Newsletter · · Ashutosh Agarwal

KI-Wirkstoffforschungs-Pure-Plays gehen am Earnings-Tag auseinander - AI Drug Discovery Weekly - Woche vom 30. Juli bis 6. August 2026

Eine Synthese dessen, was KI-Wirkstoffforschungs-Podcasts und die Q2-Earnings-Calls für die Woche vom 30. Juli bis 6. August 2026 sagten, als Schrödinger und Recursion am selben Tag berichteten und entgegengesetzte Noten erhielten, während sich der Sektor auf die Ansicht einigte, dass nicht das KI-Modell, sondern proprietäre Daten der eigentliche Burggraben sind.

AI Drug Discovery Weekly

Woche vom 30. Juli bis 6. August 2026: KI-Wirkstoffforschungs-Pure-Plays gehen am Earnings-Tag auseinander

Kurz zusammengefasst

  • Das große Ereignis war die Berichtssaison. Alle drei von uns beobachteten Unternehmen berichteten am Dienstag, den 5. August. Die beiden KI-nativen „Pure-Plays" veröffentlichten ihre Zahlen innerhalb weniger Stunden, und der Markt vergab entgegengesetzte Noten. Schrödinger (SDGR) übertraf die Erwartungen, hob die Prognose an, schloss eine Vereinbarung, um seinen neuen KI-Assistenten in der gesamten Forschungsgruppe von Bristol Myers Squibb einzusetzen, und legte kräftig zu. Recursion (RXRX) verfehlte beim Umsatz, kürzte seine Ausgaben, sammelte einen weiteren Partner-Meilenstein ein und bewegte sich kaum, weiterhin nahe seinem 52-Wochen-Tief.

  • Eli Lilly (LLY) lieferte dank seiner Abnehmfranchise einen blockbusterartigen Beat-and-Raise. Die Relevanz für diesen Newsletter ist meist indirekt: Lillys 2,3-Milliarden-Dollar-Übernahme des Startups Ajax, eines auf Schrödingers Software aufgebauten Unternehmens, ist genau das, was Schrödinger diesen Quartal einen einmaligen Gewinn und einen Meilenstein von 10 Mio. Dollar bescherte. Die KI-Wirkstoff-Story und die GLP-1-Story sind nun finanziell miteinander verdrahtet.

  • Das mit Abstand lauteste Thema in den Podcasts dieser Woche: Das KI-Modell ist nicht mehr der schwierige Teil. Der Besitz selbst erzeugter Daten ist es. Ein durchdachter Investor bei Braidwell legte dar, warum, und die Gründer von Chai Discovery, das mit Lilly, Novartis, Argenx und Pfizer partnert, beschrieben das „Schwungrad", das diese Daten in einen Vorteil verwandelt. Dies ist die dritte Woche in Folge, in der die Idee „Daten, nicht das Modell" dominiert, und sie ist inzwischen die belastbarste These im Sektor.

  • An der Spitze mischte Google seine gesamte KI-Führung neu. Demis Hassabis wurde „nach oben befördert", und die legendären Ingenieure Jeff Dean und Sanjay Ghemawat verließen das Unternehmen, um Discovery Loop zu gründen, ein Unternehmen, dessen gesamtes Versprechen lautet: „KI ist der Forscher", mit Wirkstoffforschung explizit auf der Roadmap. Das ist eine direkte Fortsetzung der Story der letzten Woche über den Zerfall des AlphaFold-Teams: Die Leute, die KI-für-die-Wissenschaft bei Google aufgebaut haben, verlassen das Unternehmen weiterhin, um es woanders zu tun.

  • Ein kleinerer, aber realer Coverage-Universe-Punkt: Vertex schloss eine 28-Millionen-Dollar-Kollaboration mit AbCellera (ABCL) über Antikörper-artige Krebs-/Autoimmun-Medikamente der nächsten Generation, ein weiteres Votum für das Modell „Partnerschaft mit dem KI-Antikörper-Spezialisten".

Was neu ist

1. Das KI-Modell ist nicht der Engpass. Die Daten sind es. (Das ist inzwischen die ganze These.)

Wenn Sie diese Woche nur eine Sache lesen, dann das Biotech 2050 Podcast (3. Aug.)-Interview mit Nick Myerberg, Head of AI beim Crossover-Fonds Braidwell. Es ist die bisher klarste Formulierung dessen, wo das smarte Geld den Vorteil vermutet.

