להשקיע בתרופה הבאה, מפת המניות השלמה של מהפכת ה-AI בביוטק

מה אם התרופה הבאה לסרטן או לאלצהיימר לא תיוולד ממוחו של מדען בודד, אלא מתוך אלגוריתם שלמד מיליארדי נתונים ביולוגיים בשבריר שנייה? עולם גילוי התרופות עובר בימים אלו את השינוי הדרמטי ביותר בתולדותיו, כשהבינה המלאכותית מקצרת תהליכים של שנים לימים ספורים.
אך מאחורי הקסם האלגוריתמי עומדת תשתית מורכבת ועמוקה, ללא דאטה קליני מדויק, כלי מעבדה מהימנים ואימוץ רציני מצד חברות התרופות הענקיות, המודלים המתקדמים ביותר יישארו רק תיאוריה על מסך.
זהו אינו רק סיפור על טכנולוגיה פורצת דרך, אלא על שרשרת ערך שלמה שמגדירה מחדש את עתיד הבריאות וההשקעות.
סקירה מקיפה על עולם הביוטק

ממידע גולמי לתרופה המהפכנית הבאה 

כדי שבינה מלאכותית תצליח לגלות את התרופה המהפכנית הבאה, ממש לא מספיק להחזיק במחשב על או באלגוריתם מתקדם בלבד.
גילוי תרופות בעידן ה-AI אינו מוצר יחיד, אלא אקו-סיסטם שלם המבוסס על שרשרת ערך טכנולוגית ותפעולית בת ארבעה שלבים קריטיים, כאשר כל שלב נשען לחלוטין על השלב שקדם לו.

המחשוב והמודלים מנתחים ומנבאים מולקולות מבטיחות, אך הם אינם שווים דבר ללא דאטה קליני וגנומי איכותי שמזין ומאמן אותם.
מולקולה שנראית מושלמת על המסך עדיין חייבת לעבור אישוש במציאות באמצעות מכשור מעבדתי מתקדם וגם התגלית המבטיחה ביותר במעבדה לא תגיע לחולים ללא הקיבולת הרגולטורית, הניסויים הקליניים המתקדמים ותשתיות המסחור של ענקיות הפארמה.
הבנת השרשרת הזו קריטית משום שהיא מוכיחה שהזדמנות הצמיחה והערך הכלכלי אינם שמורים לחברה בודדת, אלא מבוזרים לאורך התהליך כולו.

מודלי AI, המקום שבו מולקולות פוגשות את הלמידת מכונה

השלב הראשון והבסיסי בשרשרת הערך הוא שכבת החישוב, שבה הבינה המלאכותית מחליפה את הניסוי המסורתי בסימולציות ממוחשבות מתקדמות.
בשלב זה, מודלי AI סורקים מיליארדי אפשרויות כדי לזהות מטרות ביולוגיות בגוף (כמו חלבונים המורכבים במחלה), להבין את התנהגות המולקולות ולצמצם אלפי כימיקלים פוטנציאליים למספר מצומצם של מועמדים מבטיחים.
היכולת לחזות מראש את מבנה החלבון ואת תגובתו לתרופה מאפשרת לקצר תהליכים שנמשכו בעבר שנים לכדי ימים ספורים, לעצב מולקולות ברמת דיוק אטומית ולחסוך הון עתק שנשרף בעבר על ניסויים כושלים בשלבים מוקדמים.

השחקניות הפועלות בשכבה זו נחלקות בין ספקיות התשתית והחומרה לבין חברות הביוטק דאטה המפתחות את המודלים עצמם.
ענקיות טכנולוגיה כמו אנבידיה (NVDA), המספקת את עוצמת המחשוב והמעבדים הגרפיים, וגוגל (GOOGL), שחוללה מהפכה עם מודל AlphaFold לניתוח מבנה חלבונים, מעניקות את התשתית הטכנולוגית הרחבה.
מנגד, חברות ממוקדות כמו (RXRX (Recursion Pharmaceuticals ו-(SDGR (Schrödinger רותמות את התשתית הזו כדי לפתח אלגוריתמים ייעודיים לסימולציה, עיצוב וגילוי ישיר של תרופות חדשות בסביבה וירטואלית.

