Воссоздание "полупроводникового момента": формируется версия "узловых сделок" для AI-фармацевтики — кто станет следующим "продавцом лопат"?

ИИ коренным образом меняет основы открытия лекарств, и инвестиционная возможность, аналогичная "узловой сделке" в отрасли полупроводников, формируется в цепочке поставок фармацевтической продукции.

4 октября партнер топового долларового фонда Altimeter Capital Фреда Дуань в недавней публикации указала, что "узловая сделка" в секторе AI-фармацевтики (AIDD) уже формируется, а ее структура во многом напоминает цепную реакцию отрасли полупроводников — от GPU до HBM, сетей и энергоснабжения.

Коллективный заход ведущих AI-лабораторий — наиболее выраженный сигнал. Anthropic создала собственную команду по исследованиям в области наук о жизни и оборудовала мокрую лабораторию; OpenAI разработала серию моделей GPT-Rosalind, специально под задачи биологии и открытия препаратов; Anew Labs, независимая структурная единица ByteDance, уже располагает собственной внутренней платформой для разработки лекарств; Isomorphic Labs напрямую заявила о намерении довести AI-спроектированные лекарства до стадии клинических испытаний на людях.

Параллельно в цепочке поставок наблюдаются столь же четкие сигналы. DNA-синтезатор Twist Bioscience (TWST) прогнозирует трехзначный процентный рост заказов на AI-обнаружение лекарств в 2026 и 2027 финансовых годах. Объем AI-направления GenScript в первом полугодии 2026 финансового года удвоился по сравнению с прошлым годом; канальные исследования показывают, что реальная мощность их валидаций уже достигает примерно 8 000 дизайнов в день с перспективой увеличения до 16 000 к концу 2026 года.

Эта логика во многом совпадает с механизмом передачи узких мест в полупроводниковой отрасли. Дефицит GPU стимулирует серию всплесков — сначала HBM-память, затем сетевое оборудование, далее энергоснабжение и системы охлаждения.

В AI-фармацевтике узкие места также передаются дальше по цепочке: AI-модель генерирует дизайн → синтез DNA → производство белка → лабораторная валидация → доклинические испытания. На каждом этапе может появиться новый бенефициар.

(Данные цепочки поставок показывают, что растущие объемы экспериментов уже начали влиять на процессы открытия и ранней доклинической разработки)

В статье Фреда Дуань называла нынешний этап развития сегмента AI-фармацевтики настоящей "сменой парадигмы" (regime change).

Anthropic вывела исследования в области наук о жизни на уровень стратегии, а их мокрая лаборатория уже реализовала первый крупный проект — с помощью агента Claude был выявлен ранее неохарактеризованный ферментный комплекс, связанный с повторяющимися последовательностями типа CRISPR.

Линейка моделей GPT-Rosalind от OpenAI охватывает химию лекарств, белковую инженерию, геномику и лабораторные процессы.

Отдел AI-обнаружения лекарств ByteDance выделился в отдельную компанию под названием Anew Labs, интегрировав базовые модели, мокрую лабораторную валидацию и собственный портфель препаратов — при этом контрольный пакет по-прежнему остается у ByteDance.

Isomorphic Labs открыто заявляет, что ее цель — самостоятельно ввести AI-спроектированные препараты в клинические испытания на людях.

Важно отметить, что у разных компаний существуют различные пути коммерциализации.

• Anthropic ориентирована скорее на исследования и платформенные решения и прямо заявляет, что не планирует превращаться в классическую биотехнологическую компанию с клинической стадией;
• Anew Labs ByteDance уже близка к платформенной модели биотехнологии с собственным портфелем препаратов;
• Isomorphic Labs занимает промежуточную позицию и однозначно заявляет о намерении самостоятельно вести препараты в клинику.

Это значит, что пути монетизации AI-фарма, разделяются: лицензирование крупным фармкомпаниям, партнерство с этапными выплатами и роялти или же полное выведение собственных компаний. Но для цепочки поставок любой из этих путей приводит к росту реального спроса на лабораторные испытания.

AI повышает эффективность — почему же тогда возрастает объем экспериментов в мокрых лабораториях? Причина в том, что AI радикально меняет экономику генерации гипотез.

Во-первых, генерация гипотез приближается к нулевой стоимости, а лабораторная валидация становится новым узким местом. В традиционном открытии лекарств отбор кандидатов экспертами обходится слишком дорого — только наиболее достоверные попадают в дорогостоящую экспериментальную валидацию.

AI позволяет проектировать кандидаты практически без дополнительных затрат, "стартовых возможностей" становится гораздо больше, а дефицитный ресурс смещается с дизайна на биологическую валидацию.

Во-вторых, неудачные эксперименты тоже ценны — отрицательные результаты становятся обучающими данными. Пример Anthropic: Claude сгенерировал 1 320 связывающих белков, Adaptyv перевела цифровые последовательности в DNA, синтезировала белки и протестировала связывание — успешными оказались только 354.

Однако 966 неудачных вариантов не пропали даром — то, что не экспрессируется, не связывается или имеет плохую аффинность, становится ценными отрицательными метками для обучения новой модели. Если раньше в фокусе был вопрос "работает ли кандидат X", то теперь добавляется "что данный эксперимент может дать для улучшения модели".