Sein Kernargument, ganz einfach gesagt: Das schicke KI-Modell, über das alle reden, wird zur Commodity. Er sagte es direkt: „Modellarchitektur... ist wahrscheinlich schon jetzt und wird weiterhin zunehmend zur Commodity. Natürlich liegt der Wert nicht so sehr in der Modellarchitektur. Wenn man sich die Frontier-Labore im LLM-Bereich anschaut... sehen die Modelle größtenteils gleich aus." Was Gewinner tatsächlich unterscheidet, argumentiert er, ist die Fähigkeit eines Unternehmens, eigene proprietäre Daten zu erzeugen, Experimente, die man selbst in den eigenen Labors durchführt und die ein Wettbewerber nicht aus dem Internet abgreifen kann, und diese Daten dann so ins Modell zurückzuspeisen, dass „das nächste Datenstück, das man erzeugt, informativer ist als das letzte." Die erschöpfte Alternative brachte er unverblümt auf den Punkt: „Der Wert, der in öffentlich verfügbaren Datensätzen latent war, ist ausgeschöpft, zumindest in bestimmten Bereichen, und... hat uns nicht besonders weit gebracht."

Myerberg bot auch eine denkwürdige Neurahmung von AlphaFold an, dem Proteinstruktur-Durchbruch, der einen Nobelpreis gewann. Sein Erfolg sei nicht nur Googles Modell zu verdanken gewesen, sondern „die Ernte dieser wissenschaftlichen Institution, die über Generationen von Wissenschaftlern hinweg aufgebaut wurde", nämlich das rund halbe Jahrhundert und „eine Größenordnung von, sagen wir, 50 Milliarden Dollar", das Strukturbiologen in den Aufbau der öffentlichen Datenbank experimentell bestimmter Proteinstrukturen investierten, mit denen das Modell trainiert wurde. Seine Warnung an Gründer, die glauben, ein Modell werde „in 10 Jahren alle menschlichen Krankheiten lösen": AlphaFold löste ein sehr spezifisches, sehr klar definiertes Problem, weil es auf einem seltenen, makellosen Datensatz aufsetzte. Der Großteil der Biologie hat keinen solchen Datensatz, der darauf wartet, genutzt zu werden.

Er nannte die Unternehmen, in die Braidwell investiert hat, und warum:

  • Proxima: arbeitet an „molekularen Klebstoffen" und anderen Proximitäts-Modulatoren (eine Wirkstoffklasse, die zwei Proteine zusammenzieht, statt eines einfach zu blockieren). Historisch wurden diese „durch Serendipität" gefunden; Proximas Vorteil liegt darin, die Interaktionsdaten zu erzeugen, die sonst nicht existieren.
  • Lila Sciences: baut „autonom betriebene Labore" auf, damit die Vorhersagen der KI schnell und günstig „mit der Natur konfrontiert" werden. Braidwell hat die Series A vor etwa einem Jahr mitgeleitet.
  • Ein ungenanntes Antikörper-Design-Unternehmen, das ein starkes Modell mit einem „Labor im Loop" kombiniert, das laut Myerberg vorprescht, weil die öffentlichen Antikörper-Datensätze ungewöhnlich gut sind.

Die gleiche Klage, „man will nicht für die Daten bezahlen", verankerte diese Woche einen ganzen Episodentitel, Data in Biotech (5. Aug.), „Why Biotech Talks About AI But Won't Pay for the Data It Needs". Die dort beschriebene Spannung ist die Kehrseite von Myerbergs These: Inzwischen sind sich alle einig, dass Daten der Burggraben sind, aber sie zu erzeugen ist teuer und unglamourös, weshalb sie unterfinanziert bleiben.

Warum es wichtig ist: Das ist die Linse, durch die man jedes Unternehmen im Sektor beurteilen sollte. Erzeugen sie eigene differenzierte Daten, und verzinsen diese sich zinseszinsartig? Recursions gesamtes Versprechen (eine riesige hauseigene Datenfabrik) und Schrödingers (physikbasierte Simulation, die „Ground-Truth"-Daten erzeugt) sind beide im Grunde Antworten auf genau diese Frage.

2. Chai Discovery: „Wirkstoffdesign ist ein weiteres Skalierungsproblem"

Der zweite Pflicht-Podcast der Woche ist Training Data (4. Aug.), ein langes Interview mit den beiden Mitgründern von Chai Discovery, Josh und Matt. Chai ist eines der meistbeachteten privaten KI-Wirkstoffunternehmen, und der Titel fasst ihren Glauben zusammen: dass Wirkstoffdesign zu einer Ingenieursdisziplin wird, so wie das Schreiben von Code, statt des „Trial and Error" und „serendipitösen" Prozesses, der es bisher immer war.

