Kunstig intelligens (AI) er ved at ændre måden, biotekbranchen udvikler lægemidler på. Fra at finde nye mål for medicin til at designe molekyler og planlægge kliniske forsøg spiller AI en stadig større rolle i hele processen.
Denne artikel forklarer, hvordan teknologien bruges i praksis, hvilke gennembrud der har været – som AlphaFold – og hvilke selskaber der er førende. Formålet er at give et faktuelt overblik over et felt, der udvikler sig hurtigt.
Hvorfor AI er blevet vigtigt i lægemiddeludvikling
Traditionel lægemiddeludvikling er langsom og dyr. Det tager typisk 10-15 år og milliarder at bringe ét lægemiddel fra idé til marked, og de fleste kandidater fejler undervejs.
Et velkendt begreb i branchen er “Erooms lov” – ordet “Moore” stavet baglæns – som beskriver den observation, at lægemiddelforskning historisk er blevet dyrere og mindre effektiv over tid, stik modsat udviklingen inden for computerchips. AI ses som en af de teknologier, der potentielt kan vende denne tendens ved at gøre det muligt at afprøve mange molekyler virtuelt (in silico) på computer, før de fremstilles fysisk.
Nogle af de områder, hvor AI anvendes:
- Identificering af nye biologiske mål for medicin.
- Design af nye molekyler.
- Forudsigelse af bivirkninger og toksicitet tidligt i forløbet.
- Planlægning og optimering af kliniske forsøg.
Vil du forstå de grundlæggende begreber i sektoren, kan du læse mere i vores introduktion til bioteknologi.
Forklaring: “In silico” betyder “på computer” (i modsætning til “in vitro” i reagensglas og “in vivo” i levende organismer). Det bruges om forsøg og beregninger, der udføres som computersimuleringer.
Hvor AI bruges i lægemiddeludvikling
Fra de første idéer i laboratoriet til produktion og opfølgning
AI kan især forkorte de tidlige faser (mål og design). De kliniske forsøg i mennesker tager fortsat år på grund af sikkerheds- og dokumentationskrav. Ikke finansiel rådgivning.
Fra store datamængder til biologisk indsigt
Biotekbranchen genererer enorme mængder data fra blandt andet gensekventering, proteinforskning og patientjournaler. Udfordringen er at finde meningsfulde mønstre i disse data.
Her er en type AI kaldet “deep learning” særligt nyttig, fordi den kan håndtere store, ustrukturerede datamængder og finde sammenhænge – for eksempel mellem bestemte genetiske mutationer og sygdomme – som ellers ville tage meget lang tid at afdække. Det er en vigtig forudsætning for “personlig medicin”, hvor behandlingen i højere grad tilpasses den enkelte patient.
Forklaring: “Deep learning” er en form for maskinlæring, der bruger kunstige neurale netværk i mange lag. Det er den teknologi, der ligger bag mange af de senere års AI-gennembrud.
Proteinforudsigelse med AlphaFold
Et af de største gennembrud er AlphaFold, udviklet af Google DeepMind. Proteiner virker ud fra deres tredimensionelle form, og før AlphaFold kunne det tage måneder eller år at bestemme strukturen af et enkelt protein ved hjælp af laboratoriemetoder som røntgenkrystallografi.
AlphaFold kan forudsige proteinstrukturer på kort tid og har gjort forudsigelser for et meget stort antal kendte proteiner offentligt tilgængelige. Betydningen blev understreget, da Demis Hassabis og John Jumper fra DeepMind i 2024 modtog Nobelprisen i kemi for udviklingen af AlphaFold – sammen med David Baker, der blev hædret for computerbaseret proteindesign.
Den nyeste version, AlphaFold 3 (offentliggjort i 2024), kan ikke kun forudsige proteinstrukturer, men også hvordan proteiner interagerer med DNA, RNA og små molekyler (ligander). Netop den evne er central for lægemiddeldesign, fordi de fleste lægemidler er små molekyler, der skal binde til et målprotein.
| Metode | Traditionel (eksperimentel) | AI-baseret (AlphaFold) |
|---|---|---|
| Tidsforbrug | Måneder til år | Sekunder til timer |
| Omkostning | Høj (laboratorieudstyr) | Lavere (computerkraft) |
| Skalerbarhed | Begrænset | Meget stor |
Forklaring: “Proteinfoldning” er den proces, hvor en kæde af aminosyrer folder sig til en bestemt 3D-form. Formen bestemmer proteinets funktion, og det var længe en stor videnskabelig udfordring at forudsige den ud fra aminosyresekvensen alene.
