Schrödingers Bunsen: AI-motorn som kopplar ihop språkmodeller och fysik i jakten på nya läkemedel

Så kombinerar Bunsen språkmodeller med fysik

Bunsens särdrag är kombinationen av två typer av teknik:

• Stora språkmodeller, LLM:er, som tolkar forskarens mål uttryckt med naturligt språk och planerar lämpliga arbetssteg.
• Fysikbaserad molekylmodellering, där Schrödingers etablerade verktyg bland annat omfattar FEP+, docking och molekyldynamiska simuleringar, så kallade MD-simuleringar .

Språkmodellen fungerar därmed som ett planerings- och resonemangslager, medan den fysikbaserade motorn används för att beräkna molekylära egenskaper och interaktioner. Tanken är att AI:ns flexibilitet ska kombineras med beräkningar som bygger på fysikaliska principer och har validerats experimentellt.

Dr Karen Akinsanya har beskrivit kombinationen som ett sätt att utforska tidigare outnyttjade delar av biologins så kallade target space – alltså möjliga biologiska mål för framtida läkemedel .

Det är en viktig skillnad mot system som främst söker i litteraturen eller genererar hypoteser. Bunsen är tänkt att föra forskaren närmare själva beräkningsarbetet i läkemedelsdesignen.

Bunsens fyra kärnfunktioner

Arbetsflödet är uppbyggt som en sluten loop:

1. Förstå – Bunsen tolkar forskarens vetenskapliga frågeställning på naturligt språk.
2. Strategisera – Systemet tar fram en beräkningsstrategi och väljer fysikbaserade metoder som passar problemet.
3. Genomföra – Bunsen kör arbetsflödet mer självständigt, exempelvis docking, free-energy perturbation och ADME-prediktion.
4. Iterera – Resultaten analyseras och strategin förfinas, så att nästa steg kan bygga på vad simuleringarna visade .

I praktiken ska forskaren kunna beskriva vad som ska undersökas med vanligt vetenskapligt språk, medan Bunsen hanterar en större del av kedjan från planering till beräkning och uppföljning. Det kan göra det möjligt att köra fler och mer omfattande beräkningskampanjer utan att varje delmoment behöver sättas upp manuellt.

Konkurrensen inom AI för vetenskap

Bunsen lanseras samtidigt som flera andra system försöker automatisera delar av den vetenskapliga metoden. Skillnaderna ligger framför allt i hur långt systemen går från hypotes till praktiskt experiment- eller beräkningsarbete.

Google DeepMind: Co-Scientist

Google DeepMinds Co-Scientist är ett multiagentsystem byggt på Gemini 2.0. Det är utvecklat för strukturerad hypotesgenerering och vetenskapligt resonemang . Systemet använder sju specialiserade AI-agenter, bland annat för generering, rangordning, utveckling och jämförelse av hypoteser.

Co-Scientist har bland annat föreslagit nya terapeutiska hypoteser, däribland möjlig läkemedelsanvändning vid leverfibros som senare validerades experimentellt . Arbetet publicerades i Nature i maj 2026 .

Den centrala skillnaden mot Bunsen är att Co-Scientist är ett mer generellt system för biomedicinsk hypotesgenerering. Det har inte en integrerad fysikbaserad motor för molekylsimulering. Systemet kan läsa vetenskaplig litteratur och ta fram idéer, men beräkningskemin behöver i högre grad hanteras av externa verktyg eller av forskare själva .

FutureHouse: Robin

Robin, från FutureHouse, är i stället inriktat på biologisk forskning från hypotes till dataanalys. Systemet automatiserar hypotesgenerering, experimentdesign, analys av resultat och framtagning av nya insikter i ett sammanhängande arbetsflöde . Även Robins forskning publicerades i Nature i maj 2026 .

I ett uppmärksammat exempel identifierade Robin ripasudil, ett befintligt glaukomläkemedel, som en möjlig behandling för torr åldersrelaterad makuladegeneration, dAMD . Plattformen använder specialiserade delagenter som Crow för frågor och svar om litteratur, Falcon för djupare syntes, Owl för besvarande av frågor och Phoenix för kodning och analys .