Joshs Hintergrund spricht Bände: Er war Teil des frühen OpenAI-Teams (GPT-1, GPT-2 und die ursprünglichen „Scaling-Laws"-Arbeiten) und rahmte das gesamte Unternehmen um eine Frage: „Wenn die Modelle lernen können, Englisch, Deutsch, Französisch zu sprechen, warum sollten sie nicht lernen können, DNA und Protein zu sprechen?" Matt kam aus der reinen Mathematik und theoretischen Informatik, nicht aus der Biologie, und machte den Punkt, dass das Feld weniger einschüchternd ist, als es aussieht: Ein Antikörper, ein Mini-Protein, „das sind alles nur Sequenzen von Aminosäuren... unterschiedliche Arten von Prompts für das Modell."

Der investierbarste Teil war, wie sie ihr Geschäftsmodell und das Daten-Schwungrad beschrieben. Chai partnert mit Big Pharma, statt eine eigene Wirkstoffpipeline aufzubauen, und sie nannten die Partner: „Eli Lilly, Novartis, Argenix, Pfizer." Entscheidend ist ihr Argument, dass das Partnerschaftsmodell eine Disziplin erzwingt, die eine hauseigene Pipeline nicht hat: „Wenn wir bei Chai Modelle ausliefern, müssen sie wirklich funktionieren... diese Partner kommen einem nicht leicht entgegen." Und sie widersprachen dem Klischee, Pharma könne KI nicht nutzen: „Viele Leute haben uns gesagt, dass Pharma nicht wisse, wie man KI nutzt... ehrlich gesagt war das nicht wirklich unsere Erfahrung... wenn sie die Daten sehen, gehen sie all-in." Ihr Grund, warum Pharma keine Wahl hat: „Eli Lilly ist gerade ein Billionen-Dollar-Pharmaunternehmen. Wenn sie nicht mehr Blockbuster-Medikamente bekommen, werden sie nicht für immer ein Billionen-Dollar-Pharmaunternehmen bleiben."

Sie waren auch offen über das Datenproblem. Ihre Gold-Standard-Trainingsdaten sind dieselbe öffentliche Proteindatenbank, die bis 1970 zurückreicht, die auch Myerberg beschrieb, „echte Laborwissenschaftler, die seit 1970 einfach Kristallstrukturen hinterlegt haben... ohne das wären Strukturvorhersage und -design nie etwas geworden", und ihre Antwort auf deren Grenzen ist dasselbe Schwungrad: das Modell intern nutzen, neue Daten darüber erzeugen, was es kann und nicht kann, und neu trainieren. Eine kontraintuitive Vorhersage: bessere KI könnte mehr Laborarbeit bedeuten, nicht weniger, „genauso wie es jetzt mehr Nachfrage nach Softwareentwicklern gibt, weil sie produktiver geworden sind... könnte es mehr Nachfrage nach dem Labor geben."

Warum es wichtig ist: Chai ist der klarste privatmarktliche Vergleichsmaßstab für die öffentlichen Pure-Plays. Es partnert mit demselben Billionen-Dollar-Kunden (Lilly), der gerade ein blockbusterartiges Quartal vermeldete, und bestätigt genau das Modell „partnern und die eigenen Daten verzinsen", das sowohl Schrödinger als auch, in geringerem Maße, Recursion verfolgen.

3. Googles KI-Führungsriege verlässt das Unternehmen, und Wirkstoffforschung steht auf ihrem Whiteboard

Letzte Woche war die Story, dass Google sein Nobelpreis-gekröntes AlphaFold-Team auflöst. Diese Woche ging der Umbruch bis ganz nach oben, laut Tech Brew Ride Home (5. Aug.):

  • Demis Hassabis, der Leiter von Google DeepMind, wurde zum Vorsitzenden von Google DeepMind und Chief Scientist von Alphabet befördert und wird weiterhin Isomorphic Labs, Alphabets KI-Wirkstoffforschungssparte, leiten. Er rahmte den Schritt gesundheitsbezogen: „Ich habe immer geglaubt, dass die wichtigste Anwendung von KI die Verbesserung der menschlichen Gesundheit sein sollte... und was gäbe es für einen besseren Beweis dafür, als endlich Krankheiten wie Krebs zu heilen." Mehrere Kommentatoren lasen den Schritt weniger wohlwollend, als würde Hassabis „nach oben weggelobt", damit er seine bevorzugten Langfrist-Forschungswetten (wie „Weltmodelle") verfolgen kann, während Google im Wettlauf um kommerziell dringlichere Coding-KI aufzuholen versucht.
  • Jeff Dean (Googles ~30. Mitarbeiter und einer der angesehensten Ingenieure der Branche) und sein langjähriger Mitstreiter Sanjay Ghemawat verlassen das Unternehmen, zusammen mit zwei weiteren führenden DeepMind-Wissenschaftlern, Oriol Vinyals und Quoc Le, um ein Public-Benefit-Unternehmen namens Discovery Loop zu gründen. Google ist Gründungsinvestor; weitere Geldgeber sind Radical Ventures und Vinod Khoslas Firma.

