DI panaudojimas naujiems vaistams sukurti: biotechnologijų rizikos kapitalo sandoriai turėtų atsigauti 2026 m.

 

Startuoliai naudoja dirbtinį intelektą vaistų atradimuose, kad greitai analizuotų sudėtingus biologinius duomenis ir nustatytų naujus taikinius, sukurtų naujas molekules generatyvinio dirbtinio intelekto pagalba, numatytų vaistų veiksmingumą / toksiškumą, optimizuotų klinikinius tyrimus ir rastų naujų esamų vaistų panaudojimo būdų (perkonfigūruotų). Jie naudoja mašininį mokymąsi junginių sąveikai numatyti, gilųjį mokymąsi biožymenų atradimui ir naudoja dirbtinį intelektą procesams supaprastinti, žymiai sumažindami išlaidas ir laiką, palyginti su tradiciniais metodais.

 

Pagrindiniai dirbtinio intelekto taikymai vaistų atradimuose

 

Taikinių identifikavimas ir patvirtinimas: dirbtinis intelektas analizuoja genomiką, proteomiką ir literatūrą, kad rastų naujus ligų taikinius, dažnai nustatydamas kelis potencialius taikinius iš sudėtingų biologinių kelių.

 

De Novo vaistų dizainas: generatyvinis dirbtinis intelektas sukuria naujas molekulines struktūras su norimomis savybėmis (pvz., prisijungimu prie taikinio) nuo nulio, peržengdamas esamas cheminių bibliotekų ribas.

 

Junginių atranka ir optimizavimas: dirbtinis intelektas prognozuoja junginio veiksmingumą, saugumą (ADME / toksiškumas) ir sintetinamumą, padėdamas tyrėjams anksti sutelkti dėmesį į perspektyviausius kandidatus.

 

Biožymenų atradimas: gilus mokymasis identifikuoja molekulinius parašus, kurie prognozuoja ligos progresavimą arba atsaką į gydymą, o tai lemia suasmenintą mediciną.

 

Klinikinių tyrimų optimizavimas: dirbtinis intelektas pagerina pacientų atranką, imituoja tyrimų rezultatus ir integruoja realaus pasaulio duomenis, kad tyrimai būtų greitesni ir efektyvesni.

 

Vaistų pakartotinis panaudojimas: dirbtinis intelektas susieja esamus vaistus su naujomis ligomis, atrasdamas naujas sąveikas, taip paspartindamas kelią į naujus gydymo būdus.

 

Kaip startuoliai diegia dirbtinį intelektą

 

Duomenų integravimas: įvairių duomenų rinkinių (genominių, cheminių, klinikinių) derinimas siekiant sukurti nuspėjamuosius modelius.

 

Platformų technologijos: unikalių dirbtinio intelekto platformų (pvz., specializuotų lustų didelio našumo patikrai), kurios integruoja dirbtinį intelektą su automatizavimu, kūrimas.

 

Dėmesys kliūtims: dirbtinio intelekto naudojimas tradicinėms kliūtims įveikti, pavyzdžiui, vaisto  kelių savybių prognozavimui vienu metu, o ne nuosekliai.

 

Sustiprinantis mokymasis: sustiprinančio mokymosi naudojimas molekulėms tiksliai suderinti su konkrečiais, vartotojo apibrėžtais tikslais, tyrinėjant plačias chemines erdves.

 

Taikydami šiuos metodus, dirbtinio intelekto valdomi, vaistų kūrimo startuoliai siekia smarkiai sutrumpinti, dešimtmečius trunkantį, kelis milijardus dolerių kainuojantį, vaisto pateikimo į rinką procesą, o dirbtinio intelekto atrasti, vaistai ankstyvuosiuose bandymuose rodo didesnį sėkmės rodiklį.

 

Ar yra atvirojo kodo Kinijos dirbtinio intelekto įrankių, skirtų naujiems vaistams atrasti?

 

Kinija siūlo atvirojo kodo duomenų bazes ir dirbtinio intelekto sistemas vaistų atradimui, ypač integruodama tradicinę kinų mediciną (TCM, pvz., genisteiną, naudojamą osteoporozei ir menopauzės simptomams) su šiuolaikiniu dirbtiniu intelektu, pvz., TCMBank, TCMSP, ir tokių įmonių, kaip „Insilico Medicine“ platformas (nors kai kurios priemonės yra patentuotos) bei modelius, tokius, kaip „Huawei“ „Jiu Wei-TCM-LLM“, teikiant duomenis ir įrankius žolelių, ingredientų, taikinių identifikavimui ir tyrimų spartinimui. Tokie dideli žaidėjai, kaip „Alibaba“ taip pat teikia atvirojo kodo pagrindinius dirbtinio intelekto modelius.

 

Atvirojo kodo duomenų bazės ir platformos (pagrindinai „TCM“)

 

TCMBank: didelė, nemokama duomenų bazė su standartizuota TCM informacija, taikiniais, ligomis ir ansamblio mokymosi protokolu vaistų atradimui / pakartotiniam panaudojimui.

 

TCMSP (Tradicinės kinų medicinos sistemų farmakologija): teikia duomenis apie žoleles, ingredientus, taikinius ir ADME, taip pat vizualizavimo įrankius vaistų atradimui iš žolelių. „ShennongAlpha“ (ShennongKB): Žinių bazė, sukurta „MongoDB“ pagrindu, integruojanti Kinijos farmakopėjos duomenis TCM tyrimams.

 

Pagrindiniai Kinijos dirbtinio intelekto žaidėjai ir įrankiai

 

„Insilico Medicine“: Naudoja dirbtinį intelektą (pvz., „Chemistry42“) vaistų kūrimui, vykdo veiklą Kinijoje ir integruoja atvirojo kodo įrankius, tokius, kaip „Virtualflow“, patikrai.

 

„Huawei“ ir partneriai: Sukūrė tokius modelius, kaip „Jiu Wei-TCM-LLM“ vaistų analizei, taikinių numatymui ir „Digital Herbalism“ su „Tianshili“ natūralių vaistų kūrimui.

 

„Alibaba“: Atvirojo kodo fundamentiniai generatyviniai modeliai („Qwen“), skatinantys platesnį dirbtinio intelekto kūrimą, kurį galima pritaikyti farmacijai.