В-третьих, мокрые лаборатории переходят от производства препаратов к генерации обучающих данных. TWST прямо заявляет о сдвиге своего бизнеса в сторону преобразования AI-сгенерированных последовательностей в структурированные экспериментальные результаты, непосредственно пригодные для подачи на вход модели. Workflow GenScript по обработке данных "последовательность — связывание" позволяет получить результаты за 4–7 дней.

В некоторых цепочках клиентов интересует даже не получение физического белка, а скорее обратная связь по структурированным данным для AI. TWST и GenScript все больше становятся "биодата-мануфактурами".

В статье отмечается, что кроме теоретической логики, уже видны количественные сигналы на уровне цепочки поставок.

TWST ожидает, что заказы на AI-обнаружение лекарств в 2026 финансовом году вырастут на три цифры, а в 2027 темпы сохранятся. В GenScript AI-обнаружение лекарств за первое полугодие 2026 ФГ удвоилось, промоутируемая мощность промышленной валидации — более 4 000 проектов в день при полном workflow "последовательность — данные".

Согласно каналам, реальная динамика еще быстрее. Текущая фактическая производительность — около 8 000 дизайнов в день, с перспективой достижения 16 000 к концу 2026 года.

Опираясь на цепочку, следующий основной цикл добавочной стоимости: AI-модель → дизайн последовательности → синтез DNA (TWST и др.) → производство белка (GenScript и др.) → валидация → секвенирование (ILMN, TXG и др.) → автоматизированное оборудование → доклинические тесты (CRO).

Объем рынка: если AI — просто более эффективный R&D-инструмент, "пул расходов" — это общемировые R&D-расходы фармы в $300-400 млрд в год. Если же AI действительно расширяет портфель потенциальных проектов, прибыли возрастут за счет дополнительного спроса на синтез DNA, производство белков, лабораторную валидацию и доклинические работы.

Кроме того, ориентируясь на внутренние траты AI-компаний, диапазон тоже впечатляет. Если Anthropic к 2026 году выйдет на годовой доход $80 млрд и направит лишь 1% на AI-обнаружение лекарств, это уже $800 млн инвестиций в год.

Фреда Дуань обращает внимание, что осведомленные инвесторы невольно вспоминают ажиотаж вокруг AI-фармацевтики в 2020–2021 и последовавших разочарований.

Молекула DSP-1181 компании Exscientia за год прошла от открытия до I фазы клиники, однако из-за несоответствия критериям механизма успеха I фаза была остановлена. Причин было две: жесткое ужесточение макроэкономики и наглядное доказательство, что "быстрее не всегда значит лучше" в биологии клинических фаз.

Но Фреда Дуань полагает, что в 2026 году ситуация принципиально иная, ведь тот цикл был до появления моделей GPT.

Ключевая логика в 2020/21: использовать вычисления для сокращения объема низкоценного лабораторного скрининга, AI — инструмент эффективности поиска, цель — ускорить нахождение кандидатов с меньшим количеством лабораторных экспериментов.

В 2026 вся логика противоположна: AI радикально расширяет пространство гипотез, а лаборатория генерирует новые данные для валидации. Основной цикл: AI → эксперимент → данные → улучшенный AI → еще больше экспериментов. AI способен создавать настолько большой поток экспериментов, что физическая биология становится бутылочным горлышком.

По текущим данным, исследование 2024 года показывает: успех I фазы AI-препаратов — 80–90%, что выше исторического среднего по отрасли; успех во II фазе — около 40%, что соответствует среднему, хотя размер выборки пока мал.

Фреда Дуань выделяет, что сейчас синтез DNA и производство белков — самые очевидные узкие места.

С увеличением числа кандидатов, выходящих на доклинику, исследования на животных могут стать следующим дифицитным звеном. Цены на приматов близки к прежним максимумам, мощности CRO по-прежнему под давлением, дальнейшее увеличение кандидатов AI лишь усугубит ситуацию.

По оценкам, эта торговая возможность может сохраняться долго — вплоть до первых результатов клиник I/II фаз в 2028 году и далее, логика не потеряет актуальности. Важнейшие рубежи:

• Конец 2026 – 2027 г. — первые AI-спроектированные лекарства от Isomorphic выходят в клинику, новые AI-проекты доходят до IND-согласования;
• 2028–2030 гг. — клинические данные покажут, насколько AI-препараты превосходят или уступают традиционным.

В краткосрочной перспективе, если бюджеты на эксперименты не увеличиваются, AI-дизайны не оборачиваются реальными лабораторными результатами или производственные мощности быстро догоняют спрос, верхние уровни "пика и лопаты" окажутся под давлением.

В долгосрочной перспективе, если AI-препараты блистают на этапе открытия и I фазы, но терпят поражение во II/III фазе в привычных масштабах, вся инвестиционная гипотеза окажется под угрозой — именно поэтому успех II фазы так важен.

Профессор Калифорнийского университета в Лос-Анджелесе Quanquan Gu кратко резюмирует суть происходящего:

Биология может стать следующей фронтирой для рекурсивного самоулучшения AI: проектировать на компьютере, тестировать в лаборатории, переводить обратную связь в полусинтетические данные, совершенствовать модель и снова запускать весь цикл.