Discovery Loops gesamte Prämisse lohnt sich zu verstehen, weil sie direkt auf Wirkstoffforschung zeigt. Das Versprechen ist, die wissenschaftliche Methode selbst zu automatisieren: „Man schlägt ein Experiment vor, implementiert, was man braucht, um das Experiment durchzuführen, wertet das Experiment aus und erhält Ergebnisse", und tausende dieser Loops laufen zu lassen, um „übermenschliche Fortschritte" zu erzielen, explizit in „Chipdesign, Biologie, Wirkstoffforschung und Materialdesign." Khosla zog die Unterscheidung, die es von heutigen Tools abhebt: „Menschen haben KI genutzt, um Forschung zu betreiben, nicht KI, um Forscher zu sein... Das Fundamentale an Discovery Loop ist, dass die KI der Forscher ist."

Warum es wichtig ist: Zwei Wochen in Folge verlassen die Leute, die KI-für-die-Wissenschaft innerhalb des Unternehmens erfanden, das sie wohl auch erfunden hat, um es als fokussierte, unabhängige Wetten zu betreiben. Das ist bullish für die Idee der KI-Wirkstoffforschung und, man könnte sagen, bearish für die Vorstellung, dass irgendeine große Tech-Plattform sie einfach für sich behalten wird. Es hebt auch die Wettbewerbslatte für jeden Pure-Play: Die nächste Wettbewerbswelle ist ein Mörder-Aufgebot an Startups, die „KI als Wissenschaftler" behandeln, nicht „KI als Werkzeug für den Wissenschaftler".

4. Ein günstigerer Weg, Medikamente herzustellen: das Bergen aufgegebener Wirkstoffe, mit KI, die liest

Business of Biotech (3. Aug.) präsentierte Annette Bakker (Children's Tumor Foundation) und Andrew Lo (den MIT-Professor, bekannt für die Anwendung von Financial Engineering auf Wirkstoffentwicklung) zu einer anderen Spielart von „KI in der Wirkstoffforschung": ihre Nutzung, um von Unternehmen aufgegebene Wirkstoffe zu bergen. Die KI-Rolle ist unglamourös, aber real, Chatbots, die zusammen mit menschlichen Experten arbeiten, können „gigantische Mengen an Literatur durchsieben", um vielversprechende, auf Eis gelegte Wirkstoffe in Tagen zu finden, Arbeit, die „buchstäblich Jahre gedauert hätte".

Der finanzielle Einblick war der interessante Teil. Lo argumentierte, es gebe inzwischen „einen sehr glaubwürdigen wirtschaftlichen Fall für eine rein privatwirtschaftliche Lösung" für Medikamente gegen ultraseltene Krankheiten, aufgebaut um den Priority Review Voucher (PRV), eine übertragbare Belohnung, die die FDA für die Entwicklung bestimmter Medikamente gegen seltene Krankheiten vergibt und die an andere Arzneimittelhersteller verkauft werden kann. Voucher-Verkäufe liegen inzwischen „nördlich von hundert Millionen Dollar", manche „über hundertfünfzig Millionen Dollar". Los provokante Behauptung: „Selbst wenn man nach der Zulassung nie einen einzigen Cent für das Medikament verlangte, selbst wenn man es kostenlos verschenkte, würden Investoren allein durch den Verkauf der PRVs eine sehr, sehr ansehnliche Rendite erzielen." Bakkers praktisches Hindernis: Innerhalb von Big Pharma ist der Ausstieg aus einem auf Eis gelegten Medikament „niemandes Aufgabe", ein Medikament (Gomekli) von Pfizer zu SpringWorks zu bringen, habe angeblich „200 Freiwillige" gebraucht. Sie und Lo bauen eine geprüfte Datenbank aufgegebener Wirkstoffe auf, um das zu beheben.

Zwei Fäden hier verbinden sich mit früheren Wochen: Die FDA hielt am 5. August ein Treffen zum Thema Drug-Repurposing ab (Bakker war eingeladen), und die Angst, „chinesische Biotechs könnten sie überholen", tauchte erneut auf, ein wiederkehrender Unterton im politischen Diskurs des Sektors.