 

„DeepSeek“: Atvirojo kodo LLM kūrėjas, išleidžiantis galingus modelius (pvz., R1), kurie gali būti įvairių dirbtinio intelekto programų, įskaitant vaistų kūrimą, pagrindas.

 

„DeepSeek-R1“ taikomas vaistų atradime, pasitelkiant jo stiprų loginį mąstymą tokioms užduotims, kaip vaistų taikinių nustatymas, baltymų struktūrų prognozavimas, virtualaus patikrinimo spartinimas ir netgi virtualių klinikinių tyrimų įgalinimas, naudojant skaitmeninius pacientų dvynius, siekiant pagreitinti tyrimus, sumažinti išlaidas ir patobulinti suasmenintą mediciną, naudojant pažangią, kontekstą suvokiančią, dirbtinio intelekto analizę. Gebėjimas suprasti sudėtingus biologinius duomenis ir generuoti struktūrizuotus rezultatus leidžia jį naudoti nuo ankstyvo taikinių identifikavimo iki vaistų poveikio modeliavimo.

 

Pagrindinės R1 vaistų atradimo taikymo sritys:

 

Vaistų taikinių identifikavimas ir patvirtinimas: R1 padeda nustatyti perspektyvius biologinius taikinius naujiems vaistams, analizuodamas didelius duomenų rinkinius ir sudėtingus biologinius ryšius – tai svarbus ankstyvas žingsnis.

 

Baltymų struktūros prognozavimas: padeda suprasti baltymų formas ir funkcijas, o tai yra labai svarbu, kuriant molekules, kurios veiksmingai su jais sąveikauja, prognozuojant nežinomas baltymų struktūras.

 

Virtualus patikrinimas: generuodamas skaitmeninius dvynius ir imituodamas sąveikas, R1 leidžia tyrėjams virtualiai išbandyti tūkstančius vaistų kandidatų (ligandų) su taikiniais prieš brangius fizinius eksperimentus, taip sutaupant daug laiko ir pinigų.

 

Personalizuota medicina: jos samprotavimo galimybės gali padėti pritaikyti gydymą, sukuriant skaitmeninius pacientų modelius, leidžiančius suasmeninti vaistų derinius ir dozavimo strategijas, kaip matyti iš dirbtinio intelekto valdomų protokolų koregavimų tyrimuose.

 

Klinikinių tyrimų optimizavimas: R1 gali stebėti biožymenų tendencijas realiuoju laiku tyrimų metu, taip sudarydamas sąlygas greitesniam dozės modifikavimui, potencialiai sumažindamas nepageidaujamų reiškinių skaičių ir palaikydamas efektyvesnius tyrimų planus.

 

Duomenų sintezė ir hipotezių generavimas: tyrėjai naudoja R1 tokioms užduotims, kaip diagnostinių hipotezių generavimas, diferencinių diagnozių nustatymas ir sudėtingų atvejų tyrimų planavimas, demonstruodami jo plačias analitines galias medicinoje.

 

Kaip R1 veikia (pagrindinės savybės):

 

Samprotavimas ir kontekstas: R1 puikiai atlieka mokslinius samprotavimus ir išlaiko kontekstą ilgų sąveikų metu, todėl gali suprasti sudėtingus biologinius naratyvus ir pačiam taisytis.

 

Daugiamodalinis duomenų tvarkymas: jis gali apdoroti įvairių tipų duomenis (tekstą, potencialiai vaizdus / sekas), todėl yra universalus biologiniams tyrimams.

 

Ekonomiškas ir efektyvus: tokios technikos, kaip kelių galvų latentinis dėmesys leidžia generuoti kelis rezultatus vienu metu, didinant efektyvumą ir mažinant veiklos sąnaudas, palyginti su kitais modeliais.

 

Daugiagalvis latentinis dėmesys (MLA) yra pažangus dėmesio mechanizmas, išpopuliarintas „DeepSeek-V2“, kuris žymiai padidina transformerio efektyvumą suspausdamas rakto (K) ir reikšmės (V) vektorius į bendrą, žemo rango „latentinę erdvę“, drastiškai sumažindamas atminties naudojimą (KV talpyklą), išvadų darymo metu neprarandant našumo ir dažnai jį pagerindamas. Užuot saugojęs visas K/V poras kiekvienai galvai, MLA naudoja bendrą, suspaustą latentinį vektorių, todėl jį labai lengva pritaikyti ilgoms sekoms ir sudėtingiems modeliams, kitaip, nei standartinį daugiagalvį dėmesį (MHA) ar net grupinį užklausų dėmesį (GQA).

 

 

Kinijos dirbtinio intelekto taikymo vaistų atradimui pavyzdžiai

 

 

„DrugCLIP“: Kinijoje sukurta dirbtinio intelekto sistema itin greitam virtualiam vaistų junginių patikrinimui pagal baltymų taikinius.

 

Jiu Wei-TCM-LLM: Naudojamas TCM analizei, taikinių prognozavimui ir vaistų sąveikos supratimui.

 

Šie ištekliai – tiek didelės duomenų bazės, tiek pagrindiniai dirbtinio intelekto modeliai – leidžia tyrėjams panaudoti dirbtinį intelektą naujiems terapiniams kandidatams nustatyti, ypač atsižvelgiant į turtingą tradicinės kinų medicinos kontekstą.

 

 

Visos šios veiklos rezultatai daug žadantys:

 

„Farmacijos įmonių susijungimų ir įsigijimų virtinė kursto optimizmą, kad biotechnologijų rizikos kapitalas yra pasirengęs atsigauti po pandemijos sukelto nuosmukio.

 

Investicinio banko „Stifel“ duomenimis, 2025-ieji buvo treti pagal užimtumą metai pramonėje, nes visame pasaulyje buvo sudaryta 223 mlrd. JAV dolerių vertės biotechnologijų įmonių susijungimų ir įsigijimų sandorių.

 

Naujausi įsigijimai iliustruoja vaistų gamintojų agresyvų siekį sudaryti sandorius, kurie galėtų padėti jiems konkuruoti karštose rinkose, tokiose kaip nutukimo gydymas, ir papildyti savo produktų atsargas startuolių produktais, nes jų pačių perkamiausi vaistai nebegauna patento. Lapkritį „Pfizer“ laimėjo konkursą su konkurente „Novo Nordisk“, kad įsigytų su nutukimu susijusią „Metsera“ – vieną iš nedaugelio rizikos kapitalo biotechnologijų bendrovių, kurios 2025 m. taps viešai prieinamos – sandoriu, kurio vertė gali siekti daugiau nei 10 mlrd. JAV dolerių.