Generativ AI til molekyldesign
Når et mål er fundet, skal der bruges et molekyle, der kan påvirke det. Her bruges “generativ AI”, der kan foreslå helt nye kemiske strukturer frem for blot at søge i eksisterende biblioteker af kendte stoffer.
Modellerne kan optimere de foreslåede molekyler til både at være effektive mod sygdommen og lette for kroppen at håndtere. Det kan spare tid i den tidlige, kemiske del af udviklingen, hvor man ellers skulle fremstille og teste mange molekyler fysisk.
- Optimering af, hvor godt et molekyle binder til sit mål.
- Reduktion af utilsigtede effekter på andre mål i kroppen.
- Forudsigelse af, hvordan et molekyle kan fremstilles.
- Virtuel screening af meget store mængder kemiske forbindelser.
Optimering af “lead compounds”
Når et lovende molekyle (en “lead compound”) er fundet, skal det finjusteres. Normalt er det en gentagen proces, hvor kemikere ændrer små dele af molekylet og tester igen. AI kan forudsige effekten af sådanne ændringer på forhånd og dermed reducere antallet af fysiske testrunder, så de kandidater, der går videre, allerede er bedre optimeret.
Forklaring: En “lead compound” er et lovende molekyle, der er identificeret tidligt i udviklingen, og som danner udgangspunkt for videre optimering hen imod et egentligt lægemiddel.
AI i kliniske forsøg
AI bruges også i forbindelse med kliniske forsøg – de studier, hvor lægemidler testes i mennesker.
Et koncept er “digitale tvillinger”: computermodeller af kroppen eller bestemte organer, der kan simulere, hvordan patienter kan reagere på et lægemiddel. Selv om de langtfra kan erstatte rigtige forsøgsdeltagere, kan de bruges til at forfine for eksempel dosering og til at identificere, hvilke patientgrupper der har størst gavn.
AI kan også hjælpe med patientrekruttering, som er en hyppig årsag til, at forsøg forsinkes. Ved at analysere data kan algoritmer hjælpe med at finde deltagere, der matcher et forsøgs kriterier – hvilket er særligt værdifuldt ved sjældne sygdomme med få patienter.
| Udfordring | Traditionel tilgang | AI-understøttet tilgang |
|---|---|---|
| Patientrekruttering | Manuel gennemgang af journaler | Automatiseret matchning via data |
| Forsøgsdesign | Store grupper for en sikkerheds skyld | Mere målrettede grupper baseret på data |
| Dataopsamling | Manuel registrering | Løbende måling, bl.a. via wearables |
Forudsigelse af toksicitet og sikkerhed
Sikkerhed er en af de største barrierer for godkendelse af nye lægemidler. AI-modeller trænes på store mængder toksikologiske data for at genkende kemiske mønstre, der er forbundet med for eksempel leverskade eller hjerteproblemer.
Ved at udføre sådanne vurderinger in silico tidligt i processen kan man i nogle tilfælde sortere problematiske stoffer fra, før de testes i levende organismer. Det kan både spare ressourcer og bidrage til at reducere brugen af dyreforsøg – et område, der er under stigende opmærksomhed. Myndighederne kræver dog fortsat visse biologiske test.
| Metode | Karakteristik | Etisk overvejelse |
|---|---|---|
| In vitro (celleforsøg) | Foregår uden for kroppen | Lav belastning |
| In vivo (dyreforsøg) | I levende organismer | Genstand for etisk debat |
| In silico (AI-modeller) | Computersimulering | Ingen direkte dyreforsøg |
AI i produktion
AI stopper ikke, når et lægemiddel er godkendt. Teknologien bruges også til at optimere produktionen, især for komplekse biologiske lægemidler som antistoffer og celle- og genterapier. AI kan for eksempel overvåge bioreaktorer løbende og justere forhold som temperatur og pH for at sikre kvalitet og udbytte.
For personlig medicin – for eksempel CAR-T-celleterapi, hvor behandlingen fremstilles individuelt til hver patient – kan AI hjælpe med at styre den logistiske kompleksitet i at behandle en patients egne celler og sende dem retur.
Forklaring: “CAR-T-celleterapi” er en behandling, hvor man tager patientens egne immunceller, ændrer dem i laboratoriet, så de kan bekæmpe for eksempel kræft, og fører dem tilbage til patienten.
Real-world evidence og drug repurposing
Efter markedsføring fortsætter dataindsamlingen. AI bruges til at analysere “real-world evidence” – data om, hvordan et lægemiddel virker i praksis hos mange patienter, sammenlignet med de kontrollerede kliniske forsøg.