קרדיט: Google

דאטה ומידע רפואי, ה-AI טוב רק לפי המידע שמזינים אליו

אם המודלים האלגוריתמיים הם המנוע של המהפכה, הרי שהמידע הרפואי הוא הדלק שמניע אותם. אלגוריתם מתקדם ככל שיהיה אינו יכול לפעול בחלל ריק, כדי לזהות דפוסים ביולוגיים מורכבים ולנבא אילו מולקולות יפעלו על מטרות מסוימות, המערכת חייבת להיות מוזנת במידע רפואי וביולוגי מהעולם האמיתי בהיקפים עצומים.
שלב זה מקיף איסוף, פענוח וארגון של נתונים גנטיים, אותות קליניים, תוצאות בדיקות מעבדה ותיקים רפואיים של מטופלים.
הנגשת הדאטה הקליני והביולוגי אינה רק משפרת את הדיוק של התרופה ומאפשרת רפואה מותאמת אישית, אלא מייצרת יתרון תחרותי מובהק, ככל שהדאטה עשיר ומגוון יותר, כך המודלים נהפכים לחכמים ומדויקים יותר.

את השכבה הזו מובילות חברות המתמחות בריצוף גנטי, אבחון מתקדם ופלטפורמות ניתוח דאטה רפואי. ענקיות כמו אילומינה (ILMN), המספקת את המכשור והטכנולוגיה לריצוף דנ"א, לצד חברות אבחון וגנומיקה מתקדמות כמו NTRA) Natera) ו-GH) Guardant Health), המתמחה בנתוני ביופסיה נוזלית לגילוי סרטן, מייצרות את המידע הביולוגי הראשוני.
מנגד, חברות כמו (TEM (Tempus AI ו-(SOPH (SOPHiA GENETICS מתפקדות כפלטפורמות ניתוח המאחדות נתונים קליניים מולטי-מודאליים ממקורות שונים, והופכות מידע רפואי גולמי לתובנות מעשיות המזינות את מודלי הבינה המלאכותית.

לא רק ברפואה, היתרון שייך למי שמחזיק בנתונים, כבר לא למי שבונה את המודל

בשנים האחרונות מרבית תשומת הלב של השוק והמשקיעים הופנתה למרוץ החימוש הדרמטי אחר פיתוח מודלי הבינה המלאכותית המתקדמים ביותר.
אולם, ככל שהטכנולוגיה מבשילה והמודלים הופכים לנגישים יותר, מתחדדת ההבנה הכלכלית שהיתרון התחרותי האמיתי אינו יושב רק באלגוריתם עצמו.
בינה מלאכותית היא במהותה מנוע חישובי שמזהה דפוסים, איכות התוצאות, הדיוק והערך הפיננסי שהיא מייצרת תלויים באופן ישיר בכמות, בדיוק ובייחודיות של הנתונים שהוזרמו אליה.
מודל מתקדם ללא דאטה איכותי הוא כמו מכונית מרוץ ללא דלק, מרשים מבחינה הנדסית, אך חסר יכולת לנוע קדימה.

כאשר לכל ארגון או חברה תהיה גישה חופשית למודלי AI חזקים, מאזן הכוחות בשוק ישתנה באופן דרמטי. היתרון התחרותי יעבור באופן נחרץ לחברות שיושבות על חפיר של מידע בלעדי שאין לאף אחד אחר, החל ממידע גנטי ורפואי, דרך נתונים פיננסיים ותעשייתיים, ועד לתמונות לוויין או התנהגות צרכנים.
בעשור הקרוב, מאגרי הנתונים הייחודיים שחברות צברו לאורך שנים יהפכו למשאב היקר ביותר בכלכלה הדיגיטלית.
במציאות החדשה הזו, המנצחות הגדולות של מהפכת ה-AI לא יהיו בהכרח אלו שיפתחו את האלגוריתמים, אלא אלו שמחזיקות בטבלאות הנתונים המדויקות והבלעדיות ביותר.

סקירה מקיפה על הדאטה

כלי מעבדה ובדיקות, רעיונות של AI עדיין חייבים בדיקה בעולם האמיתי

גם כשהבינה המלאכותית מעצבת מולקולה שנראית מושלמת על המסך, התיאוריה המחשבתית חייבת לעבור את מבחן המציאות.
ה-AI יכול להעלות רעיונות פורצי דרך בתוך שניות, אך בסופו של דבר לא ניתן לדלג על השלב הפיזי, בדיקת המולקולות במעבדה כדי לוודא שהן אכן פועלות כמצופה ואינן רעילות.
שכבה זו בשרשרת הערך מהווה את הגשר הקריטי בין העולם הווירטואלי לעולם הביולוגי הממשי.
ללא המכשור והכלים המעבדתיים המתקדמים, כל התגליות של המחשב יישארו בגדר שורות קוד ותיאוריות בלבד מבלי שיוכלו להפוך למוצר רפואי פיזי, בטוח ומסחרי.

