KI i lægemiddeldesign: Hvordan autonome systemer nydefinerer medicinudvikling
Når KI opfinder molekyler: Et paradigmeskift i lægemiddelforskningen
Udviklingen af et nyt lægemiddel har længe været betragtet som en af de mest fejlbehæftede og omkostningstunge processer inden for moderne videnskab. Årelang forskning, milliardstore investeringer – og alligevel slår de fleste kandidater fejl, inden de nogensinde når en patient. Særligt inden for biologiske lægemidler, såkaldte biologika, der fremstilles af genteknologisk modificerede proteiner frem for syntetisk kemi, er kompleksiteten enorm. Forskere skal bogstaveligt talt gennemsøge astronomiske kombinationsrum af mulige molekyler for at finde de sjældne kandidater, der binder til de rette målstrukturer, forbliver stabile i den menneskelige krop og lader sig producere i stor skala.
Præcis her ændrer kunstig intelligens spillereglerne fundamentalt – og ikke gradvist, men med en hastighed, der overrasker selv erfarne brancheiagttagere. Det, der i øjeblikket foregår i laboratorier og datacentre hos store lægemiddelvirksomheder, er mere end teknologisk optimering: Det er begyndelsen på et helt nyt udviklingsparadigme.
Build-Measure-Learn-Loop som KI-styret proces
Den klassiske tilgang inden for lægemiddelforskning fulgte et lineært princip: formuler hypotese, syntesér, test, evaluer – og begynd forfra. Denne cyklus tog måneder til år. Moderne KI-understøttede platforme sætter præcis her ind og transformerer processen til en kontinuerlig, datadrevet reguleringskredsløb.
Førende lægemiddelvirksomheder som AstraZeneca beskriver deres tilgang som en Build-Measure-Learn-Loop: KI-modeller genererer eller prioriterer kandidatmolekyler beregningsmæssigt og forudsiger, hvilke designs der har den største sandsynlighed for succes. Laboratorier koncentrerer derefter udelukkende deres ressourcer om de bedst vurderede kandidater. Resultatet er kortere cyklustider, færre blindgyder – og muligheden for at tackle sygdomsmål, der tidligere blev anset for terapeutisk utilgængelige.
„Alt, hvad vi gør – hvad enten det er design, fremstilling, test eller analyse – understøttes i dag beregningsmæssigt. Cyklustiderne forkortes, mens produktivitet og innovation stiger."
For Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, illustrerer præcis dette princip, hvorfor KI-understøttet automatisering ikke længere er et nicheemne: „Det, vi observerer inden for lægemiddelforskning, er strukturelt det samme, som vi ser inden for virksomhedsautomatisering: KI overtager den iterative, dataintensive del af en proces – og giver mennesket kapacitet tilbage til strategiske beslutninger."
Multi-specifikke biologika: KI som optimeringsmotor til højkomplekse problemer
Den næste generation af biologiske lægemidler skal angribe flere sygdomsforløb samtidigt eller levere terapeutiske virkestoffer præcist til specifikke celler. Det lyder teknisk spektakulært – og det er det også. For optimeringen af et sådant molekyle på tværs af mange parametre samtidigt (effektivitet, stabilitet, fremstillingsevne, sikkerhed) er en beregningsmæssig opgave, der simpelthen overstiger menneskelig kapacitet.
KI-modeller kan her ikke kun optimere individuelle parametre, men navigere komplekse målkonflikter: Hvilke to eller tre molekylære mål bør prioriteres? Hvordan afvejes potens mod sikkerhedsrisici? Denne type multidimensionel optimering er et kerneløfte ved moderne generative KI-systemer inden for lægemiddelforskning – og McKinsey vurderer, at generativ KI kombineret med andre beregningsværktøjer kan reducere tidslinjerne i lægemiddelforskning med op til 50 procent.
Bemærkelsesværdigt er aspektet "Drugging the Undruggable": Målstrukturer, der hidtil er blevet betragtet som terapeutisk utilgængelige, kommer inden for rækkevidde takket være KI-understøttet modellering. Det udvider det adresserbare marked for nye terapeutika betydeligt – og signalerer samtidig, at den egentlige konkurrencefordel i lægemiddelindustrien fremover ikke primært vil ligge i kemisk ekspertise, men i kvaliteten og dybden af træningsdata.
Dataproblemet: Hvorfor proprietære datasæt bliver til strategiske aktiver
Enhver KI-model er kun så god som de data, den er trænet på. I lægemiddelforskning betyder det: Den, der råder over omfattende, kvalitativt højtydende biologiske datasæt, har en strukturel fordel. Eksperimenter leverer værdifulde signaler uanset deres udfald – selv en kandidats fiasko er information, der gør modellen mere præcis.
Ledende aktører opbygger derfor målrettet multimodale, proprietære datapuljer, der integrerer molekylstrukturer, bindingsmålinger, sikkerhedsprofiler og produktionsresultater. Denne datastrategi – bred porteføljedækning kombineret med målrettede investeringer i højenergiscreening – muliggør finjustering af frontier-modeller med mere repræsentative træningsdata.
