Patrick Schwab är inte någon vanlig läkemedelsforskare och hans arbetsplats är inte något vanligt läkemedelslaboratorium. Där finns varken arbetsbänkar eller bubblande vätskor. Inte heller några vita labbrockar. Patrick Schwab är klädd i helsvart. Men det är en passande klädsel för någon vars arbetsplats finns i King’s Cross, en stadsdel som en gång i tiden präglades av bangårdar och industribyggnader. I dag är det en av de trendigaste stadsdelarna i London.
Ur The Economist, 5 januari 2026, översatt av InPress. ©2026 The Economist Newspaper Limited. Alla rättigheter förbehållna.
Vad handlar artikeln om?
Med AI flyttas mycket av arbetsinsatsen över från labbutrustning till datorer: läkemedelsdesign in silico i stället för in vitro. Det kan mer än halvera tiden för att ta fram nya läkemedelskandidater.
Patrick Schwab är inte någon vanlig läkemedelsforskare och hans arbetsplats är inte något vanligt läkemedelslaboratorium. Där finns varken arbetsbänkar eller bubblande vätskor. Inte heller några vita labbrockar. Patrick Schwab är klädd i helsvart. Men det är en passande klädsel för någon vars arbetsplats finns i King’s Cross, en stadsdel som en gång i tiden präglades av bangårdar och industribyggnader. I dag är det en av de trendigaste stadsdelarna i London.
Patrick Schwab arbetar för läkemedelsbolaget GSK. Hans uppgift är att med hjälp av AI hitta nya sätt att arbeta med läkemedelstillverkning i framtiden. Med AI flyttas så mycket som möjligt av arbetsinsatsen över från labbutrustning till datorer: läkemedelsdesign in silico i stället för in vitro.
För detta ändamål har han utvecklat ett programvaruverktyg som kallas Phenformer, som han tränar upp för att det ska kunna läsa genom. Genomisk information kopplas samman med fenotyper – den biologiska termen för kroppsliga och beteendemässiga effekter av specifika genetiska kombinationer – och Phenformer lär sig då på vilket sätt vissa gener orsakar sjukdomar. Det gör det möjligt att generera nya hypoteser om specifika sjukdomar och deras bakomliggande mekanismer.
Insilico Medicine, ett bioteknikföretag i Boston, kan ha varit först med att använda den nya generationens AI – som bygger på så kallade transformermodeller – inom läkemedelsutveckling. Redan 2019 frågade sig företagets forskare om de kunde använda de här modellerna för att utveckla nya läkemedel med hjälp av biologiska och kemiska data. Deras första projekt fokuserade på lungsjukdomen idiopatisk lungfibros.
De började med att träna en AI på dataset kopplade till sjukdomen och hittade ett lovande målprotein. En annan AI gav sedan förslag på molekyler som kan bindas till detta protein och ändra dess beteende. Molekylerna fick dock inte vara alltför giftiga eller instabila. När AI gjort sitt tog kemisterna över och skapade och testade de utvalda molekylerna. De kallade upptäckten rentosertib. Ämnet har nyligen genomgått framgångsrika kliniska prövningar i fas II. Företaget uppger att det tog 18 månader att ta fram en läkemedelskandidat som kunde vidareutvecklas. Den normala tidsramen är fyra och ett halvt år.
Insilico har nu en pipeline med mer än 40 AI-utvecklade läkemedel som man utvärderar för behandling av sjukdomar som cancer samt sjukdomar i tarmar och njurar. Och det här sättet att arbeta börjar få fäste. En prognos visar att de årliga investeringarna inom det här området kommer att öka från 3,8 miljarder dollar 2025 till 15,2 miljarder dollar 2030.