 

„Matėme daugybę susijungimų ir įsigijimų, kurie atgaivina entuziazmą sektoriuje“, – sakė dr. Brianas Abrahamsas, „RBC Capital Markets“ pasaulinių sveikatos priežiūros tyrimų vadovas.

 

Susijungimų ir įsigijimų sandoriai padeda Rizikos ir kiti investuotojai užtikrina grąžą savo rėmėjams ir skiria daugiau pinigų naujoms įmonėms. Tai galėtų padėti panaikinti praėjusių metų nuosmukį, kai JAV ir Europos biotechnologijų įmonės pritraukė 26 mlrd. JAV dolerių rizikos kapitalo, palyginti su 27 mlrd. JAV dolerių 2024 m., teigia HSBC Innovation Banking.

 

Praėjusį pavasarį dėl prezidento Trumpo tarifų kilęs neapibrėžtumas sulėtino rizikos kapitalo investicijas.

 

Netrukus po Trumpo „Išlaisvinimo dienos“ tarifų paskelbimo balandžio mėnesį, startuolis „Crystalys Therapeutics“ prarado investuotojus, kurie sutiko remti bendrovės A serijos finansavimo etapą, teigė vienas iš įkūrėjų ir generalinis direktorius Jamesas Mackay'us.

 

„Jie tiesiog nusprendė niekur neinvestuoti, kol viskas nenurims“, – sakė Mackay'us. „Crystalys“, kurianti podagros gydymą, rado pakaitalus ir rugsėjį paskelbė apie 205 mln. JAV dolerių vertės A serijos finansavimo etapą.

 

Tačiau antroje pusėje finansavimas atsigavo, nes investuotojai ir vaistų gamintojai įsisavino politikos pokyčius ir padarė išvadą, kad jie nepakenks tiek, kiek iš pradžių tikėtasi. Farmacijos įmonės vėl pradėjo ieškoti startuolių, kurie juos pirktų, atgaivindamos susidomėjimą biotechnologijomis.

 

„Žmonės pradėjo suprasti, kad už ėmimąsi gaunate atlygį.“ „rizika“, – teigė Anna Fan, vyresnioji viešojo kapitalo partnerė „Novo Holdings“ rizikos kapitalo investicijų komandoje.

 

Startuoliai, taikantys dirbtinį intelektą vaistų kūrimui, tobulina vaistus iki klinikinių tyrimų ir patraukia farmacijos įmonių dėmesį – tai dar viena tendencija, skatinanti susidomėjimą biotechnologijomis.

 

Biotechnologijos startuolis „Enveda“, kuris naudoja dirbtinį intelektą gamtoje ieškodamas molekulių, kurias galima panaudoti naujiems vaistams gaminti, neseniai perkėlė savo trečiąjį junginį į klinikinius tyrimus – galimą uždegiminės žarnyno ligos gydymą, anksčiau pateikęs klinikinius tyrimus kitiems vaistų kandidatams: vienam – egzemai ir astmai, kitam – nutukimui.

 

 

Praėjusiais metais bendrovė sulaukė farmacijos įmonių susidomėjimo, tačiau vietoj to pritraukė 150 mln. dolerių D serijos finansavimą, kad galėtų išlaikyti visišką savo vaistų kūrimo proceso nuosavybę, teigė įkūrėjas ir generalinė direktorė Viswa Colluru.

 

 

Praėjusiais metais biotechnologijų pirminiai vieši siūlymai (IPO) įstrigo – JAV biržose kotiruojamos tik devynios bendrovės, palyginti su 19 bendrovių 2024 m., teigia „J.P. Morgan“.

 

 

Tačiau praėjusią savaitę įvykęs radiofarmacinių preparatų bendrovės „Aktis Oncology“ IPO 2026 m. pradžią pradėjo energingai. „Aktis“ ne tik padidino savo siūlymą, bet ir viešai siūlė akcijas už didžiausią numatomą ribą.

 

 

Pagerėjusi IPO rinka suteiktų biotechnologijų startuoliams daugiau finansavimo galimybių, padidintų konkurenciją farmacijos įmonių pirkėjams ir padidintų rizikos kapitalo investuotojų pasitikėjimą šiuo sektoriumi.

 

Kelios brandžios biotechnologijų bendrovės dabar svarsto galimybę įtraukti akcijas į viešąjį biržos sąrašą, todėl investuotojai tikisi spartesnio IPO tempo 2026 m.

 

„Tai bus daug produktyvesni metai, o kokybės kartelė bus aukšta“, – teigė dr. Jimas Healy, „Sofinnova Investments“ vadovaujantis partneris.“ [1]

 

1. Markets: Biotech Venture-Capital Deals Poised to Recover in '26. Gormley, Brian.  Wall Street Journal, Eastern edition; New York, N.Y.. 16 Jan 2026: B9.  

Using AI to Create New Drugs: Biotech Venture-Capital Deals Poised to Recover in '26

 

Startups use AI in drug discovery to rapidly analyze complex biological data for identifying new targets, designing novel molecules with generative AI, predicting drug efficacy/toxicity, optimizing clinical trials, and finding new uses for existing drugs (repurposing). They leverage machine learning to predict compound interactions, use deep learning for biomarker discovery, and employ AI to streamline processes, significantly cutting costs and time compared to traditional methods.

 

Key AI Applications in Drug Discovery

    Target Identification & Validation: AI analyzes genomics, proteomics, and literature to find new disease targets, often identifying multiple potential targets from complex biological pathways.

    De Novo Drug Design: Generative AI creates new molecular structures with desired properties (like binding to a target) from scratch, moving beyond existing chemical libraries.

    Compound Screening & Optimization: AI predicts a compound's efficacy, safety (ADME/Tox), and synthesizability, helping researchers focus on the most promising candidates early on.

    Biomarker Discovery: Deep learning identifies molecular signatures that predict disease progression or treatment response, leading to personalized medicine.

    Clinical Trial Optimization: AI improves patient selection, simulates trial outcomes, and integrates real-world data to make trials faster and more efficient.