Det kan føre til nye opdagelser, herunder “drug repurposing”, hvor et allerede godkendt lægemiddel viser sig nyttigt mod en anden sygdom. Da stoffet allerede er testet for sikkerhed i mennesker, kan udviklingen for den nye anvendelse ofte gå hurtigere. Under COVID-19-pandemien blev AI blandt andet brugt til at identificere eksisterende lægemidler, der kunne undersøges mod sygdommen – dog med blandede resultater.
| Tilgang | Typisk tidslinje | Risiko |
|---|---|---|
| Ny udvikling (de novo) | 10-12 år | Meget høj |
| Drug repurposing | Kortere | Lavere (sikkerhed delvist kendt) |
| Trinvis forbedring | Mellemlang | Middel |
Samarbejde mellem tech-giganter og biotek
Et tydeligt træk ved feltet er samarbejder mellem biotekselskaber og teknologivirksomheder. Tech-selskaberne bidrager med computerkraft og algoritmer, mens biotekselskaberne bidrager med biologisk ekspertise og data.
Nogle konkrete eksempler:
- Isomorphic Labs: Et selskab udspringende af Google DeepMind, som bruger AlphaFold-teknologi til lægemiddeldesign. Selskabet har indgået store partnerskaber med blandt andet Eli Lilly, Novartis og senere Johnson & Johnson.
- NVIDIA: Leverer med sin BioNeMo-platform værktøjer til blandt andet generativ AI i biologi.
- Fusioner i AI-biotek: De to kendte AI-lægemiddelselskaber Recursion og Exscientia fusionerede i 2024 til ét selskab under navnet Recursion – et eksempel på, at feltet også konsoliderer sig.
AI-native biotekselskaber
Ud over de etablerede selskaber, der indfører AI i eksisterende processer, er der opstået selskaber, der er bygget op omkring AI fra begyndelsen. De har typisk en større andel af softwareingeniører og dataspecialister og en anden arbejdsmåde end traditionelle biotekvirksomheder. Det er dog værd at bemærke, at flere af de børsnoterede AI-lægemiddelselskaber fortsat er langt fra profitabilitet, og at teknologien endnu skal bevise sin fulde værdi i form af godkendte lægemidler.
Regulatoriske og etiske udfordringer
Selv om teknologien er lovende, er der væsentlige udfordringer.
En regulatorisk udfordring er gennemsigtighed: Hvordan skal myndigheder som FDA og EMA forholde sig til lægemidler eller data, der stammer fra komplekse algoritmer, som kan være svære at gennemskue? Der er derfor fokus på “forklarlig AI” (explainable AI), altså modeller, der kan begrunde deres forslag.
En etisk udfordring er bias: Hvis en model primært trænes på data fra én befolkningsgruppe, kan resultaterne blive mindre præcise for andre grupper. Derfor lægges der vægt på, at datagrundlaget er mangfoldigt og repræsentativt.
| Udfordring | Konsekvens | Mulig tilgang |
|---|---|---|
| Algoritmisk bias | Resultater passer ikke lige godt til alle grupper | Mere mangfoldige datasæt |
| “Black box”-problemet | Svært for læger og myndigheder at have tillid | Forklarlig AI (XAI) |
| Datasikkerhed | Følsomme patientdata | Streng databeskyttelse |
AI-biotek set fra et investorperspektiv
Krydsfeltet mellem AI og biotek har tiltrukket stor investorinteresse. Et forhold, mange fremhæver, er risikoen for “AI-vask” (AI-washing) – at selskaber fremhæver avanceret AI-teknologi uden reelt at have substansen bag. Adgang til unikke, egne data fremhæves ofte som en central værdi, fordi algoritmer skal trænes på data.
Det er dog vigtigt at understrege, at feltet stadig er ungt. Mange AI-lægemiddelselskaber er endnu ikke profitable, kliniske resultater fra AI-designede lægemidler er stadig relativt begrænsede, og det er endnu uafklaret, hvilke selskaber og forretningsmodeller der bliver de langsigtede vindere. Vores generelle gennemgang af risikospredning i biotek beskriver nogle af de forhold, der generelt kendetegner investering i sektoren. Blandt de etablerede biotekselskaber, der selv bruger AI i deres arbejde, er for eksempel Moderna, der anvender teknologien i molekyldesign.
Dette afsnit er en beskrivelse af feltet – ikke en anbefaling om at investere på en bestemt måde.