Die Debatte

Funktioniert das schon tatsächlich, oder ist es noch ein Versprechen? Der nützlichste Realitätscheck kam vom Buy-Side-Roundtable bei Biotech Hangout Ep. 191 (aufgezeichnet am 31. Juli), einer Woche, die die Bühne für die Berichtssaison bereitete. Das Panel aus Biotech-Investoren und Bankern landete bei einer nuancierten Sicht, die es festzuhalten lohnt:

  • Der optimistische Fall: KI verändert tatsächlich den Prozess des Forschens selbst, Protokolle schreiben, Experimente designen, Ergebnisse verfassen, Paper begutachten, „Wochen und Monate" an Wissenschaftlerzeit werden zu „10 Minuten". Ein Panelist merkte an, ein Forschungswerkzeug-Unternehmen, Cadence, „hat in den letzten Monaten über 150.000 Wissenschaftler zu seiner Plattform hinzugewonnen". Der Bereich ist „glühend heiß", und das Interesse von Big Pharma an KI ist „wirklich stark", es gab sogar (verworfene) Spekulationen, Anthropic könnte „einfach Bristol Myers oder AbbVie schnappen".
  • Der skeptische Fall, und der ist wichtig: „Moleküle mit KI herzustellen löst nicht zwangsläufig den Engpass unserer Branche", warnte ein Investor, weil „die eigentlichen Kosten tatsächlich auf der klinischen Seite liegen, wo KI zwar hilfreich ist, aber nicht so hilfreich." Ein anderer formulierte es so: eine Plattform „kann unbegrenzte Macht haben und begrenzte Fähigkeit... das dann in die Praxis umzusetzen." Das Fazit: KI werde „eine Technologie sein, die sich in die Forschung von jedem einbettet", ein Enabler, nicht „der alleinige Treiber".
  • Und direkt zu unseren beiden Pure-Plays sprach ein Panelist aus, was viele dachten: „Recursion und Schrödinger... waren stark auf KI gehebelt... wenn man sich diese Aktiencharts ansieht, waren sie nicht wirklich besonders gut."

Diese letzte Zeile ist die ganze Debatte. Die Zahlen dieser Woche waren der erste echte Test, ob die „KI-gehebelten" Pure-Plays den Hype in Zahlen umwandeln können, und sie fielen sehr unterschiedlich aus.

Eine zweite, engere Debatte läuft weiter auf der Seite der klinischen Studien. Note to File (2. Aug.) blieb skeptisch gegenüber dem Vorstoß der FDA, KI und Echtzeitdaten in Studien einzuweben, und wies darauf hin, dass in einer Studie (TRAVERSE) nur 2 von 29 Standorten die Initiative seit ihrem Start im Dezember 2023 tatsächlich umgesetzt haben, ein Muster von „bereit, feuer, zielen", bei dem noch unklar ist, welches Problem eigentlich gelöst werden soll. Die Erinnerung: Selbst wo KI im Labor funktioniert, liegt in der teuren, langsamen klinischen Phase weiterhin der Großteil der Kosten und Risiken.

Aktien im Fokus

Alle drei Unternehmen berichteten am Dienstag, den 5. August, für Q2 FY2026. Die untenstehenden Kurse sind Stand Donnerstag, 6. August.

