Kan AI ersätta 50 % av all läkemedelsupptäcktsforskning genom att autonomt designa och testa nya molekyler in silico med hjälp av generativ AI och kvantdatorsimuleringar ?

Läkemedels-FoU är notoriskt långsam och dyr, men AI accelererar redan läkemedelsupptäckten. Om en AI inte bara kunde generera molekyler utan också simulera deras interaktioner med mänsklig biologi i en aldrig tidigare skådad skala, skulle det kunna göra traditionell labbaserad forskning föråldrad. Frågan är inte om AI kan designa läkemedel – det är om den kan göra det bättre än människor utan att behöva mänskliga forskare för att tolka resultaten.

Generativ AI kan idag föreslå nya småmolekylstrukturer med hög förutsagd bindningsaffinitet till proteinmål, och in-silico höggenomströmningsscreening på klassisk hårdvara täcker redan miljontals kandidater. Dock återstår fullständigt autonom, helautomatiserad upptäckt som kombinerar generativ design, kvantkvalificerad dockning och labbvalidering: noggrannheten i dockning ligger fortfarande under den ~1 kcal/mol-osäkerhet som krävs för tillförlitlig affinitetsrankning, kvantsimuleringar för stora proteiner är felbenägna på närliggande enheter, och flaskhalsar i våtlabbssyntes och -validering består. Nuvarande demonstrationer uppnår partiell automatisering (design → in-silico triage → partiell syntes), men ingen grupp har nått 50 % genomströmningsreduktionströskeln över en bred uppsättning mål. KÄLLA: McKinsey & Company — https://www.mckinsey.com/capabilities/quantumblack/our-insights/quantum-computing-in-drug-discovery

— Uppdaterad 10 maj 2026