Biotech en AI

AI versnelt, maar beslist niet

Biotech begint weer op te leven. Een belangrijk deel van die aandacht komt door de brede toepasbaarheid van AI binnen medicijnontdekking, diagnostiek, proteomica (de grootschalige studie van het proteoom: de verzameling van alle eiwitten in een cel, weefsel, orgaan of organisme) en het analyseren van steeds grotere biologische datasets. AI kan sneller patronen vinden, doelwitten rangschikken, moleculen ontwerpen en experimenten efficiënter maken. En dat kan enorme waarde toevoegen. Maar juist doordat AI overal wordt toegepast, wordt het voor beleggers belangrijker om onderscheid te maken tussen een indrukwekkende tool en een bedrijf dat daadwerkelijk betere medicijnen kan ontwikkelen. Recente belangstelling voor biowetenschappen wordt mede gedreven door AI toepassingen in onder meer medicijnontdekking en laboratorium gereedschap.

Niet alles waar AI op staat binnen biotech is daardoor automatisch interessant. Een slecht target wordt geen goed target omdat er een beter model op wordt losgelaten en slechte biologie wordt niet ineens goede biologie omdat het zoekproces sneller gaat. Medicijnontdekking draait uiteindelijk niet om de tools die worden gebruikt, ook niet wanneer die tool AI is. Het draait om vertalend oordeel: het vermogen om te begrijpen welke biologie zich daadwerkelijk naar mensen vertaalt en hoe een goed medicijn eruit moet zien. Een model kan honderden potentiële targets ranken, maar daarna beginnen de beslissingen die uiteindelijk bepalen of er ooit een medicijn uit komt. Is het target werkelijk betrokken bij de ziekte? Is er menselijke genetische ondersteuning? Is de juiste patiëntengroep bekend? Kan het target voldoende worden geraakt? Bereikt de molecule het juiste weefsel? Hoeveel target engagement is nodig? Welke dosis geeft voldoende effect zonder dat toxiciteit de therapeutische marge wegneemt? AI kan al die beslissingen ondersteunen, maar neemt ze niet weg.

Van technologie naar bewijs

Dat onderscheid is goed zichtbaar bij AbCellera. Het bedrijf werd rond de beursgang vooral gezien als een technologieplatform voor het ontdekken van antilichamen, dat met een succes naar de markt kwam. Bamlanivimab, ontdekt via AbCellera en ontwikkeld met Eli Lilly, kreeg op 9 november 2020 Emergency Use Authorization van de FDA; $ABCL ging pas in december van dat jaar naar de beurs. Er lag dus al vóór de IPO concreet bewijs dat het platform een kandidaat kon voortbrengen die daadwerkelijk tot in patiënten kwam. Dat was nog geen bewijs dat AbCellera consequent goede medicijnen kon maken, maar wel een veel sterkere vorm van validatie dan alleen een presentatie over doorvoercapaciteit, datasets of AI.

Sindsdien is de lat opnieuw verschoven. AbCellera ontwikkelt inmiddels zelf programma's en ABCL635 leverde in 2026 positieve resultaten in fase 2 op bij vasomotorische symptomen door de menopauze. De studie behaalde de primaire efficacy endpoints en liet na één dosis een statistisch significante vermindering van zowel frequentie als ernst van de symptomen zien. Daarmee verandert ook het soort bewijs waarop een belegger het bedrijf kan beoordelen. Eerst moest worden bewezen dat het platform technisch werkte. Daarna dat partners bereid waren ermee te werken. Vervolgens dat er echte kandidaten uit konden komen. En nu begint menselijke klinische data steeds meer te bepalen hoeveel waarde er werkelijk in het platform zit. Dat is uiteindelijk waar ieder ontdekkingsplatform naartoe moet.

Recursion laat goed zien waarom die laatste stap zo belangrijk is. $RXRX beschikt over een zeer geavanceerde ontdekkingsinfrastructuur waarin grote hoeveelheden biologische data, automatisering en ML (machine learning) samenkomen. En het bedrijf heeft inmiddels veel meer dan alleen een AI-verhaal: programma's staan in de kliniek en Genentech heeft in 2026 het eerste neurowetenschappelijke target uit hun samenwerking geselecteerd om verder te ontwikkelen. Dat is echte externe validatie van het ontdekkingsproces. Toch blijft de belangrijkste vraag onbeantwoord totdat dit proces zich opnieuw naar goede medicijnen vertaalt. Het vinden van nieuwe biologie is niet hetzelfde als het ontwikkelen van een goed medicijn. De moeilijkste waarde ontstaat vaak juist na het ontdekken, wanneer moet worden bepaald welke kandidaat door moet, welke indicatie wordt gekozen, hoe de trial wordt ontworpen en welk klinisch signaal sterk genoeg is om opnieuw honderden miljoenen te investeren.

De echte test is de mens

Dat maakt de uitspraak dat medicijnontwikkeling niet om de tools draait bijzonder toepasselijk op biotech en AI. Een bedrijf kan technologisch voorlopen en toch verkeerde ontwikkelingsbeslissingen nemen. De beste modellen helpen weinig wanneer een target biologisch niet sterk genoeg is, de gekozen patiëntenpopulatie te breed is of de noodzakelijke dosis niet veilig haalbaar blijkt. Andersom kan een bedrijf met minder indrukwekkende marketing een veel sterkere investeringscase hebben wanneer de menselijke genetica sterk is, de target biologie goed is begrepen en het team precies weet welk productprofiel klinisch nodig is. Het echte competitive voordeel ontstaat pas wanneer technologie en vertalend oordeel elkaar versterken.

