Pag-ulit ng "sandali ng semiconductor": Ang "bottleneck trading" ng AI-pharma ay nabubuo, sino ang susunod na "nagbebenta ng pala"?

Binabago ng AI ang pangunahing lohika ng pagtuklas ng gamot, at isang pagkakataon sa pamumuhunan na kahalintulad ng "bottleneck trade" sa industriya ng semiconductors ay tahimik na nabubuo sa supply chain ng paggawa ng gamot.

Noong Oktubre 4, tinukoy ni Freda Duan, kasosyo ng nangungunang dollar fund na Altimeter Capital, sa kanyang artikulo na ang "bottleneck trade" ng AI drug discovery track (AIDD) ay nabubuo na, at ang estruktura nito ay kahalintulad ng naging ugnayan mula GPU hanggang HBM, networking, at kuryente sa industriya ng semiconductors.

Ang sabayang pagpasok ng mga nangungunang AI laboratories ang pinaka-prominenteng senyales. Ang Anthropic ay bumuo ng dedikadong pangkat para sa life sciences at nagtayo ng wet lab, ang OpenAI ay nagtatag ng GPT-Rosalind models para sa biology at drug discovery, ang Anew Labs ng ByteDance ay may sariling internal na drug R&D library, at ang Isomorphic Labs ay hayagang ipinahayag na itutulak ang AI-designed drugs patungo sa human clinical trial.

Samantala, malinaw din ang mga senyales mula sa supply chain. Inaasahan ng Twist Bioscience (TWST), isang tagagawa ng DNA synthesis, na tatamasahin ng AI drug discovery orders ang tuloy-tuloy na three-digit percentage growth sa mga fiscal year ng 2026 at 2027. Ang AI drug discovery business ng GenScript ay doble kumpara sa parehong panahon noong nakaraang taon sa unang kalahati ng FY 2026, at lumalabas na kaya na nila mag-verify ng humigit-kumulang 8,000 disenyo bawat araw, na maaaring madoble sa 16,000 bago matapos ang 2026.

Ang lohika nito ay mataas na kapareho ng bottleneck transmission sa industriya ng semiconductors. Ang kakulangan sa GPU ang nagtulak ng sabayang paglago sa HBM memory, network devices, kuryente, at cooling system.

Sa larangan ng AI drug discovery, ang bottleneck ay ipinapalipat din pababa sa chain ng industriya: mula AI model generating design → DNA synthesis → protein production → experimental verification → preclinical testing, bawat yugto ay maaaring maging susunod na pinakakinabangang bahagi.

(Ipinapakita ng datos mula sa supply chain na nararamdaman na ng upstream discovery at early preclinical R&D stages ang epekto ng dumadaming bilang ng eksperimento)

Inilarawan ni Freda Duan sa artikulo ang kasalukuyang tagpo ng AI drug discovery bilang isang tunay na “pagbabago ng rehimen (regime change)”.

Itinaas ng Anthropic ang research ng life sciences sa antas ng estratehiya; ang unang pangunahing proyekto ng wet lab nila ay ang pagtukoy gamit ang Claude AI ng isang enzyme system na kaugnay sa CRISPR DNA repeats na hindi pa nailalarawan noon.

Sinasaklaw ng GPT-Rosalind models ng OpenAI ang drug chemistry, protein engineering, genomics, at experimental workflow.

Naging independent operation na ang dating AI drug discovery department ng ByteDance at pinangalanang Anew Labs, pinagsama ang foundation models, wet lab verification, at sarili nitong drug pipeline, habang nananatiling major shareholder ang ByteDance.

Ang Isomorphic Labs naman ay malinaw na ipinahayag na ang kanilang layunin ay itulak ang AI-designed drugs hanggang sa human clinical trials.

Kapansin-pansin, ang daan ng bawat institusyon tungo sa commercialization ay magkakaiba.