את השלב החיוני הזה מובילות ענקיות הציוד והטכנולוגיה המעבדתית, המספקות את התשתית הפיזית לכל ניסוי ומחקר.
חברות כמו תרמו פישר סיינטיפיק (TMO) ודנאהר (DHR) מספקות טווח רחב של מכלולים, חומרים, טכנולוגיות אבחון ומכשור מדעי מתקדם המאפשר לבדוק אלפי תרכובות בקצב מהיר.
לצידן, חברות כמו אג'ילנט (A) ו-(Waters Corporation (WAT מתמחות במכשירי ניתוח כימי וטכנולוגיות מדידה ברמת דיוק מולקולרית.
חברות אלו מאפשרות למדענים לאמת את התחזיות של ה-AI, לוודא את בטיחות התרופה ולהפוך את מודלי המחשב למוצרים ממשיים.

קרדיט: Waters Corporation

אימוץ על ידי ענקיות התרופות

השלב הרביעי והמכריע בשרשרת הערך הוא המעבר מרמת המעבדה אל השוק המסחרי הרחב.
גם לאחר שמודל ה-AI עיצב מולקולה ומבחני המעבדה הוכיחו את היתכנותה, הדרך למדף הבית מרקחת עדיין ארוכה ומורכבת מאוד.
שלב זה מהווה את צוואר הבקבוק הפיננסי והמבני של התעשייה, הוא דורש מימון של מאות מיליוני (ואף מיליארדי) דולרים עבור ניסויים קליניים מתקדמים בבני אדם, התמודדות עם דרישות רגולטוריות קפדניות של גופים כמו ה-FDA, והקמת מערכי ייצור, שיווק והפצה גלובליים.
ללא אימוץ פעיל ומימון נדיב מצד חברות התרופות המסורתיות, אפילו התגלית האלגוריתמית המבטיחה ביותר תישאר בגדר פוטנציאל לא ממומש.

את השכבה הזו מובילות ענקיות הפארמה העולמיות, המחזיקות בקופות מזומנים דשנות ובמערכים הרגולטוריים והמסחריים הנדרשים להבאת תרופה לשוק.
חברות כמו אלי לילי (LLY) ונובו נורדיסק (NVO), לצד ענקיות כמו מרק (MRK) ופייזר (PFE), אינן בהכרח מפתחות את מודלי ה-AI בעצמן מן היסוד, במקום זאת, הן רוכשות חברות ביוטק צעירות, חותמות על הסכמי רישוי ומאמצות את טכנולוגיות ה-AI כדי לרענן את צנרת התרופות שלהן.
בסופו של דבר, ענקיות הפארמה הן אלו שקובעות אילו מחקרים מבטיחים יזכו להפוך למוצרים מסחריים מאושרים והן אלו שקוצרות את הפירות הכלכליים הגדולים ביותר כאשר תרופת בלוקבסטר חדשה מגיעה לשוק.

קרדיט: Reuters

מפת המניות והשורה התחתונה

מפת המניות הציבוריות המרכיבות את התחום מבהירה היטב את התובנה המרכזית.
בעוד שרוב המשקיעים בשוק ממשיכים להתמקד באופן כמעט בלעדי ביצרניות השבבים הטהורות, הזדמנות ההשקעה האמיתית והשלמה טמונה באקו-סיסטם הרחב כולו.
המנצחות הגדולות של מהפכת הבינה המלאכותית בעולם הרפואה לא יהיו בהכרח חברה יחידה שתמצא את תרופת הקסם, אלא השרשרת השלמה שמזינה את התעשייה.
החל מחברות מחשוב הענן והמודלים, דרך ספקיות הדאטה והגנומיקה, יצרניות הציוד והמכשור המעבדתי, ועד לענקיות הפארמה שמשלבות את הטכנולוגיה בקווי הייצור, מיפוי נכון של השרשרת מאפשר להבין איפה באמת שוכן היתרון התחרותי ולהיחשף למהפכת הביוטק הבאה בצורה מאוזנת וחכמה בהרבה.