Koniec fazy testowej. AstraZeneca przejmuje Modella AI, zmieniając strategię cyfrową w onkologii
Zarządzanie lawinowo rosnącą ilością danych w procesie tworzenia leków przestało być kwestią wyboru, a stało się problemem logistycznym. Dla AstraZeneki odpowiedź na to wyzwanie ewoluowała: zewnętrzne wsparcie technologiczne okazało się niewystarczające. Brytyjsko-szwedzki koncern zdecydował się na zakup bostońskiej firmy Modella AI, z którą dotychczas jedynie współpracował. Kwoty transakcji nie ujawniono, ale jej strategiczne znaczenie jest jasne – to odejście od traktowania sztucznej inteligencji jako zewnętrznego narzędzia na rzecz wbudowania jej głęboko w struktury badawcze firmy.
Ruch ten wpisuje się w szerszy trend w branży farmaceutycznej, gdzie tradycyjne partnerstwa ustępują miejsca akwizycjom. Firmy chcą mieć pełną kontrolę nad sposobem budowania, testowania i wdrażania modeli AI, zwłaszcza w tak silnie regulowanym środowisku, jak badania kliniczne i onkologia.
Od partnerstwa do własności
Modella AI specjalizuje się w tzw. patologii ilościowej. Jej algorytmy analizują obrazy patomorfologiczne, takie jak skany biopsji, i korelują je z danymi klinicznymi. Celem jest wyłapywanie wzorców, które mogą umknąć ludzkiemu oku, a które są kluczowe przy identyfikacji nowych biomarkerów czy doborze terapii. AstraZeneca nie chce już tylko wypożyczać tej technologii. Zgodnie z oficjalnym komunikatem, modele fundacyjne oraz agenci AI opracowani przez Modella zostaną bezpośrednio zintegrowani z działem R&D giganta.
Dotychczasowa współpraca obu podmiotów, którą Aradhana Sarin, dyrektor finansowa AstraZeneki, określiła mianem „jazdy próbnej”, pozwoliła zweryfikować użyteczność tych narzędzi w realnym środowisku badawczym. Wnioski były jednoznaczne: luźna kooperacja to za mało. Aby w pełni wykorzystać potencjał danych, konieczna jest pełna integracja zespołów i infrastruktury pod jednym dachem.
Lepsza selekcja, mniejsze ryzyko
Choć korporacyjne komunikaty, w tym wypowiedzi Sarin podczas konferencji J.P. Morgan Healthcare, pełne są sformułowań o „doładowaniu” (supercharge) badań, praktyczny cel akwizycji jest znacznie bardziej przyziemny i policzalny. Chodzi o radykalne skrócenie czasu potrzebnego na przekucie surowych danych badawczych w decyzje dotyczące projektowania prób klinicznych.
Kluczowym obszarem, w którym algorytmy mają przynieść wymierne korzyści, jest selekcja pacjentów. Precyzyjniejsze dobieranie uczestników badań klinicznych zwiększa szansę na powodzenie testów i pozwala uniknąć kosztownych opóźnień lub porażek wynikających z błędnych założeń rekrutacyjnych. W tym kontekście technologia przestaje być tylko nowinką, a staje się narzędziem optymalizacji kosztów w procesie, który pochłania miliardy dolarów.
Wojna o talenty i infrastrukturę
Decyzja AstraZeneki rzuca również światło na zmianę podejścia do zasobów ludzkich w Big Pharma. Zamiast polegać na zewnętrznych dostawcach oprogramowania, koncerny zaczynają budować własne, wewnętrzne zespoły data science. Wchłonięcie personelu Modella AI uniezależnia AstraZenecę od roadmapy zewnętrznego vendora i pozwala dynamicznie dostosowywać narzędzia do bieżących potrzeb badawczych, bez konieczności renegocjowania kontraktów.
Warto zauważyć, że AstraZeneca określa ten ruch jako pierwsze bezpośrednie przejęcie firmy AI przez dużego gracza farmaceutycznego. Dzieje się to w ciekawym momencie rynkowym – podczas tej samej konferencji ogłoszono partnerstwo Eli Lilly z Nvidią o wartości miliarda dolarów. Te dwa podejścia rysują wyraźną linię podziału w branży: jedni stawiają na potężne sojusze technologiczne, inni, jak AstraZeneca, na budowanie kompetencji wewnątrz, wierząc, że w perspektywie długoterminowej kontrola nad technologią będzie kluczem do sukcesu.
Dla AstraZeneki, która celuje w przychody rzędu 80 miliardów dolarów rocznie do 2030 roku, rok 2026 zapowiada się niezwykle intensywnie ze względu na oczekiwane wyniki wielu badań późnej fazy. Czy integracja Modella AI faktycznie przyspieszy te procesy, zależy od egzekucji. Wdrażanie zaawansowanego IT w skostniałych strukturach farmaceutycznych jest historycznie procesem powolnym i trudnym, ale kierunek został wyznaczony jasno: AI nie ma być usługą, lecz fundamentem badań.