• Ang kasalukuyang posisyon ng Anthropic ay mas malapit sa research at platform layer at tahasang sinabing hindi lilipat sa tradisyonal na biotech clinical stage;
• Ang Anew Labs ng ByteDance ay mas malapit na sa mode ng biotech na may sariling drug pipeline;
• Ang Isomorphic Labs ay nasa pagitan, nagko-commit na ipush ang sarili nilang gamot papunta sa clinical trial.

Ibig sabihin, Ang landas ng commercialisasyon ng AI drug discovery ay nagiging masalimuot: lisensya sa mga malalaking pharma, milestone + patent fees, o diretang paghatch ng independent na kumpanya. Para sa downstream ng supply chain, alinmang daan, totoo ang dagdag na demand sa eksperimento.

Pinataas ng AI ang efficiency, kaya bakit mas tumataas ang volume ng eksperimento sa wet lab? Ang sagot ay binabago ng AI ang ekonomiya ng hypothesis generation.

Una, ang pag-genenerate ng hypothesis ay halos wala ng gastos, naging bagong bottleneck ang experimental verification. Sa tradisyonal na drug discovery, mahal ang pagpili ng expert ng candidate molecules, kaya tanging mataas ang kumpiyansang pumasok sa mahal na proseso ng beripikasyon.

Pinapaliit ng AI ang marginal cost ng pagdisenyo ng kandidato; dumami ang pagkakataon, kaya lumipat ang bottleneck mula sa design patungo sa biological verification.

Pangalawa, may halaga din ang failed experiments, ginagamit ang negative samples para sa training data. Isang halimbawa: nagdisenyo ang Claude ng 1,320 protein binders, in-express at tinest ni Adaptyv ang mga ito; 354 lang ang nagtagumpay.

Ngunit hindi nasayang ang 966 na failed cases—anong hindi nag-eexpress, hindi nagbi-bind, mahina ang affinity—lahat may value bilang negative labels sa susunod na iteration. Sa tradisyonal na drug discovery, tanong lang kung “epektibo ba ang kandidato X”; sa AI drug discovery, tanong din kung “anong matututunan ng model sa eksperimento.”

Pangatlo, ang wet lab ay lumilipat mula paggawa ng gamot patungong paggawa ng training data. Ayon sa TWST, naliliwanagan ang business nila sa pag-generate ng structured experimental data mula sa AI-designed sequences. Ang workflow ng GenScript mula sequence to binding data ay balik within 4 to 7 days.

Sa ilang workflow, hindi na physical protein ang concern ng customer, kundi ang ibalik ang structured data sa modelo. Kaya unti-unti, nagmumukhang “biological data foundry” sina TWST at GenScript.

Ayon sa artikulo, bukod sa lohika ng teorya, may nasusukat nang dami sa supply chain.

Inaasahan ng TWST ang triple digit percent growth sa AI drug discovery orders nang tuluy-tuloy hanggang FY26 at FY27. Nadoble ng GenScript ang AI drug discovery business niya sa unang kalahati ng FY26, na kayang mag-process ng mahigit 4,000 designs araw-araw, with complete sequence-to-data workflow.

Ayon sa channel research, mabilis pa ang totoong progreso. Ngayon, about 8,000 designs kada araw ang kapasidad at posibleng umabot sa 16,000 bago magtapos ang 2026.

Mula sa pananaw ng supply chain, ang pagkakasunod ng makikinabang: AI model → sequence design → DNA synthesis (TWST atbp.) → protein production (GenScript atbp.) → experimental verification → sequencing (ILMN, TXG atbp.) → automated equipments → preclinical testing (CRO).

Sa usaping market size, kung ang AI ay mas epektibong research tool lang, ang spending pool ay $300-400 bilyon kada taon na kabuuang global pharmaceutical R&D. Kung AI talaga ang magpaparami ng feasible na drug projects, mas malaki ang oportunidad dahil magpapalaki din ng demand sa DNA synthesis, protein production, experimental verification, at preclinical work.