Een bruikbare manier om platformbedrijven te beoordelen is daarom te kijken naar de opeenvolging van bewijs. Eerst komt technische validatie: doet het platform werkelijk wat wordt beweerd? Daarna externe validatie: willen onafhankelijke partijen er serieus geld voor betalen? Daarbij zegt een samenwerking met miljarden aan theoretische mijlpalen minder dan daadwerkelijk ontvangen upfront cash, research funding en partners die later opnieuw programma's selecteren. Vervolgens moet een concreet medicijnkandidaat uit het platform komen, daarna menselijke geneesmiddelenleer en uiteindelijk klinische effectiviteit. Het sterkste bewijs komt pas wanneer dat proces meer dan één keer wordt herhaald. Één succesvolle kandidaat kan een gelukstreffer zijn; meerdere succesvolle programma's uit dezelfde ontdekkingsmachine maken het steeds aannemelijker dat er werkelijk een structureel voordeel bestaat.

Ook gespecialiseerde biotechinvesteerders kunnen helpen om nieuwe ideeën te vinden en valideren. Baker Bros is daarvan een goed voorbeeld. Hun gerapporteerde positie in Kymera was eind juni 2026 bijna $1 miljard en Felix Baker zit bovendien in de board van Kymera. De reden om $KYMR vervolgens verder te onderzoeken is niet dat Baker Bros aandeelhouder is, maar dat het bedrijf zelf steeds meer bewijs opbouwt. Kymera probeert targeted protein degradation om te zetten in geneesmiddelen en heeft meerdere klinische programma's; KT-621 had in 2026 zijn fase 2b-enrollment voltooid en het bedrijf beschikte eind juni over ongeveer $1,5 miljard cash met runway tot 2029. Dat is een ander profiel dan een platform dat zich moet bewijzen dat zijn technologie überhaupt bruikbare kandidaten kan produceren.

Wetenschap is niet hetzelfde als aandeelhouderswaarde

Een bedrijf dat vorige week trending was en drie weken eerder een duidelijk APEX signaal had, is Nautilus. $NAUT zit veel vroeger in de keten en is daardoor eerder een naam om te volgen dan om al op dezelfde bewijsstandaard als ABCL te beoordelen. Voyager probeert single-molecule proteomics veel dieper en schaalbaarder te maken. Het platform werd in 2026 onthuld, Baylor werd de eerste Early Access-klant en Nautilus boekte in het tweede kwartaal zijn eerste omzet. De brede commerciële launch werd voor eind 2026 verwacht. De potentiële toepassing kan groot zijn, omdat betere proteomics nieuwe inzichten kan opleveren voor biomarkers, disease biology en target discovery. Maar tussen betere metingen en betere medicijnen zitten nog veel stappen. Eerst moet blijken of onderzoekers het platform breed willen gebruiken, daarna of de data werkelijk nieuwe biology onthult en vervolgens of die informatie daadwerkelijk leidt tot betere development decisions. Dat maakt het wetenschappelijk interessant, maar het bewijsniveau nog duidelijk eerder.

Naast de wetenschap bepaalt ook de economische structuur hoeveel waarde uiteindelijk bij aandeelhouders terechtkomt. Een groot aantal partnerprogramma's klinkt indrukwekkend, maar kan minder aantrekkelijk zijn wanneer vrijwel alle commerciële upside naar de farmaceutische partner gaat. Royaltypercentages, milestonebetalingen, co-developmentrechten en volledig eigen programma's moeten daarom naast de wetenschappelijke pipeline worden gelegd. Één sterke asset waarvan het bedrijf bijna alle rechten bezit kan economisch veel belangrijker zijn dan twintig discoveryprogramma's die uiteindelijk slechts kleine royalties opleveren. Hetzelfde geldt voor market cap: een fantastisch platform kan alsnog een slechte belegging zijn wanneer veel toekomstig succes al in de waardering zit.

Kun je het bewijs financieren?

Cash runway hoort vervolgens direct naast de klinische tijdlijn. Biotechbedrijven verbranden jarenlang kapitaal voordat er überhaupt omzet uit een geneesmiddel komt. Het relevante getal is daarom niet alleen hoeveel cash er op de balans staat, maar welke belangrijke klinische mijlpalen met die cash kunnen worden bereikt. Een bedrijf dat voldoende kapitaal heeft om belangrijke Fase 2 data te halen, kan bij sterke resultaten later vanuit een veel sterkere positie financieren. Een bedrijf dat vóór dezelfde readout opnieuw aandelen moet uitgeven, verwatert bestaande aandeelhouders terwijl het grootste klinische risico nog moet worden genomen. Financiering is in biotech niet automatisch slecht; het moment waarop die financiering nodig is, maakt het verschil.

Een biotechbedrijf kan uiteindelijk dus langs een vrij simpele centrale vraag worden gelegd: wat heeft de technologie aantoonbaar veranderd aan de kans om een goed medicijn te maken? Het aantal targets, modellen of datapunten is pas waardevol wanneer er betere keuzes uit voortkomen. Heeft het platform iets ontdekt dat anderen niet zagen? Hebben onafhankelijke partijen dat gevalideerd? Is er een echte kandidaat uit gekomen? Bereikte die kandidaat de kliniek? Klopte de voorspelde biology vervolgens in mensen? Bezit het bedrijf genoeg van de economics als het programma slaagt? En is er voldoende cash om het volgende belangrijke bewijs te bereiken?

Hoe verder een bedrijf in die reeks komt, hoe minder belangrijk de woorden AI en platform uiteindelijk worden. AI kan ontdekking sneller, goedkoper en misschien veel beter maken. Dat kan een enorme competitief voordeel opleveren. Maar de technologie zelf is niet de thesis, de echte waarde ontstaat wanneer een bedrijf met die technologie consequent de juiste biologische beslissingen neemt en die vervolgens kan vertalen naar medicijnen die daadwerkelijk in mensen werken.