    Drug Repurposing: AI matches existing drugs to new diseases by finding novel interactions, speeding up the path to new treatments.

 

How Startups Implement AI

 

    Data Integration: Combining diverse datasets (genomic, chemical, clinical) to build predictive models.

    Platform Technologies: Developing unique AI platforms (e.g., specialized chips for high-throughput screening) that integrate AI with automation.

    Focus on Bottlenecks: Using AI to overcome traditional bottlenecks, like predicting multiple drug properties simultaneously rather than sequentially.

    Reinforcement Learning: Using reinforcement learning to fine-tune molecules towards specific, user-defined goals, exploring vast chemical spaces.

 

By applying these methods, AI-driven drug discovery startups aim to drastically reduce the decades-long, multi-billion dollar process of bringing a drug to market, with AI-discovered drugs showing higher success rates in early trials.

 

Are there open source Chinese AI tools for discovery of new medicines?

 

China offers open-source databases and AI frameworks for drug discovery, particularly integrating Traditional Chinese Medicine (TCM, e.g. genistein used for osteoporosis and menopausal symptoms) with modern AI, like TCMBank, TCMSP, and platforms from companies such as Insilico Medicine (though some tools are proprietary) and models like Huawei's Jiu Wei-TCM-LLM, providing data and tools for identifying herbs, ingredients, targets, and accelerating research, with major players like Alibaba also open-sourcing foundational AI models.

 

Open-Source Databases & Platforms (TCM Focus)

 

    TCMBank: A large, free database with standardized TCM info, targets, diseases, and an ensemble learning protocol for drug discovery/repurposing.

    TCMSP (Traditional Chinese Medicine Systems Pharmacology): Offers data on herbs, ingredients, targets, and ADME, with visualization tools for drug discovery from herbs.

    ShennongAlpha (ShennongKB): A knowledge base built on MongoDB, integrating data from Chinese Pharmacopoeia for TCM research.

 

Key Chinese AI Players & Tools

 

    Insilico Medicine: Uses AI (like Chemistry42) for drug discovery, with operations in China, and integrates open-source tools like Virtualflow for screening.

    Huawei & Partners: Developed models like Jiu Wei-TCM-LLM for drug analysis, target prediction, and Digital Herbalism with Tianshili for natural medicine discovery.

 

Alibaba: Open-sources foundational generative models (Qwen), fostering broader AI development that can be adapted for pharma.

 

    DeepSeek: An open-source LLM developer, releasing powerful models (like R1) that can underpin various AI applications, including drug discovery.

 

 DeepSeek-R1 is applied in drug discovery by leveraging its strong reasoning for tasks like identifying drug targets, predicting protein structures, accelerating virtual screening, and even enabling virtual clinical trials via digital patient twins, all aimed at speeding up research, reducing costs, and enhancing personalized medicine through advanced, context-aware AI analysis. Its ability to understand complex biological data and generate structured outputs makes it useful from early target identification to simulating drug effects.

 

Key Applications in Drug Discovery:

 

    Drug Target Identification & Validation: R1 helps pinpoint promising biological targets for new drugs by analyzing vast datasets and complex biological relationships, a key early step in the pipeline.

    Protein Structure Prediction: It assists in understanding protein shapes and functions, crucial for designing molecules that interact effectively with them, by predicting unknown protein structures.

    Virtual Screening: By generating digital twins and simulating interactions, R1 allows researchers to virtually test thousands of drug candidates (ligands) against targets before expensive physical experiments, saving significant time and money.

    Personalized Medicine: Its reasoning capabilities can help tailor treatments by creating digital patient models, allowing for personalized drug combinations and dosing strategies, as seen in AI-driven protocol adjustments in trials.

    Clinical Trial Optimization: R1 can monitor biomarker trends in real-time during trials, enabling faster dose modifications, potentially reducing adverse events, and supporting more efficient trial designs.

    Data Synthesis & Hypothesis Generation: Researchers use R1 for tasks like generating diagnostic hypotheses, differential diagnoses, and designing workups for complex cases, demonstrating its broad analytical power in medicine.

 

How it Works (Key Features):

 

    Reasoning & Context: R1 excels at scientific reasoning and maintaining context over long interactions, allowing it to understand complex biological narratives and self-correct.

 

    Multi-Modal Data Handling: It can process various data types (text, potentially images/sequences), making it versatile for biological research.

 

    Cost-Effective & Efficient: Techniques like multi-head latent attention allow it to generate multiple outputs at once, increasing efficiency and lowering operational costs compared to other models.  Multi-Head Latent Attention (MLA) is an advanced attention mechanism, popularized by DeepSeek-V2, that significantly boosts transformer efficiency by compressing Key (K) and Value (V) vectors into a shared, low-rank "latent space," drastically reducing memory usage (KV cache) during inference without sacrificing performance, and often improving it. Instead of storing full K/V pairs for each head, MLA uses a shared, compressed latent vector, making it highly scalable for long sequences and complex models, unlike standard Multi-Head Attention (MHA) or even Grouped-Query Attention (GQA).

 

Examples of Chinese AI Applications for Drug Discovery

 

    DrugCLIP: A Chinese-developed AI framework for ultra-fast virtual screening of drug compounds against protein targets.

    Jiu Wei-TCM-LLM: Used for analyzing TCM, predicting targets, and understanding drug interactions.

 

These resources, both large databases and foundational AI models, enable researchers to leverage AI for identifying new therapeutic candidates, especially within the rich context of Traditional Chinese Medicine.

  

The results of all this activity are promising: 

 

“A run of pharmaceutical mergers and acquisitions is fueling optimism that biotechnology venture capital is poised to rebound from its postpandemic slump.

 

With $223 billion in biotech M&A deals worldwide, 2025 was the industry's third-busiest year on record, according to investment bank Stifel.

 

Recent acquisitions illustrate drugmakers' aggressive pursuit of deals that could help them compete in hot markets, like obesity, and refuel with startups' new products as their own top-selling medicines come off patent. In November, Pfizer won a bidding war with rival Novo Nordisk to buy obesity-focused Metsera -- one of the few venture-backed biotechs to go public in 2025 -- in a deal that could be valued at more than $10 billion.

 

"We've seen a spate of M&A that's reinvigorating enthusiasm for the sector," said Dr. Brian Abrahams, head of global healthcare research for RBC Capital Markets.