For virksomheder uden for lægemiddelindustrien er denne dynamik en vigtig lære: Den, der ønsker at anvende KI strategisk, skal først afklare sin datastrategi. Datamængde alene er ikke tilstrækkeligt – diversitet, kvalitet og struktureret bearbejdning afgør, om et KI-system faktisk leverer differentierende indsigter.
"Lab of the Future": Agentic AI møder robotautomatisering
Det næste evolutionære skridt er den fuldstændige integration af KI og fysisk automatisering i et lukket reguleringskredsløb – et koncept, der i branchen diskuteres som "Lab of the Future". Grundidéen: KI forudsiger, robotsystemer udfører eksperimenter, instrumenter genererer data – og disse data flyder direkte tilbage i modellerne for at accelerere hvert efterfølgende cyklus.
Analogien til den selvkørende bil er i den forbindelse sigende: Sensorer og modeller navigerer et miljø, uden at hvert enkelt trin skal anvises af et menneske. Overført til lægemiddelforskning betyder det: Automatiserede højenergisystemer kunne ugentligt generere og evaluere tusindvis af molekylære interaktioner – i et tempo, som traditionelle arbejdsgange strukturelt ikke kan nå.
Dr. Maik Bunzel fra mabucon.eu ser i denne udvikling en direkte parallel til industrielle automatiseringsprojekter: „Den lukkede reguleringskredsløb – data ind, beslutning ud, handling, nye data – er kerneprincippet i agentic AI-systemer. Det, der sker med molekyler i pharmalaboratorier, sker med forretningsprocesser i virksomheder. Den teknologiske logik er den samme."
De-novo-design: Fremtiden ligger i at skabe frem for at søge
Det langsigtede mål for KI-understøttet biologics-forskning er det såkaldte De-novo-design: KI genererer fuldstændig nye proteinsekvenser, der præcist svarer til de ønskede virkstofegenskaber – fra struktur over sikkerhedsprofil til fremstillingsevne. Ikke længere søge og filtrere, men målrettet skabe.
De teknologiske forudsætninger for dette modnes netop nu: rigere og mere standardiserede træningsdata, robuste evalueringsbenchmarks for KI-genererede kandidater, og – særlig kritisk – forbedrede metoder til sikkerhedsprognose. For om et beregningsmæssigt genereret molekyle er sikkert i den menneskelige krop, er det hidtil vanskeligt at forudsige. Her kommer avancerede cellesystemer og miniaturiserede organmodeller i spil, som fungerer som fysiske testmiljøer for KI-genererede designs.
Parallelt hermed finder et paradigmeskift sted i retning af Agentic-AI-systemer, der ikke blot genererer molekylkandidater, men samtidig prognosticerer effektivitet og sikkerhed – og derved direkte forbinder indsigter på sygdomsniveau med molekyldesign, uden manuelle overdragelser mellem tidligere adskilte datasiloer.
Menneske og KI: Samarbejde frem for substitution
Et ofte overset aspekt af denne transformation er den ændrede rolle for mennesket. KI-systemer inden for virkstofforskning er ikke tænkt som en erstatning for videnskabsfolk, men som „Thinking Partners": Videnskabsfolk sikrer dømmekraften, den strategiske retning og den etiske indramning – KI leverer den beregningsmæssige dybde og hastighed.
Det kræver nye kompetenceprofiler: datavidenskabsfolk, automatiseringsspecialister og KI-ingeniører, der arbejder i skæringspunktet mellem maskinlæring og biologi. Koncepter som Multimodal Datafusion, Closed-Loop-Optimering, Uncertainty Quantification og klinisk fortolkelighed er ikke længere abstrakte forskningsemner, men operative krav til engineering-teams.
For virksomheder i alle brancher gælder det samme princip: KI-automatisering udfolder sin fulde værdi ikke ved at trække mennesket tilbage, men ved en meningsfuld rekalibrering af den menneskelige energi mod de opgaver, der kræver dømmekraft, kreativitet og ansvar.
Konklusion: Hvad virksomheder kan lære af pharma-KI-boomet
Udviklingerne inden for KI-understøttet biologics-forskning er ikke et særtilfælde i en højteknologisk branche. De er et særlig klart, datadrevet eksempel på den universelle logik bag intelligent automatisering: øge iterationshastigheden, koncentrere ressourcer om lovende kandidater og systematisk lære af hvert trin – også af fiaskoerne.
Dr. Maik Bunzel, grundlægger og administrerende direktør for mabucon.eu, sætter det på spidsen: „Uanset om det er et farmaceutisk selskab eller en mellemstor servicevirksomhed – den der anvender AI strategisk, ændrer ikke kun hastigheden i sine processer, men den strukturelle logik bag beslutningstagning. Det er den egentlige løftestang."
For beslutningstagere betyder det konkret: Indgangen til AI-understøttet procesautomatisering begynder ikke med valget af teknologi, men med datastrategien, med villigheden til en lukket feedback-løkke – og med modet til grundlæggende at nytænke processer frem for blot at digitalisere eksisterende workflows. Farmabranchen viser, hvor denne rejse fører hen. Spørgsmålet for andre sektorer er blot: Hvornår bryder de op?