Innhold Vis
Isomorphic Labs er selskapet som vil bruke AI til å oppdage medisiner mot alle sykdommer. Det høres ut som en utopi – men de har allerede levert resultater som fått farmasisektoren til å riste på hodet i vantro. Selskapet ble spunnet ut fra Google DeepMind i 2021, og ledes av president Max Jaderberg og DeepMind-sjef Demis Hassabis, som fikk Nobelprisen i kjemi i 2024 for AlphaFold-arbeidet.
Jaderberg er halvt svensk, halvt britisk, og har bakgrunn fra DeepMind der han blant annet jobbet med forsterkningslæring og avanserte AI-systemer. Da han ble spurt om oppdraget med å bruke AI til å løse sykdom, hadde han et kortfattet svar: «Det er et vanvittig oppdrag.» Og det er kanskje den mest ærlige beskrivelsen jeg har hørt av hva Isomorphic Labs faktisk holder på med.
Men det interessante er ikke ambisjonen i seg selv – det er at de faktisk begynner å bevise at det fungerer. I februar 2026 publiserte de en 27 sider lang teknisk rapport som viste frem noe de kaller IsoDDE. Og tallene der er ikke det jeg hadde forventet å lese.
Hva er IsoDDE – og hvorfor er det viktig?
IsoDDE står for Isomorphic Labs Drug Design Engine, og er selskapets interne AI-motor for legemiddeldesign. Det bygger videre på AlphaFold 3 – modellen som i sin tid revolusjonerte forskers forståelse av proteiner – men tar det langt videre.
Ifølge Isomorphic Labs’ egen rapport gjør IsoDDE tre ting som tradisjonell legemiddelutvikling ikke klarer:
- Identifiserer bindingssteder på proteinstrukturer uten å kreve eksperimentelle data på forhånd – og gjør det på sekunder
- Forutsier hvor legemidler fester seg til proteiner med laboratoriepresisjon – uten det fysiske laboratoriet
- Estimerer bindingsaffinitet uten kostbare fysiske tester
Og ytelsestallene er ganske heftige: IsoDDE mer enn dobler nøyaktigheten til AlphaFold 3 på de vanskeligste protein-ligand-testene. På antistoff-benchmarks er den opptil 20 ganger bedre enn konkurrenten Boltz-2. På bindingsaffinitetsprediksjoner slår den fysikkbaserte gullstandarder – og gjør det til en brøkdel av kostnaden og tidsbruken.
Hva er problemet IsoDDE faktisk løser?
For å forstå hvorfor dette er stort, hjelper det å forstå hvor absurd tradisjonell legemiddelutvikling er. Kjemisk rom – altså alle molekyler som potensielt kan bli medisiner – er nesten ufattelig stort. Jaderberg har beskrevet det som minst 1040 mulige forbindelser. Selv om du screenet én milliard molekyler, er du ikke i nærheten av å ha utforsket det som faktisk finnes der ute.
Tradisjonelt tar legemiddelutvikling 10-15 år og koster milliarder av dollar per godkjente medisin. De aller fleste kandidater stryker på veien. Av 5 000-10 000 forbindelser som screenes tidlig, er det kanskje én som ender opp som godkjent medisin. Det er et filter på 0,01 prosent.
AI endrer dette på to måter. For det første kan prediksjonsmodeller som IsoDDE fortelle deg hvilke molekyler som er verdt å teste – uten å faktisk syntetisere og teste dem fysisk. For det andre kan generative modeller designe nye molekyler fra bunnen av, tilpasset et spesifikt mål. Kombinert betyr det at farmasøytisk utvikling potensielt kan gå fra tiår til måneder.
Når kommer de første kliniske forsøkene?
Dette er spørsmålet alle stiller. Og svaret begynte å ta form i 2025. Under World Economic Forum i Davos uttalte Demis Hassabis at Isomorphic Labs ville ha legemidler i kliniske forsøk i løpet av 2025. Det er nå 2026, og selskapet bekrefter at de nærmer seg første humane forsøk – som vil være den første reelle testen på om AI-designede legemidler faktisk virker i mennesker.
I mars 2025 hentet Isomorphic Labs inn 600 millioner dollar i en finansieringsrunde ledet av Thrive Capital. Pengene går til å videreutvikle AI-motoren og skyve pipelinen mot kliniske studier. De har allerede inngått partnerskap med farmasigiganter som Johnson & Johnson, Eli Lilly og Novartis – samarbeid som kan være verdt milliarder av pund.
Hva er Jaderbergs egentlige strategi?
Det som fascinerer meg med Jaderberg er ikke bare at han snakker om å løse sykdommer. Det er hvordan han tenker om problemet. Han snakker om å bygge «et halvt dusin AlphaFolds» – altså ikke én stor modell som gjør alt, men en familie av spesialiserte modeller som dekker ulike aspekter av biologisk og kjemisk forståelse.
Tanken er at man til slutt kombinerer disse til én helhetlig motor: prediktive modeller som sier hva som vil fungere, generative modeller som designer nye kandidater, og intelligente søkemodeller som navigerer kjemisk rom på samme måte som AlphaGo navigerte mulige trekk i Go. Det er egentlig ikke så ulikt det vi ser skje i AI generelt – fra enkeltmodeller til multi-agent-systemer som samarbeider mot komplekse mål.
Han er tydelig på at de ikke bare optimaliserer eksisterende metoder. De vil fundamentalt endre hvordan legemidler oppdages, fra en prosess styrt av menneskelig intuisjon og ineffektiv screening til en prosess der AI kan lære fra hele universet av protein- og kjemiske interaksjoner. Det er ærlig talt et ganske vanvittig oppdrag.
Hva betyr dette for deg og meg?
Det er fristende å avfeie dette som et av de mange «AI løser alt»-lovnadene man hører med jevne mellomrom. Og det er sant at det er lang vei fra lovende benchmarks til godkjente medisiner i apotek. Kliniske forsøk tar tid. Regulering tar tid. Skalering tar tid.
Men det er noe annerledes her enn det vanlige hype-syklusen vi er vant til. AlphaFold var ikke hype – det var et reelt gjennombrudd som faktisk fikk Nobelprisen. IsoDDE er ikke en pressemelding, det er en 27 sider teknisk rapport med konkrete ytelsestall som forskere kan etterprøve. Og partnerskapene med J&J, Lilly og Novartis er ikke symbolske – de er selskapene som faktisk tar legemidler gjennom kliniske forsøk og godkjenningsprosesser.
Hvis AI-designede legemidler faktisk fungerer i kliniske forsøk – og det vet vi ikke ennå – vil det endre farmasøytisk utvikling på en måte som vil merkes av alle som noen gang trenger medisin. Det er ikke et spørsmål om vi er entusiaster for teknologien. Det er et spørsmål om biologi og kjemi lar seg modellere godt nok av maskinlæring til at det monner.
Jeg er genuint nysgjerrig på hva vi ser om to år. Hva tenker du – er dette den neste store AI-anvendelsen, eller er det for godt til å være sant?