Samverkan mellan läkemedelsbolag och AI-företag börjar också bli vanligt. Enligt analysföretaget Iqvia offentliggjordes 2024 ett tiotal avtal, med ett sammanlagt värde på 10 miljarder dollar. Och i oktober förra året presenterade läkemedelsbolaget Eli Lilly ett samarbete med Nvidia, ett företag vars chip ofta används för att träna och driva transformerbaserade AI-modeller. Det handlar om att utveckla branschens mest kraftfulla superdator som kan påskynda processerna inom läkemedelsutveckling.
Givet läkemedelsbranschens säregna ekonomiska förutsättningar skulle till och med marginella effektivitetsförbättringar ge stora vinster – i 90 procent av fallen når kandidatläkemedel som genomgår kliniska prövningar inte ända fram, vilket gör att kostnaderna för att utveckla ett framgångsrikt läkemedel kan uppgå till hela 2,8 miljarder dollar.
Rapporter från olika delar av branschen tyder på att AI har börjat leverera sådana vinster. AI-designade läkemedel kan genomgå den prekliniska fasen, innan de kliniska prövningarna på människor inleds, på bara 12–18 månader, jämfört med de tre till fem år som tidigare krävdes. Och de AI-designade läkemedlen klarar sig också bättre i säkerhetsstudier. En studie från 2024 om hur de här läkemedlen presterar i säkerhetsstudier visar att 80–90 procent får godkänt resultat. Det historiska genomsnittet ligger på 40–65 procent. Detta gör i sin tur att fler läkemedel tar sig igenom hela pipelinen: tidigare rörde det sig om 5–10 procent, men i dag går 9–18 procent hela vägen.
När man utvecklar ett nytt läkemedel börjar man normalt med att analysera små organiska molekyler för att se om de har potentiell biologisk effekt. AI kan söka igenom kataloger med tiotals miljarder sådana molekyler och testa egenskaper som effekt, löslighet och toxicitet med hjälp av datorsimuleringar – inga provrör behövs. Jim Weatherall hos läkemedelsjätten AstraZeneca säger att den här processen skiljer agnarna från vetet dubbelt så snabbt som tidigare. Drygt 90 procent av företagets process för upptäckt av små molekyler stöds nu av AI.
AI bidrar också till förbättringar i studiedesignen. En metod använder ”AI-agenter” som agerar som om de kan tänka och resonera. Hos GSK visade företagets AI-chef, Kim Branson, undertecknad ett agentbaserat system som kallas Cogito Forge. När Cogito Forge får en fråga om biologi kan systemet skriva sin egen kod för att kunna besvara frågan, samla in lämpliga dataset, kombinera dem och sedan skapa en presentation – komplett med diagram och en slutsats.
Utifrån detta kan Cogito Forge generera en hypotes om en sjukdom, inklusive antaganden som kan prövas, och försöka verifiera eller falsifiera detta genom en litteratursökning. I denna sökning används tre agenter: en för att leta efter skäl till att hypotesen är bra, en annan för att leta efter skäl till att den inte är det samt en tredje för att bedöma vilken av de andra två som är korrekt.
AI visar också potential när det handlar om att välja ut patienter till studier. Den kan analysera de potentiella deltagarnas journaler, vävnadsprov och kroppsundersökningar för att identifiera vem som kan dra störst nytta av ett nytt läkemedel. Bättre urval av deltagare innebär att studierna kan bli mindre
– och därmed snabbare och billigare.
Det mest spännande sättet att använda AI i det här sammanhanget handlar om syntetiska patienter, ibland kallade digitala tvillingar, som fungerar som matchade kontrollpersoner för verkliga deltagare. Här går en AI igenom data från tidigare studier och lär sig att förutspå hur sjukdomens naturliga förlopp skulle se ut för en deltagare om han eller hon inte behandlas. När en patient sedan deltar i en studie och behandlas med ett läkemedel, skapar AI en annan ”patient” med samma typ av egenskaper, som ålder, vikt, nuvarande sjukdomar och sjukdomsstadium. Läkemedlets effekt hos den verkliga patienten kan därmed jämföras med utvecklingen hos den virtuella patienten.