Schrödinger (SDGR): der Pure-Play, der geliefert hat

  • Kurs: 17,81 $, um 8,6 % am Tag (6. Aug.) und um rund 16 % gegenüber den 15,35 $ der letzten Woche. Das war die herausragende Bewegung der Gruppe. Marktkapitalisierung ~1,3 Mrd. $; liegt weiterhin deutlich unter dem 52-Wochen-Hoch von 23,02 $.
  • Die Zahlen (ein sauberer Beat-and-Raise bei den relevanten Kennzahlen):
  • Umsatz 58,9 Mio. $ vs. ~47,2 Mio. $ erwartet.
  • Der Annual Contract Value (ACV), der beste Gradmesser für das wiederkehrende Softwaregeschäft, lag bei 29,6 Mio. $, ein Plus von 27 % gegenüber dem Vorjahr, komfortabel über der Jahresprognose von 10-15 % Wachstum. Softwareumsatz betrug 32,5 Mio. $, und der margenstärkere „gehostete" (Cloud-)Anteil sprang auf 47 % des Softwaregeschäfts, gegenüber 31 % im Vorjahr.
  • Es hob die Jahresprognose für den Wirkstoffforschungsumsatz auf 65-75 Mio. $ an (von 55-65 Mio. $), gestützt auf einen Meilenstein von 10 Mio. $, und bekräftigte seine Jahresprognose für den ACV von 218-228 Mio. $ (Anmerkung: Ein Nachrichtendienst gab dies verstümmelt als „21-228 Mio. $" wieder, korrekt ist 218-228 Mio. $).
  • Das ausgewiesene EPS von 0,08 $ sieht wie ein gewaltiger Schwenk zum Gewinn aus, aber Vorsicht: Es wurde stark begünstigt durch rund 49 Mio. $ an einmaligem sonstigem Ertrag, größtenteils ein Gewinn im Zusammenhang mit Lillys Übernahme von Ajax, plus den 10-Mio.-$-Ajax-Meilenstein. Das ist kein sauberer operativer Gewinn.
  • Die KI-Substanz: Am Morgen der Veröffentlichung gab Schrödinger eine strategische Vereinbarung mit Bristol Myers Squibb bekannt, um Bunsen, seinen neuen „agentischen KI-Co-Scientist", im großen Maßstab in der Forschungsorganisation von BMS einzusetzen, zusammen mit seinen groß angelegten Tools zur chemischen Exploration und RetroSynth (KI-Syntheseplanung). Chief Scientific Officer Robert Abel: „Wir sind begeistert, dass sie Bunsen in großem Maßstab einsetzen." CEO Ramy Farid verknüpfte das fast wortgleich mit dem dominierenden Thema der Woche: „Während sich die Biopharma-Branche durch eine sich schnell wandelnde KI-Landschaft bewegt... war der Bedarf, Ground-Truth-Daten zu erzeugen, nie größer. Indem wir unsere hochpräzisen, physikbasierten Simulationen mit KI integrieren und unseren agentischen Co-Scientist Bunsen einführen... bauen [wir] die definitive Rechen-Infrastruktur für die Zukunft der Wirkstoffforschung."
  • Die bemerkenswerte Spannung: Bunsen ist Schrödingers größte Produktgeschichte, doch wie schon letzte Woche zog es praktisch null Podcast-Diskussion nach sich. Das kommerzielle Ereignis (ein großer Pharma-Konzern setzt es breit ein) ist real; die Diskussion außerhalb hat noch nicht aufgeholt. Bunsens vollständige kommerzielle Veröffentlichung wird weiterhin für Ende 2026 angepeilt.

Recursion (RXRX): der Pure-Play, der es nicht getan hat

  • Kurs: 3,18 $, am Tag in etwa unverändert und um rund 5 % gegenüber den 3,03 $ der letzten Woche. Verharrt weiterhin nahe seinem 52-Wochen-Tief von 2,77 $ (Hoch war 7,18 $). Marktkapitalisierung ~1,7 Mrd. $.
  • Die Zahlen (schwach): Umsatz von nur 7,7 Mio. $, deutlich unter den ~12,0 Mio. $ erwartet, mit einem kleinen Verlust je Aktie. Die Geschichte, die das Management erzählte, handelte von Disziplin und Ausdauer, nicht von einem Durchbruch: Es senkte die Jahresprognose für den operativen Cash-Aufwand um 15 Mio. $ auf 375 Mio. $ und sagte, seine liquiden Mittel (rund 556,8 Mio. $ zum Quartalsende) geben ihm Reichweite „bis Anfang 2028". Der CFO rahmte die Kürzung als „das Gleiche oder mehr mit weniger tun".
  • Die KI-/Partnerschaftssubstanz (der eine echte Lichtblick): Im Call gab Recursion bekannt, dass Genentech im Rahmen der Roche/Genentech-Kollaboration das erste Neurowissenschafts-Target vorangetrieben hat, beschrieben als „bisher unerforscht", und es in ein gemeinsames frühes Entdeckungsprogramm überführt hat, was das Management als Beweis dafür anführte, dass seine Plattform „neue Biologie entdecken" kann, nicht nur bekannte Biologie optimieren. Es hat inzwischen über 216 Mio. $ über die Roche/Genentech-Partnerschaft und über 500 Mio. $ an kumulierten Cash-Zuflüssen über alle Partnerschaften hinweg realisiert, mit mehr als einem Dutzend erreichter Entdeckungsmeilensteine. Es hob auch Plattform-Kennzahlen hervor: über 50 Petabyte proprietäre Daten; Kandidaten erreicht mit ~330 Verbindungen über ~1,5 Jahre gegenüber einer Branchennorm von ~2.500 über ~4 Jahre, und stellte Hoifung Poon (von Microsoft Research) als Chief AI Officer ein. Bei der internen Pipeline stehen für das Leitprogramm REC-4881 (für die seltene Erkrankung FAP) im November zusätzliche Phase-2-Daten an.
  • Die Einschätzung: Gemessen an der These „Daten, nicht Modell" ist Recursion die reinste Wette darauf, eigene Daten im großen Maßstab zu erzeugen, aber dieses Quartal konnte es weiterhin nicht auf den klinischen oder kommerziellen Wendepunkt verweisen, auf den Investoren warten. Die Botschaft war „wir haben Reichweite bis 2028, und Meilensteine tröpfeln weiter herein", weshalb sich die Aktie kaum bewegte. Sie bleibt eine Show-me-Story.