 

M&A deals help venture and other investors deliver returns to their backers and put more money to work in new companies. That could help reverse last year's slide, when U.S. and European biotechs raised $26 billion in venture capital, down from $27 billion in 2024, according to HSBC Innovation Banking.

 

Last spring, uncertainty stemming from President Trump's tariffs slowed venture investment.

 

Shortly after Trump's "Liberation Day" tariffs announcement in April, startup Crystalys Therapeutics lost investors that had agreed to back the company's Series A round, said co-founder and Chief Executive James Mackay.

 

"They just decided not to invest anywhere until things settled down," Mackay said. Crystalys, which is developing a treatment for gout, found replacements and disclosed a $205 million Series A round in September.

 

But funding recovered in the second half as investors and drugmakers digested the policy shifts and concluded they wouldn't hurt as much as initially expected. Pharmaceutical companies resumed their hunt for startups to buy, reviving interest in biotech.

 

"People started realizing you get rewarded for taking risk," said Anna Fan, senior partner, public equity on the venture investments team of Novo Holdings.

 

Startups applying artificial intelligence to drug discovery are advancing medications into clinical trials and getting pharmaceutical companies' attention, another development sparking interest in biotech.

 

Biotech startup Enveda, which uses AI to scour nature for molecules that can be fashioned into new drugs, recently moved its third compound into clinical trials, a possible treatment for inflammatory bowel disease, after earlier advancing other drug candidates into the clinic: one for eczema and asthma, the other for obesity.

 

Last year, the company fetched interest from pharmaceutical companies, but instead raised a $150 million Series D financing so it could maintain full ownership of its drug pipeline, said founder and Chief Executive Viswa Colluru.

 

Biotech initial public offerings stalled last year, with just nine companies listing on U.S. exchanges, down from 19 in 2024, according to J.P. Morgan.

 

But last week's IPO of radiopharmaceuticals company Aktis Oncology got 2026 off to a sprightly start. Aktis not only upsized its offering, but went public at the top of its expected range.

 

An improved IPO market would give biotech startups more financing options, provide competition to pharmaceutical acquirers and add to venture investors' confidence in the sector.

 

Several mature biotechs are now considering a public listing, leading investors to expect a better pace of IPOs in 2026.

 

"It's going to be a much more productive year, with a high bar on quality," said Dr. Jim Healy, managing partner at Sofinnova Investments.” [1]

 

1. Markets: Biotech Venture-Capital Deals Poised to Recover in '26. Gormley, Brian.  Wall Street Journal, Eastern edition; New York, N.Y.. 16 Jan 2026: B9.  

Štai kaip veikia jūsų protas

 

„Kas jūs esate? Kas vyksta jūsų viduje? Kaip jūs suprantate savo protą?“ Senovės išminčiai daug diskutavo apie tai, o dabar šiuolaikinis neuromokslas padeda mums visa tai išsiaiškinti.

 

Kai maždaug prieš du dešimtmečius prasidėjo mano mėgėjiškas susižavėjimas neuromokslu, mokslininkai, regis, daug laiko skyrė bandydami išsiaiškinti, kuriose smegenų vietose vyksta skirtingos funkcijos. Tai lėmė daugybę supaprastintų sutrumpintų žodžių populiariuose pokalbiuose: emocijos yra migdoliniame kūne. Motyvacija yra branduolyje accumbens. Tais laikais vadybos konsultantai galėjo gerai užsidirbti vesdami pristatymus su smegenų skenavimo skaidrėmis ir tardami tokius sakinius kaip: „Matote, kad parietalinė skiltis yra visa apšviesta.“ Tai įrodo, kad…“

 

Tačiau per pastaruosius kelerius metus neurologijos sritis, regis, nutolo nuo šio modulinio požiūrio (kiekvienas smegenų regionas atlieka savo funkciją). Tyrėjai labiau linkę manyti, kad smegenys yra tarpusavyje susijusių regionų tinklas. Jie labiau linkę kalbėti apie didžiulius ir dinamiškus neuronų tinklus, kurių jungtys jungia skirtingas smegenų dalis.

 

Luizas Pessoa, vadovaujantis Merilendo neurovaizdavimo centrui, neseniai pasiūlė metaforą, kuri padeda tokiam paprastam žmogui kaip aš suprasti, kas vyksta. Esė žurnalui „Aeon“ jis prašo mūsų įsivaizduoti varnėnų pulką, sklandantį ir besisukantį danguje. Nė vienas varnėnas neorganizuoja šio baleto, tačiau iš vietinės sąveikos tarp visų varnėnų atsiranda koordinuotas šokis.

 

Smegenims bandant orientuotis sudėtingose ​​dienos situacijose, jos kuria tai, ką Pessoa vadina „neuronų ansambliais, paskirstytais po kelias smegenų sritis“, kurie, kaip ir varnėnų murmėjimas, „sudaro vieną kolektyvinio elgesio modelį“.

 

Man tai atrodo logiška. Gyvenimas yra išties sudėtingas. Norint susidoroti su milijonu netikėtų aplinkybių, nenorėtumėte smegenų, užpildytų tik keliais regionais, atliekančiais tik kelis darbus. Norėtumėte, kad smegenys galėtų improvizuoti daugybę tinklinių ansamblių, kurie dinamiškai jungtųsi ir taip koordinuotų protingus atsakymus.

 

Pessoa metafora įkvėpė mane atlikti nedidelį minties eksperimentą. Įsivaizduokite, kad esate mokytojas ir žiūrite į savo klasę ir matote kiekvieną mokinį kaip varnėnų pulką. Jų smegenys nėra tuščios talpyklos, pripildomos informacija. Jų smegenys nėra kompiuteriai, kurie beasmeniškai atlieka skaičiavimus. Kiekvienas mokinys yra nuolat kintantis minčių, baimių, jausmų, troškimų, impulsų, prisiminimų ir kūno pojūčių sūkurys, kurie sąveikauja ir sudaro vieną protą, vedantį mokinį per jos dienos įvykius.