Bukod dito, mula sa ginagastos mismo ng AI companies, puwedeng estimates. Kung maabot ng Anthropic ang $80 bilyon annualized revenue sa 2026 at 1% lang ang ilaan sa AI drug discovery, nasa $800 milyon agad ang taunang investment.

Babala ni Freda Duan, na maaaring maalala ng mga investor ang AI drug discovery hype ng 2020 hanggang 2021 at ang sumunod na pagbagsak.

Ang DSP-1181 molecule ng Exscientia ay nakarating sa phase I clinical trials sa loob lang ng isang taon ngunit na-terminate matapos mabigong maabot ang target mechanism. Noon, dalawang dahilan ang bigong iyon: nag-higpit ang macro-environment at napatunayang "mas mabilis na discovery ay hindi nangangahulugang mas magandang clinical biology".

Pero sa paniniwala ni Freda Duan, malaki ang kaibahan ng 2026 kumpara sa 2020/21 cycle—ang nakaraang cycle ay nangyari bago pa lumitaw ang GPT.

Noong 2020/21 ang logic ay: gamitin ang computation para bawasan ang low-value wet lab screening, AI bilang efficiency tool, layunin ay paliitin ang dami ng physical experiment, mas kaunting synthesis at testing para agad makapili.

Noong 2026, baliktad na ang lohika: palawakin ng AI ang hypothesis space, at gamitin ang wet lab para mag-produce ng real validation data. Ang cycle: AI → experiment → data → mas mahusay na AI → mas maraming eksperimento. Dahil sa dami ng kayang gawing experiment ng AI, nagiging bottleneck na mismo ang physical biology.

Batay sa available na data, ipinakita ng isang pag-aaral noong 2024 na ang phase I success rate ng AI-discovered drugs ay nasa 80% hanggang 90%, mas mataas sa historical average ng industriya; ang phase II ay nasa 40%, kapantay ng historical average pero limitado pa ang sample size.

Binigyang-diin ni Freda Duan na kasalukuyang DNA synthesis at protein production ang pinaka-direct na bottleneck nodes.

Dahil mas maraming kandidato ang itutulak sa preclinical stage, pagsusuri sa hayop ang maaring maging susunod na bottleneck. Malapit na sa high point ang presyo ng primate, laging tight ang CRO capacity, at lalo lamang aangat ang pressure kapag mas marami pang AI-discovered candidates ang pumasok sa preclinical.

Ayon sa analysis, maaring tumagal ang window ng trade na ito hanggang lumabas ang phase I/II clinical results post-2028—mahihirapan bumaliktad ang lohika bago iyon. Mga key milestone:

• 2026 hanggang katapusan ng 2027, ang unang batch ng AI-designed drugs ng Isomorphic ay papasok sa human clinical trial, at higit pang AI-native projects ang tutungo sa IND-enabling phase;
• 2028 hanggang 2030, magsisimula nang lumabas ang clinical results para malaman kung mas magaling nga ba ang AI-designed kaysa traditional drugs.

Sa maikling panahon, kung titigil ang pagtaas ng experimental budget, o hindi ma-convert ng AI-generated designs sa resulta ng wet lab, o sobrang bilis ng capacity expansion, maaapektuhan ang "pala at asarol" trading sa upstream.

Sa matagalang panahon, kung magaling ang AI drugs sa phase I pero natalo sa phase II/III gaya ng historical failure rate, magigipit ang investment logic; kaya kritikal ang Phase II clinical results.

Nagbigay si Professor Quanquan Gu ng UCLA ng mataas na buod sa lohikang ito:

Maaring maging susunod na frontier ng recursive self-improvement ng AI ang biology—disenyo sa computer, test sa laboratoryo, gawing semi-synthetic training data ang eksperimento, i-improve ang modelo, paulit-ulit.