Opsummering
AI er ved at blive et gennemgående værktøj i biotekbranchen – fra de tidligste skridt i laboratoriet over kliniske forsøg til produktion og opfølgning. Gennembrud som AlphaFold, anerkendt med en Nobelpris i 2024, har vist teknologiens potentiale, og store partnerskaber mellem tech- og medicinalselskaber understreger forventningerne.
Samtidig er feltet stadig ungt. Der er reelle udfordringer omkring regulering, gennemsigtighed og bias, og det er endnu uvist, hvor stor en effekt AI i sidste ende vil få på antallet af godkendte lægemidler. For både patienter og branchen er det et område, der er værd at følge tæt i de kommende år.
Ofte stillede spørgsmål
Hvordan finder AI nye lægemidler?
AI analyserer store mængder biologiske og kemiske data for at finde mønstre og forudsige, hvilke molekyler der kan tænkes at virke mod bestemte sygdomme. Det er dog stadig nødvendigt at teste kandidaterne i laboratoriet og i kliniske forsøg.
Kan AI erstatte forskere i laboratoriet?
Nej. AI fungerer som et værktøj, der kan gøre forskere mere effektive ved at håndtere store datamængder og beregninger, så forskerne kan fokusere på de videnskabelige vurderinger og beslutninger.
Bliver medicin billigere med AI?
Det er en forhåbning, fordi AI potentielt kan reducere udviklingsomkostningerne. I praksis afhænger den endelige pris dog af mange andre faktorer, herunder markedsforhold og selskabernes prisfastsættelse.
Hvor lang tid tager det at udvikle et lægemiddel med AI?
AI kan forkorte de tidlige faser (opdagelse og design) betydeligt, men de kliniske forsøg i mennesker tager fortsat år på grund af sikkerheds- og dokumentationskrav.
Hvilke selskaber er førende inden for AI-biotek?
Teknologisk er aktører som Google DeepMind (og dets datterselskab Isomorphic Labs) og NVIDIA blandt de mest omtalte. Inden for selve lægemiddeludviklingen er Recursion (der i 2024 fusionerede med Exscientia) et af de kendte AI-drevne selskaber.
Hvad er AlphaFold?
AlphaFold er en AI-model fra Google DeepMind, der kan forudsige proteiners 3D-struktur. Den nyeste version, AlphaFold 3, kan også forudsige, hvordan proteiner interagerer med blandt andet DNA, RNA og små molekyler. Udviklerne modtog Nobelprisen i kemi i 2024.
Kan AI hjælpe med sjældne sygdomme?
Ja. AI kan være nyttig til at finde mønstre og til at matche patienter til forsøg, hvilket er særligt værdifuldt ved sjældne sygdomme, hvor der er få patienter og begrænsede data.
Hvilke data bruger AI i biotek?
AI bruger blandt andet kemiske strukturer, proteindata, genetiske data og oplysninger fra videnskabelig litteratur.
Er der risici ved at bruge AI til medicin?
Ja. Blandt de vigtigste er bias i data, manglende gennemsigtighed i, hvordan modellerne når frem til deres resultater, samt regulatoriske spørgsmål om godkendelse.
Kildehenvisninger
Alle kilder er tilgået i forbindelse med udarbejdelsen af artiklen. AI-feltet udvikler sig hurtigt – konsultér de oprindelige kilder for de nyeste detaljer.
Ansvarsfraskrivelse
Biotek-aktier.dk giver ikke finansiel rådgivning. Vi er en informationsside med fokus på faktuel data om biotekbranchen og biotekaktier. Indholdet på denne side er udelukkende til orientering og må ikke betragtes som rådgivning eller en opfordring til at købe eller sælge værdipapirer.
Alle investeringer indebærer risici, og du bør ikke investere penge, du ikke har råd til at miste. Investering i AI- og biotekselskaber, hvoraf mange endnu ikke er profitable, er forbundet med særligt høj risiko. Historisk afkast er ingen garanti for fremtidigt afkast. Teknologien og markedet udvikler sig hurtigt, og oplysninger bør altid tjekkes mod aktuelle, officielle kilder. Al brug af oplysninger fra hjemmesiden sker på eget ansvar. Der tages forbehold for fejl, mangler, aktualitet og egnetheden af oplysningerne.
- Illumina aktie (ILMN) – NovaSeq X, forretningsmodel og risici - august 12, 2026
- Biogen aktie (BIIB) – Leqembi, portefølje og risici - august 12, 2026
- Sarepta Therapeutics aktie (SRPT) – Elevidys og nøgletal - august 12, 2026