 

Jei žiūrėtumėte į žmones tokiu būdu, manau, pirmiausia pastebėtumėte, kiek daug yra individualių skirtumų. Jei vaikų protus matysite, kaip talpyklą, kurią reikia pripildyti, arba jei smegenis suvoksite, kaip savotišką kompiuterį, tai kiekviena talpykla ir kiekvienas kompiuteris yra kažkuo panašus. Bet jei vaikai yra sūkuriai, tai kiekvienas sūkurys turi savo atskirą judesių rinkinį – savo asmenybę, savo unikalų šokį.

 

Ir vis dėlto mūsų švietimo sistema yra standartizuota. Kaip rašo Toddas Rose'as savo puikioje knygoje „Vidurkio pabaiga“, kai vertiname ar rūšiuojame žmones, mes juos vertiname pagal kelis kriterijus, o tada juos reitinguojame pagal vieną tęstinumą. Vieni žmonės yra A žaidėjai, kiti – B, o kai kurie – D. Žinia yra tokia: būkite tokie patys kaip visi kiti, bet geresni.

 

Tačiau jei žmones vertintumėte kaip varnėnų pulkus, pamatytumėte, kaip dehumanizuojančios yra tokios rūšiavimo sistemos. Jei norėtumėte treniruoti, mokyti ar gydyti varnėnų pulką, nebūtumėte patenkinti gamyklinio stiliaus, visiems tinkančiais metodais. Nenorėtumėte reitinguoti žmonių pagal vieną skalę. Norėtumėte individualaus ugdymo, personalizuotos medicinos, individualizuotų valdymo metodų.

 

Antras dalykas, kurį pastebėtumėte, manau, yra tai, kad pokyčiai yra žmogiškoji konstanta. Mūsų kultūroje esame linkę esencializuoti žmones, pasirinkti kelias etiketes ar bruožus, kurie tariamai atspindi, kas jie yra. Tačiau pulkai visada juda. Žmogus, kuris namuose yra ekstravertiškas, sinagogoje gali būti intravertiškas. Akcijų prekiautojas, kuris yra pernelyg agresyvus bulių rinkoje, gali būti pernelyg atsargus meškų rinkoje.

 

Elgesys labiau susijęs su „jei-tada“ parašais. Jei susiduriu su šiuo kontekstu, esu linkęs reaguoti su vienu minties sūkuriu ir kitu veiksmu, bet jei esu kitame kontekste, reaguoju su visai kitokiu sūkuriu. Jei matytume žmones kaip varnėnus, manau, kad daugiau dėmesio skirtume tam, kaip gerai kiekvienas žmogus keičiasi ir prisitaiko, o mažiau – į tariamai nuolatines savybes.

 

Trečia, manau, pastebėtumėte, kad kategorijos, kurias naudojame žmonėms suprasti, trukdo juos iš tikrųjų suprasti. Protinę veiklą skirstome į tokias kategorijas kaip suvokimas, protas, emocijos, troškimas, veiksmas. Tai gerai atitinka modulinį smegenų požiūrį. Regėjimas vyksta pakaušyje; protas – priekyje.

 

Bet jei matote žmones kaip sūkurių rinkinį, susiduriate su faktu,  kad visos šios skirtingos psichinės veiklos yra glaudžiai susijusios ir sudaro vieną holistinį procesą. Jaučiamos emocijos daro įtaką tam, ką matote, lygiai taip pat, kaip tai, ką matote, daro įtaką tam, ką jaučiate. Skirtumai tarp šių psichinių kategorijų pradeda nykti. Kaip savo knygoje „Kaip atsiranda emocijos“ rašė neuromokslininkė Lisa Feldman Barrett, „emocijos iš principo nesiskiria nuo pažinimo ir suvokimo“.

 

Galiausiai, jei priimsime varnėnų pulko metaforą, galėsime atsisakyti vienos iš nevykusių metaforų, kuriomis Vakaruose rėmėmės, norėdami suprasti protą. Ši metafora, siekianti senovės Graikiją, teigia, kad protas yra išmintingas vežimo vairuotojas, o aistros – emocijos ir troškimai – yra eržilai, traukiantys vežimą. Šioje pasakėčioje protas yra ramus, rafinuotas protingas žmogus, o emocijos ir troškimai – kvaili, primityvūs žvėrys. Žmonės gyvena gerą ir racionalų gyvenimą, kai naudoja protą aistroms slopinti ir kontroliuoti.

 

Ši vežimo metafora remiasi pernelyg teigiamu gryno proto galios vertinimu ir pernelyg neigiamu požiūriu į aistras. Tiesa ta, kad jūsų emocijos nėra primityvios ir kvailos. Teigiamos emocijos skatina rizikuoti. Baimė skatina jus praplėsti savo akiratį už savo siauro „aš“. Liūdesys skatina jus keisti mąstymo būdą.

 

Jūsų troškimai taip pat nėra kvaili. Jie jums pasako, kas verta vertinti ir kur turėtumėte eiti. Jūsų kūnas taip pat turi savo išminties formą. Kortizolis didina budrumą. Adrenalinas paruošia kūną greitiems ir ryžtingiems veiksmams.

 

Kaip Annie Murphy Paul rašo savo knygoje „Išplėstas protas“, „Naujausi tyrimai rodo gana stulbinančią galimybę: kūnas gali būti racionalesnis už smegenis“.

 

Jei norėtume atsitraukti ir pažvelgti į visą protą, sakytume – tiek, kiek galime atskirti šiuos gebėjimus – kad protas, emocijos ir troškimai yra tik skirtingi ištekliai, kuriais žmonės naudojasi, kad padėtų priimti sprendimus dėl to, ką daryti toliau. Kiekvienas gebėjimas turi savo stipriąsias ir silpnąsias puses, ir gyvenimas klostosi geriausiai, kai žmogus visus gebėjimus koordinuoja viename grakščiame sūkuryje.

 

Jūsų, kaip sąmoningo žmogaus, užduotis nėra būti dominuojančiu, racionalistiniu vežimų vairuotoju. Reikia perskaityti savo emocijų, troškimų ir kūno siunčiamus vertinimus, veikti pagal juos, kai jų vertinimai yra tinkami, ir nukreipti juos kita linkme, kai jie pasiduoda perdėtai.

 

Kai kuriuos žmones taip suklaidina vežimų vairuotojo pasakėčia, kad jie neugdo ir nenaudoja visų savo gebėjimų. Jie taip susižavėję savo aukštu intelektu, kad nekreipia dėmesio į savo emocijas ir troškimus ar į signalus, kuriuos jiems siunčia jų viduriai. Štai kodėl fenomenaliai protingi žmonės dažnai daro stulbinamai kvailus dalykus.