Robin fokuserar därmed främst på experimentell biologi och återanvändning av läkemedel. Till skillnad från Bunsen saknar systemet Schrödingers integrerade, fysikbaserade motorer för beräkningskemi .

Andra aktörer att hålla ögonen på

Ekonomin bakom satsningen

Bunsen lanseras under en period då Schrödinger samtidigt förändrar hur bolaget säljer sin mjukvara. Under första kvartalet 2026 redovisade bolaget följande nyckeltal:

• ACV, årligt kontraktsvärde: 28,4 miljoner dollar under kvartalet, en ökning med 12 procent jämfört med samma period föregående år. ACV för de senaste fyra kvartalen uppgick till 201 miljoner dollar . Tillväxten drevs bland annat av ökad användning hos de 20 största läkemedelskunderna och nya produktinstallationer .
• Totala intäkter: 58,6 miljoner dollar, en minskning med 2 procent på årsbasis. Det var samtidigt cirka 22 procent över analytikernas konsensus .
• Mjukvaruintäkter: 35,6 miljoner dollar, ned 21 procent på årsbasis .
• Molnbaserad andel: Hosted-mjukvara stod för 34 procent av mjukvaruintäkterna, upp från 24 procent ett år tidigare . Schrödinger siktar på att omkring 75 procent ska vara hosted till 2028 .
• Intäkter från läkemedelsutveckling: cirka 23 miljoner dollar, en ökning med 124 procent på årsbasis .
• Prognos för helåret 2026: Mjukvaru-ACV på 218–228 miljoner dollar, motsvarande en tillväxt på 10–15 procent, samt intäkter från läkemedelsutveckling på 55–65 miljoner dollar .

Varför intäkterna kan falla när användningen ökar

Övergången från lokalt installerade licenser till hosted- eller SaaS-avtal påverkar när intäkterna får redovisas. Vid en traditionell licens kan en större del av intäkten redovisas tidigare, medan molnbaserade avtal normalt fördelas över avtalsperioden.

Schrödingers ledning har därför beskrivit skiftet som en motvind för redovisade intäkter på kort sikt, men inte nödvändigtvis för ACV eller kassaflöde. Enligt bolagets resonemang kan varje procentenhets ökning av den hosted-baserade andelen påverka rapporterade intäkter med ungefär 2–3 miljoner dollar till följd av tidpunkten för intäktsredovisningen enligt ASC 606 .

Målet är i stället att bättre koppla intäkterna till kundernas faktiska användning och samtidigt skapa högre kundlojalitet. För Bunsen är det relevant eftersom bolaget väntar sig att den agentbaserade tjänsten ska driva mer användning inom en volymbaserad licensmodell .

Hur mycket pengar har Schrödinger?

De tillgängliga resultatsammanfattningarna anger inget specifikt belopp för kassa, likvida medel och kortfristiga värdepapper under första kvartalet 2026. Därför går det inte att ange en exakt kassasiffra utifrån det källmaterial som ligger till grund för denna genomgång.

Schrödinger har samtidigt beskrivits ha en stark balansräkning och tillräcklig likviditet för att fortsätta utveckla både sin plattform – inklusive Bunsen – och sin pipeline av läkemedelskandidater. Ledningen har också uttryckt förtroende för att övergången till hosted-mjukvara inte ska kräva ytterligare kapital . Den definitiva siffran för första kvartalet finns i bolagets 10-Q-rapport, som är den relevanta primärkällan för kassa, likvida medel och marknadsnoterade värdepapper.

Slutsats

Bunsen placerar Schrödinger i en mer specialiserad del av AI-kapplöpningen inom vetenskap. Co-Scientist fokuserar på att generera och förfina hypoteser, medan Robin försöker automatisera en bredare kedja inom experimentell biologi. Bunsen tar i stället sikte på den beräkningsintensiva delen av molekylär läkemedelsutveckling – och kopplar ihop språkbaserat AI-resonemang med fysikbaserade simuleringar.

Den stora frågan blir därför inte bara hur väl Bunsen kan resonera, utan hur pålitligt det kan genomföra verkliga forskningsarbetsflöden och om early access-användningen kan omvandlas till återkommande, molnbaserade intäkter. Något datum för den fullständiga kommersiella lanseringen är ännu inte känt.