Eli Lilly (LLY): der Riese und die finanzielle Verrohrung hinter den Pure-Plays

  • Kurs: 1.192,80 $, um ~2 % am Tag und um rund 3 % gegenüber den 1.155,27 $ der letzten Woche. Marktkapitalisierung ~1,12 Billionen $.
  • Die Zahlen (ein blockbusterartiger Beat-and-Raise): Umsatz 22,97 Mrd. $, ein Plus von 48 % gegenüber dem Vorjahr, vs. ~20,7 Mrd. $ erwartet; Non-GAAP-EPS 8,38 $ vs. ~6,58 $ erwartet (beide inklusive satter 3,03 $ an Belastungen für erworbene Forschung). Mounjaro-Umsätze lagen bei 9,9 Mrd. $ (Plus 91 %) und Zepbound bei 4,9 Mrd. $ (Plus 46 %); die neue orale GLP-1-Pille Orforglipron (Marke Foundayo) verbuchte in ihrem ersten Verkaufsquartal 98 Mio. $. Lilly hob die Jahresumsatzprognose auf 85-87 Mrd. $ an. Sein Dreifachhormon-Wirkstoff der nächsten Generation, Retatrutid, verfügt nun über ein vollständiges Datenpaket, mit einer geplanten US-Einreichung für Q1 2027. Analysten reagierten mit einer Welle von Kurszielerhöhungen (Wells Fargo auf 1.330 $; BMO auf 1.400 $; Morgan Stanley auf 1.419 $; Cantor auf 1.410 $).
  • Warum es in einem KI-Newsletter steht: Lilly vermarktet keine KI-Wirkstoffforschungsplattform, ist aber diese Woche der finanzielle Anker des Ökosystems. Seine 2,3-Milliarden-Dollar-Übernahme von Ajax Therapeutics, einem auf Schrödingers Plattform aufgebauten Unternehmen, ist genau das, was Schrödingers einmaligen Gewinn und den Meilenstein von 10 Mio. $ dieses Quartal generiert hat. Lilly ist zudem der namentlich genannte Leadpartner für Chai Discovery. Als Chais Gründer sagten, ein Billionen-Dollar-Pharmaunternehmen werde „nicht für immer ein Billionen-Dollar-Pharmaunternehmen bleiben" ohne neue Blockbuster, meinten sie Lilly, und das Unternehmen gibt entsprechend Geld über KI-native Partner hinweg aus.

Read-throughs

  • AbCellera (ABCL): Vertex schloss eine Kollaboration mit 28 Mio. $ Upfront mit AbCellera über multispezifische T-Zell-Engager der nächsten Generation (Antikörper-artige Wirkstoffe) gegen Autoimmunerkrankungen ab, laut Telltales (2. Aug.). (Genau genommen: Vertex' großer Schritt in dieser Woche war eine separate 10-Milliarden-Dollar-All-Cash-Übernahme von Crelenetics; AbCellera war die kleine wissenschaftliche Partnerschaft daneben, keine Übernahme.) Es ist eine bescheidene Summe, aber ein bedeutendes Vertrauensvotum für das Modell „Partnerschaft mit dem KI-Antikörper-Spezialisten", dieselbe Antikörper-Design-These, die Braidwell und Chai diese Woche verfochten.
  • Die Kaufen-vs-Bauen-Rahmung ist inzwischen überall. Telltales, ein KI-produzierter Markt-Podcast, verknüpfte die Pharma-Deals der Woche mit der Hyperscaler-Capex-Debatte: Ein Unternehmen „mit echtem freiem Cashflow kauft" eine Fähigkeit, statt sie aufzubauen, und „der Preis für diese Abkürzung wird von wem auch immer sonst noch Cash in dieser Woche hat, festgelegt." Genau das ist die Dynamik, die sich in der KI-Wirkstoffforschung abspielt, Lilly und BMS haben das Geld, um Plattformen im großen Maßstab zu kaufen oder einzusetzen; kleine Biotechs nicht. Das bekräftigt den Punkt der letzten Woche, dass Big Pharma, nicht der klamme Pure-Play, den Großteil des Werts einfahren könnte.
  • NVIDIA und Google Cloud bleiben die Schaufel-und-Spitzhacke-Ebene. Der frühe Zugang zu Schrödingers Bunsen ist gebündelt mit NVIDIA- und Google-Cloud-Rechenleistung und -Tools, eine Erinnerung daran, dass sich der „Schaufeln verkaufen"-Trade (Rechenleistung und Cloud unter der KI-Biologie von allen) weiter verzinst, unabhängig davon, welches Wirkstoffunternehmen gewinnt.
  • Priority Review Vouchers als Finanzierungsmotor (aus der Andrew-Lo-Diskussion) sind es wert, beobachtet zu werden, als ein echter, nicht-hypebasierter Katalysator für Entwickler von Medikamenten gegen seltene Krankheiten, Voucher-Preise nördlich von 100 Mio. $ können ein sonst unwirtschaftliches Programm allein profitabel machen.