 

Sąmoningas protas rašo mūsų rūšies autobiografiją ir priskiria sau pagrindinį vaidmenį. Tačiau požiūris į žmones kaip į varnėnų sūkurius atkreipia tinkamą dėmesį į visus tuos gilesnius procesus, kuriais turėtume pasikliauti kiekvieną sekundę, net jei jie gali kilti iš sąmoningos sąmonės vandens linijos.

 

Vienas iš gražių dalykų, susijusių su šiuolaikiniu neuromokslu, yra tai, kad jis primena mums apie visus tuos giliai subjektyvius procesus, kurie daro mus pilnaverčiais žmonėmis – tai, kaip mes vertiname daiktus, kaip trokštame būti geresni už save ir mūsų potencialą, kai viskas klostosi gerai, grakščiai žengti gyvenimo piligrimystės keliu.” [1]

 

1. This Is How Your Mind Works: Brooks, David.  New York Times (Online) New York Times Company. Jan 16, 2026.

This Is How Your Mind Works

“Who are you? What’s going on deep inside yourself? How do you understand your own mind? The ancient sages had big debates about this, and now modern neuroscience is helping us sort it all out.

 

When my amateur fascination with neuroscience began, roughly two decades ago, the scientists seemed to spend a lot of time trying to figure out where in the brain different functions were happening. That led to a lot of simplistic shorthand in the popular conversation: Emotion is in the amygdala. Motivation is in the nucleus accumbens. Back in those days management consultants could make a good living by giving presentations with slides of brain scans while uttering sentences like: “You can see that the parietal lobe is all lit up. This proves that …”

 

But over the past several years the field of neuroscience seems to have moved away from this modular approach (each brain region has its own job). Researchers are more likely to believe that the brain is a network of interconnected regions. They are more likely to talk about vast and dynamic webs of neurons whose connections link disparate parts of the brain.

 

Luiz Pessoa, who runs the Maryland Neuroimaging Center, recently offered a metaphor that helps a layman like me understand what’s going on. In an essay for Aeon, he asks us to imagine a flock of starlings swooping and swirling in the sky. No single starling organizes this ballet, yet out of the local interactions between all the starlings a coordinated dance emerges.

 

As the brain is trying to navigate through the complex situations of the day, it is creating what Pessoa calls “neuronal ensembles distributed across multiple brain regions,” which, like a murmuration of starlings, “forms a single pattern from the collective behavior.”

 

This makes sense to me. Life is really complicated. To deal with a million unexpected circumstances, you wouldn’t want a brain filled with just a few regions doing just a few jobs. You’d want the brain to be able to improvise a vast number of networked ensembles that would dynamically affiliate and thus coordinate sensible responses.

 

Pessoa’s metaphor inspired me to try a little thought experiment. Imagine that you are a teacher and you look out at your classroom and see each of the students in your class as a flock of starlings. Their brains are not empty vats to be filled with information. Their brains are not computers that impersonally churn through calculations. Rather, each student is an ever-changing swirl of thoughts, fears, feelings, desires, impulses, memories and body sensations that interact to form a single mind that guides the student through the events of her day.

 

If you saw people this way, I think the first thing you’d notice is how much individual variation there is. If you see kids’ minds as a vat to be filled up, or if you conceive of the brain as a kind of computer, then every vat and every computer is kind of the same. But if kids are swirls, then every swirl has its own distinct set of motions — its own personality, its unique dance.

 

And yet our educational system is standardized. As Todd Rose writes in his excellent book “The End of Average,” when we grade or sort people, we measure them according to a few criteria, and then we rank them along a single continuum. Some people are A players, some are B and some are D. The message is: Be just like everybody else but better.

 

But if you see people as flocks of starlings, you’d see just how dehumanizing such sorting systems are. If you wanted to coach, teach or treat a flock of starlings, you wouldn’t be content with factory-style, one-size-fits-all approaches. You wouldn’t want to rank people along a single scale. You’d want personalized education, personalized medicine, personalized management techniques.

 

The second thing you’d notice, I think, is that change is the human constant. In our culture we have a tendency to essentialize people, to pick a few labels or traits that supposedly capture who they are. But flocks are always in motion. A person who is extroverted at home might be introverted at synagogue. A stock trader who is overly aggressive in a bull market may be overly cautious in a bear market.

 

Behavior is more about if-then signatures. If I’m confronted with this context I tend to respond with this mental swirl and that action, but if I’m in a different context I’ll respond with a very different swirl. If we saw people as starlings, I think we’d pay more attention to how good each person is at changing and adapting and less on supposedly permanent traits.

 

Third, I’d think you’d notice that the categories we use to understand people get in the way of actually understanding them. We divide mental activity into categories like perception, reason, emotion, desire, action. This fits well with the modular view of the brain. Vision takes place in the back of the head; reason takes place in the front.

 

But if you see people as a set of swirls, you are confronted with the fact that all these different mental activities are intensely interconnected as part of a single holistic process. The emotions you feel influence what you see just as much as what you see influences what you feel. The divisions between these mental categories begin to dissolve away. As Lisa Feldman Barrett, a neuroscientist, wrote in her book “How Emotions Are Made,” “emotions are not, in principle, distinct from cognitions and perceptions.”

 

Finally, if we embrace the flock of starlings metaphor, then we can dump one of the more unfortunate metaphors we in the West have relied on to understand the mind. This metaphor, going back to ancient Greece, holds that reason is a wise charioteer and the passions — emotions and desires — are the stallions who pull the chariot. In this fable, reason is the calm, sophisticated smart guy, while the emotions and desires are dumb, primitive beasts. People lead good rational lives when they use reason to suppress and control the passions.

 

This chariot metaphor rests on an overly positive estimation of the power of pure reason and an overly negative view of the passions. The fact is that your emotions are not primitive and dumb. Positive emotions encourage risk-taking. Awe encourages you to broaden your focus beyond your narrow self. Sadness encourages you to change your way of thinking.

 

Your desires are not dumb, either. They tell you what is worth valuing and where you should go. Your body also contains its own form of wisdom. Cortisol increases vigilance. Adrenaline prepares the body for quick and decisive action.

