліки до клініки.

Це означає, що комерційні шляхи AI-відкриття ліків розгалужуються: ліцензування великим фармацевтичним компаніям, співробітництво з етапами + патентні збори, або пряме створення незалежних компаній. Для downstream ланцюга будь-який шлях означає справжнє зростання експериментальної потреби.

AI підвищує ефективність, чому ж це призводить до збільшення експериментів у мокрі лабораторії? Відповідь у тому, що AI фундаментально змінює економіку формування гіпотез.

По-перше, генерація гіпотез майже не коштує, і експериментальна перевірка стає новим вузьким місцем. У традиційному відкритті ліків, вартість експертного відбору кандидатів дуже висока, і лише найбільш перспективні можуть пройти дорогий етап перевірки.

З AI дизайн кандидатів майже не має граничних витрат, "шанс на участь" значно збільшується, і вузьке місце переміщається із дизайну в біологічну перевірку.

По-друге, невдалі експерименти також цінні — негативні зразки стають навчальними даними. Anthropic демонструє типовий кейс: Claude розробив 1 320 білкових зв’язувачів, Adaptyv трансформував ці числові послідовності в DNA, експресував білки та протестував їхню здатність зв’язувати, з яких лише 354 успішно зв’язалися.

Але ще 966 невдалих не були змарновані — що не експресується, що не зв’язує, що має низьку афінність — усе це цінні негативні мітки для навчання наступної моделі. Традиційне відкриття ліків запитує лише "чи ефективний кандидат X", а у AI-відкритті ліків також питають "що цей експеримент може навчити модель".

По-третє, мокрі лабораторії трансформуються з місця створення ліків на фабрику навчальних даних. TWST чітко заявила, що її бізнес переходить до генерації структурованих експериментальних даних з AI-дизайнів, які можна напряму вводити у модель. GenScript workflow від послідовності до даних про взаємодію може повернути результат за 4-7 днів.

У деяких робочих процесах замовники цікавляться не білком як фізичним матеріалом, а структурованими даними експерименту для зворотного зв’язку у модель. TWST та GenScript дедалі більше стають "біодатакузнями".

У статті зазначається, що, крім теоретичної логіки, у ланцюгу поставок вже з’явилися відслідковувані кількісні сигнали.

TWST прогнозує тризначні темпи зростання замовлень на AI-відкриття ліків у FY26, причому такий ріст триватиме й у FY27. GenScript показала подвоєння AI-бізнесу з відкриття ліків у першому півріччі 2026 фінансового року, а зовнішньо заявлена індустріальна потужність верифікації — понад 4 000 дизайнів на добу, з повною структурою workflow від послідовності до даних.

Канал дослідження показує ще швидший прогрес. Поточна реальна потужність — близько 8 000 дизайнів на добу, і може сягнути приблизно 16 000 до кінця 2026 року.

З погляду ланцюга поставок, вигідні етапи такі: AI-моделі → дизайн послідовностей → DNA синтез (TWST тощо) → виробництво білків (GenScript тощо) → експериментальна перевірка → секвенування (ILMN, TXG тощо) → автоматизація обладнання → доклінічне тестування (CRO).

Щодо ринку, якщо AI — просто більш ефективний інструмент розробки, релевантний обсяг витрат є $300-400 млрд глобальних фармацевтичних R&D на рік. Якщо AI справді розширює кількість здійсненних проєктів ліків, можливості ще більші, бо зростатимуть додаткові витрати на DNA синтез, виробництво білків, експериментальну перевірку та доклінічну роботу.

Також із боку витрат самих AI-компаній можна приблизно оцінити розмір інвестицій. Якщо Anthropic у 2026 році досягне $80 млрд річного доходу, і навіть 1% буде спрямовано на AI-відкриття ліків, це означає близько $800 млн на рік.

Freda Duan нагадує, що інвестори, знайомі з темою, автоматично згадають AI-відкриття ліків у 2020–2021 роках і наступний обвал.

Молекула DSP-1181 від Exscientia була за рік просунута від відкриття до I фази клініки, але далі її закрили, бо не досягла стандарту механізму I фази. Ця невдача мала дві очевидні причини: різке погіршення макро середовища і брутальне підтвердження, що "швидше відкривати не означає краще біологічно у клініці".

Але Freda Duan вважає, що 2026 рік суттєво відрізняється від 2020/21: той цикл був до появи GPT.

Основна логіка 2020/21: використовувати обчислення для скорочення маловартісних мокрих лабораторних скринінгів, AI — це інструмент ефективного пошуку, мета — зменшити кількість експериментів, швидше знайти кандидати з меншими синтезом і тестуванням.

Логіка 2026 року цілком інша: AI сильно розширює простір гіпотез, а мокра лабораторія генерує реальні дані перевірки. Внутрішній цикл: AI → експеримент → дані → кращий AI → ще більше експериментів. Величезна кількість експериментів, згенерована AI, робить саму фізичну біологію вузьким місцем.

З уже наявних даних, дослідження 2024 року показує, що успішність I фази AI-відкриття ліків становить приблизно 80–90%, що перевищує середньогалузевий рівень; успішність II фази близько 40%, приблизно як історичний середній рівень, але кількість зразків ще обмежена.

Freda Duan підкреслює, що зараз DNA синтез і виробництво білків — найбільш прямі вузькі місця.

З просуванням більшої кількості кандидатів до доклінічної фази тваринні експерименти можуть стати наступним вузьким місцем. Ціни на приматів вже наближаються до попередніх максимумів, потужність CRO постійно перенапружена, а подальше просування AI-відкриття ліків у доклініку лише збільшить цей тиск.

Аналітики вважають, що потенційна тривалість цієї інвестиційної угоди довга, і до моменту отримання результатів I/II фаз клініки після 2028 року навряд чи логіка кардинально зміниться. Ключові етапи:

• Кінець 2026–2027 року, перші ліки, розроблені AI, від Isomorphic Labs входять у клінічні випробування на людях, більше AI-оригінальних проєктів доходять до phase IND-enabling;
• 2028–2030 роки, результати клініки покажуть, чи справді AI-дизайн випереджає традиційні ліки.

У короткій перспективі, якщо бюджет експериментів не зростатиме, AI-дизайни не трансформуються у реальні результати мокрої лабораторії або потужність швидко випередить потребу, upstream "pick-and-shovel" торгівля буде під тиском.

У довгій перспективі, якщо ліки, відкриті AI, покаже успіх на стадії відкриття і I фази, але провалиться на II/III фазі з типовою частотою невдач, інвестиційна логіка буде під загрозою, тому результати II-фази клініки такі критичні.

Професор університету Каліфорнії в Лос-Анджелесі Quanquan Gu лаконічно підсумувала цю логіку:

Біологія може стати наступним фронтом рекурсивного самовдосконалення AI — проектування на комп’ютері, тестування у лабораторії, перетворення зворотного зв’язку експериментів на напівсинтетичні навчальні дані, покращення моделей, і так по колу.