Was sich gegenüber letzter Woche geändert hat

  • Der Cliffhanger der letzten Woche wurde beantwortet, und er hat die beiden Pure-Plays auseinandergetrieben. Letzte Woche fragten wir, angesichts von Frontier-KI-Laboren, die in die Wirkstoffentwicklung vordringen, und Big Pharma, das KI intern aufbaut, „was bleibt für die öffentlichen Pure-Plays übrig?", und markierten die Zahlen vom 5. August als den Test: Verzinst sich Schrödingers Software weiterhin oberhalb der 10-15 %-Prognose, und hat Recursion seine Datenerzeugungskapazität in ein echtes Ergebnis umgewandelt? Die Antworten: Schrödinger, ja (ACV +27 %, ein Beat-and-Raise und ein prominenter Bunsen-Deal mit BMS im großen Maßstab). Recursion, noch nicht (ein Umsatzausfall; ein neuer Partner-Meilenstein und eine Opex-Kürzung, aber kein klinischer oder kommerzieller Wendepunkt). Ein Pure-Play hat sich sein „KI-gehebeltes" Multiple dieses Quartal verdient; der andere bittet weiterhin um Geduld.
  • Die Bunsen-Traktionsfrage bekam ihren ersten echten Datenpunkt. Letzte Woche war Bunsen gerade erst in den frühen Zugang gestartet, ohne jede externe Berichterstattung. Diese Woche kam die Substanz nicht als Podcast-Buzz, sondern als kommerzielles Ereignis: Bristol Myers Squibb setzt Bunsen in seiner gesamten Forschungsorganisation ein. (Das Podcast-Schweigen zu Bunsen hält an, die Mindshare-Lücke bleibt offen.)
  • Der AlphaFold-Zerfall wurde zu einem vollständigen Führungsexodus. Letzte Woche: Ein Viertel des AlphaFold-Teams hatte das Unternehmen verlassen, und die Gruppe wurde in Gemini/Isomorphic eingegliedert. Diese Woche: Hassabis wurde nach oben befördert, und Jeff Dean, Sanjay Ghemawat, Oriol Vinyals und Quoc Le verließen Google, um Discovery Loop zu gründen, ein „KI ist der Forscher"-Unternehmen mit Wirkstoffforschung auf der Roadmap. Der Trend ist inzwischen unverkennbar.
  • Die „Daten, nicht das Modell"-These hat sich zum Konsens verfestigt. Sie war letzte Woche der rote Faden (Regeneron, BioCenturys Punkt zu „negativen Daten"), und diese Woche wurde sie noch deutlicher formuliert, von Braidwell, Chai und einem ganzen Episodentitel von Data in Biotech. Sie ist inzwischen die belastbarste Behauptung im Sektor.
  • Lillys mysteriöser Kursrutsch vom 30. Juli hat sich auf die langweilige Art aufgelöst. Letzte Woche markierten wir einen unerklärten Kursrutsch von rund 4,5 % an einem Tag bei LLY ohne klaren Auslöser. Es spielte keine Rolle: Der Beat-and-Raise vom 5. August schickte die Aktie wieder nach oben, und sie schloss die Woche rund 3 % höher.

Offene Fragen für die nächste Woche:

  1. Geben Recursions Roche/Genentech-Neurowissenschafts-Meilenstein und seine Phase-2-FAP-Daten im November ihm endlich einen Katalysator, oder besteht der „Show-me"-Abschlag weiter?
  2. Werden Schrödingers Bunsen-Deals mit BMS (und seine frühere NVIDIA/Google-Bündelung) anfangen, sich als beschleunigender ACV zu zeigen, und wird sich das externe Podcast-Gespräch endlich mit Bunsen befassen?
  3. Nennt Discovery Loop, oder ein anderes „KI-als-Wissenschaftler"-Startup, ein erstes wissenschaftliches oder Wirkstoff-Target, und wie reagieren die etablierten Anbieter?
  4. Anthropics präklinische Programme für „seltene und vernachlässigte Krankheiten" (vor zwei Wochen markiert), weiterhin kein benanntes Programm oder Partner. Auf das erste achten.
  5. Werden von Priority-Review-Vouchers finanzierte Portfolios für seltene Krankheiten (das Lo/Bakker-Modell) tatsächlich mit echtem Kapital aufgestellt?