 

As Annie Murphy Paul writes in her book “The Extended Mind,” “Recent research suggests a rather astonishing possibility: The body can be more rational than the brain.”

 

If we wanted to step back and look at the whole mind, we’d say — to the extent that we can even separate these faculties — that reason, emotions and desires are just different resources people draw upon to help make judgments about what to do next. Each faculty has its own strengths and weaknesses, and life goes best when a person coordinates all the faculties in one graceful swirl.

 

Your job as a conscious person is not to be a dominating, rationalist charioteer. It’s to read the judgments that your emotions, desires and body are sending you, act on them when their judgments are appropriate and redirect them when they are getting carried away.

 

Some people are so misled by the charioteer fable that they don’t cultivate or use all their faculties. They are so smitten with their own high intelligence that they don’t pay attention to their own emotions and desires, or to the signals their guts are sending them. This is why phenomenally smart people often do astoundingly stupid things.

 

The conscious mind writes the autobiography of our species and assigns itself the leading role. But the view of humans as swirls of starlings shines proper attention on all those deeper processes we should rely on every second, even though they may emerge from underneath the waterline of conscious awareness.

 

One of the nice things about modern neuroscience is that it reminds us of all those deeply subjective processes that make us fully human — the way we assign value to things, the way we yearn to be better than ourselves, and our potential, when everything is going well, to move gracefully on the pilgrimage of life.” [1]

 

1. This Is How Your Mind Works: Brooks, David.  New York Times (Online) New York Times Company. Jan 16, 2026.

Iš kur atsiranda sukčiavimas

„Apžvelgiame keletą puikių reportažų iš Mianmaro.

 

Giliai tankiai miškingose ​​karo nuniokotos Mianmaro pasienio vietovėse du mūsų žurnalistai neseniai aplankė Šundos parką – biurų centrą, kuris duris atvėrė 2024 m. ir kuriame dirba daugiau nei 3500 darbuotojų iš beveik 30 šalių. Kai kurie ten atvyko savo noru, kiti buvo pagrobti. Visi jie buvo skirti internetinių sukčių ir skaitmeninių sukčiavimo atvejų tyrimams.

 

Parkas buvo iš esmės apleistas, nes jį užėmė ir uždarė viena iš sukilėlių kovotojų grupuočių, daugelį metų kovojusių su Mianmaro kariuomene. Tačiau kovotojai leido Azijos reporterei Hannah Beech ir fotografui Jesui Aznarui dokumentuoti tai, ką Hannah pavadino „šios slaptos, labai įtvirtintos pramonės vidine šventove“. Jiems taip pat pavyko susitikti su kai kuriais sukčiais – kai kurie bandė grįžti į savo šalis, o kiti ieškojo kito darbo sukčių ekonomikoje.

 

Tai, ką jie pamatė, buvo nuostabu – tai tik vienas iš Pietryčių Azijos kibernetinio sukčiavimo junginių, įmonė, kuri 2024 m. vien iš Jungtinių Valstijų išvežė mažiausiai 10 milijardų dolerių.

 

Buvo didžiuliai atviro plano darbo kambariai, pilni kompiuterių monitorių, o sienas puošė įkvepiantys, visada užsidarantys išpardavimo šūkiai: „Tęsk“, „Svajonių ieškotojas“, „Svarbiausia – užsidirbti pinigų“. Vaizdo konferencijų salės buvo dekoruotos (netikromis) verslo knygomis ir (netikrais) modernaus meno kūriniais, skirtais sukurti sėkmingo verslo koncerno posėdžių salę.

 

Čia buvo nuotraukos, kurias sukčiai naudojo suklastotai tapatybei nustatyti. Visur, gerai matomoje kambario dalyje, buvo trys nešiojamų tualetų tipo dėžės, kurios, anot sukčių, buvo naudojamos kaip bausmės kambariai. Visur buvo išmesti mobilieji telefonai. „Kai kuriuose pastatuose beveik su kiekvienu žingsniu, – rašė Hana, – gavau SIM korteles, išsibarsčiusias kaip sniegas tropiniame karštyje.“

 

Sizifo kilpa

 

Kas vadovavo šiai vietai? Kinijos tarptautinis nusikalstamumo tinklas – kitaip tariant, gauja. Milicija neturi išteklių tyrimui, ir niekas kitas taip pat neparodė didelio susidomėjimo.

 

Kas bebūtų, vadovavo verslui brutaliai efektyviai. Hana kalbėjosi su keliais sukčiais, kurių kūnai buvo sumušimo ar griežtų pančių randuoti. Jiems nebuvo mokama už 12 valandų pamainas. Hana apie tai gražiai ir tragiškai parašė: „Gyvenimas buvo Sizifo kilpa: miegas, valgymas, apgaulė, valgymas, miegas, apgaulė.“

 

Vienas jai pasakė, kad jo darbas daugiau nei metus buvo siųsti „labas“ į socialinių tinklų paskyras. Jei jis negaus atsakymų bent į 5 procentus savo sveikinimų, anot jo, bus fiziškai nubaustas.

 

Darbuotojai atvyko iš viso pasaulio: Namibijos, Rusijos, Zimbabvės, Malaizijos, Prancūzijos. Kai kuriems Kinijos sukčiams buvo mokama, sužinojo Hannah, nors dažnai ne taip, kaip jiems buvo žadėta.

 

Užgauliojama

 

Hannah ir Jes keliavo į Šundos parką tuo metu, kai kovos tarp sukilėlių kovotojų, žinomų kaip Karen nacionalinė išsivadavimo armija, ir Mianmaro kariuomenės turėjo būti ramioje aplinkoje.

 

Atkreipkite dėmesį į tą žodį, tariamai. Minosvaidžio sviedinių dundesys ir aštrūs šūvių plyšimai tapo jų vizito garso takeliu. Jiems dirbant, sviediniai skriejo virš jų galvų ir nusileido per upę kaimyniniame Tailande. Kitą dieną po to, kai jie paliko kompleksą, 60 milimetrų minosvaidžio sviedinys pataikė į pastatą, kuriame jie slėpėsi, sužeisdamas tris žmones, įskaitant jų vadovą.“ [1]

 

1. Where Scams Come From. Sifton, Sam.  New York Times (Online) New York Times Company. Jan 16, 2026.