Om man börjar använda syntetiska patienter kan det innebära att kontrollgrupperna blir mindre. I vissa fall kanske de inte behövs överhuvudtaget. Användningen av syntetiska patienter kan också vara en fördel för deltagarna. Fler kan få ta del av behandlingen i stället för att hamna i en kontrollgrupp utan behandling.
En studie från Unlearn.AI, ett San Franciscoföretag som arbetar med digitala tvillingar, som publicerades 2025, visade att i en studie av Parkinsons sjukdom hade kontrollgruppen kunnat bantas ned med 38 procent. I en annan studie av Alzheimers sjukdom hade motsvarande minskning kunnat ligga på 23 procent.
Dessutom kan prövningar i tidiga faser, där det ofta inte finns någon kontrollgrupp, nu använda digitala kontrollgrupper. Det skulle stärka tilltron till påvisade effekter och förbättra utformningen av senare studier.
AI har sina begränsningar. Många proteiner – molekyler som allt oftare används som läkemedel, men som är mycket större än konventionella läkemedelsmolekyler – har en tendens att röra på sig. Det gör det svårare att bestämma exakt vilka former de har.
RNA-molekyler, som ligger till grund för en ny klass av vacciner, är lika komplicerade och de komplexa membranbaserade strukturer som finns på cellernas insida är ännu mer svårhanterliga. Men kunskaperna ökar snabbt på det här området. AI-modeller tränas nu på att simulera samspelet mellan proteiner och andra molekyler i syfte att förutspå RNA-veckning, och till och med för att simulera celler.
Recursion, ett företag i Salt Lake City, har byggt en ”AI-fabrik” där miljontals mänskliga celler avbildas när de genomgår olika kemiska och genetiska förändringar. Det gör att AI kan lära sig mönster som förbinder gener och molekylära signalvägar. Owkin, ett AI-bioteknikföretag i New York, tränar sin modell på en omfattande uppsättning högupplösta molekylära data från sjukhuspatienter.
Foto: Owkin
Tom Clozel är vd för Owkin och menar att AI gör upptäckter som är utom räckhåll för människor. Därför är det här ett steg på vägen mot verklig generell AI inom biologisk forskning. Kanske riskerar traditionella läkemedelsbolag att få hård konkurrens från nystartade AI-företag.
Företag som OpenAI, som var ledande inom utvecklingen av de transformermodeller som kallas stora språkmodeller, och Isomorphic Labs, ett startup-företag inom läkemedelsutveckling som avknoppats från Google DeepMind, tränar redan system på att resonera och göra upptäckter inom livsvetenskaperna.
I dag har läkemedelsbolagen en fördel, då de sitter på stora mängder data och har den kontext som krävs för att kunna förstå och använda dem. Därför kommer samarbeten att bli viktiga. OpenAI samarbetar exempelvis med Moderna, som är pionjärer inom RNA-vacciner, om att påskynda utvecklingen av individanpassade cancervacciner. Men när de nya modellerna gör biologin mer förutsägbar, kan nya företag få ett försprång.
AI har redan bidragit avsevärt till utvecklingen. Om tekniken kan åstadkomma liknande förbättringar i de kliniska prövningarnas senare faser, lär antalet läkemedel som når marknaden öka kraftigt.
På längre sikt är möjligheterna att förbättra människors hälsa enorma.
Denna text publicerades ursprungligen i det tryckta magasinet Världen Om mars 2026.
Läs fler artiklar från samma nummer här.
Så här jobbar Världen Om med kvalitetsjournalistik: Vi väljer ut artiklar. analyser, data och intervjuer från The Economist som täcker in geopolitik, vetenskap, livsstil, affärer och kultur. The Economist har funnits sedan 1843 för att "stärka kampen för intelligent upplysning i syfte att motverka okunskap som hindrar framsteg och utveckling."
