Традиционный процесс фармацевтических исследований и разработок (R&D) известен своими многолетними сроками и астрономическими затратами, но на Востоке происходит смена парадигмы. Благодаря интеграции генеративного ИИ с автоматизированными лабораторными исследованиями биотехнологические инноваторы сокращают время, необходимое для выявления жизнеспособных кандидатов в лекарственные препараты, с нескольких лет до считанных месяцев.

Insilico Medicine бьет рекорды благодаря R&D на базе ИИ

Возглавляет эту технологическую трансформацию Insilico Medicine — биотехнологическая компания, котирующаяся на Гонконгской фондовой бирже, которая переосмысливает скорость разработки лекарств. По словам генерального директора Алекса Жаворонкова, компании удалось успешно использовать искусственный интеллект, чтобы сократить сроки разработки кандидатов в лекарственные препараты примерно до одного года.

Повышение эффективности — это не просто теория; оно отражается в реальных показателях. В то время как типичный цикл разработки компании составляет примерно 13 месяцев, самая быстрая программа Insilico Medicine позволила выдвинуть кандидата всего за девять месяцев. Этот скачок стал возможен благодаря сочетанию сложных моделей ИИ со строгой лабораторной валидацией, что создает петлю обратной связи, ускоряющую переход от цифровой гипотезы к физической молекуле.

Синергия генеративного ИИ и лабораторных исследований

Суть этого прорыва заключается в слиянии вычислительных мощностей и биологического экспериментирования. В отличие от традиционных методов, основанных на высокопроизводительном скрининге огромных физических библиотек, подход на базе ИИ использует генеративные модели для проектирования новых молекул со специфическими биологическими свойствами.

Прогнозируя то, как молекулы будут взаимодействовать с целевыми белками еще до их синтеза в лаборатории, исследователи могут избежать тысяч неудачных экспериментов. Когда эти прогнозы ИИ интегрируются с автоматизированными лабораторными рабочими процессами — часто называемыми системами с «замкнутым циклом» (closed-loop) — процесс валидации кандидата происходит с беспрецедентной скоростью. Эта синергия позволяет ученым сосредоточить свои ручные усилия на наиболее перспективных направлениях, значительно сокращая фазу «проб и ошибок», характерную для классического поиска лекарств.

Последствия для мирового ландшафта ИИ и биотехнологий

Успех, наблюдаемый в Китае, служит мощным доказательством концепции для мирового биотехнологического сектора. По мере того как модели ИИ становятся все более искусными в навигации по обширному химическому пространству, «долина смерти» в разработке лекарств — период, когда большинство кандидатов терпят неудачу из-за токсичности или отсутствия эффективности — начинает сокращаться.

Для разработчиков и основателей в сфере deep tech это событие подчеркивает критическую тенденцию: наиболее ценные приложения ИИ выходят за рамки генерации текста и изображений в область «физического ИИ» (physical AI). Способность манипулировать биологическими данными и предсказывать физические результаты имеет огромные экономические последствия, потенциально снижая порог входа для лечения редких заболеваний и уменьшая общие затраты на здравоохранение во всем мире.

Ключевые выводы

  • Радикальное сокращение сроков: Insilico Medicine продемонстрировала, что ИИ может сократить сроки выдвижения кандидатов в лекарственные препараты до девяти месяцев.
  • Гибридная методология: Прорыв обусловлен сочетанием генеративного проектирования ИИ и автоматизированной лабораторной валидации, что позволяет отойти от традиционных методов проб и ошибок.
  • Сдвиг в экономике R&D: Переход от лет к месяцам на этапе поиска представляет собой фундаментальный сдвиг в том, как биотехнологические компании управляют капиталом и скоростью исследований.

Почему скорость имеет значение

Разработка лекарств долгое время была марафоном. Компании тратят годы на просеивание миллионов соединений, часто терпя неудачу еще до того, как одна молекула дойдет до клинических испытаний. Стоимость вывода молекулы от концепции до рынка регулярно исчисляется миллиардами, а уровень отсева — особенно на ранней стадии «поиска» — остается высоким. В Китае, где биотехнологический сектор стремительно расширяется, ускорение процесса может дать отечественным фирмам конкурентное преимущество перед признанными мировыми игроками и ускорить амбиции страны стать лидером в области инновационной терапии.

Как Insilico достигла 9-месячного рубежа

Insilico Medicine, зарегистрированная в Гонконге, объясняет рекордные сроки сочетанием генеративного искусственного интеллекта и автоматизированных лабораторных рабочих процессов. Под генеративным ИИ понимаются модели, которые создают новые молекулярные структуры, а не просто оценивают существующие. Подавая в алгоритм данные о белковых мишенях и желаемых фармакологических свойствах, система предлагает новые соединения, которые, согласно прогнозам, будут эффективно связываться.

Генеральный директор компании Алекс Жаворонков утверждает, что платформа обычно переводит проект от идентификации мишени до выдвижения кандидата примерно за 13 месяцев. В самом быстром случае цикл был завершен за девять месяцев. Такое сокращение достигается за счет отказа от использования огромных физических библиотек, на которые опирается традиционный высокопроизводительный скрининг; вместо этого ИИ проектирует молекулы на компьютере, отсеивает маловероятных кандидатов и направляет в лабораторию только самые перспективные структуры.

Цикл обратной связи между ИИ и лабораторией

Как только молекула синтезирована, автоматизированные приборы тестируют её активность, токсичность и другие ключевые показатели. Результаты поступают обратно в ИИ, уточняя его прогнозы для следующего раунда. Эта система с «замкнутым циклом» означает, что ученые тратят меньше времени на метод проб и ошибок и больше — на интерпретацию данных, которые алгоритм уже отобрал.

Прогнозируя поведение соединения еще до того, как оно будет создано, такой подход позволяет избежать тысяч бесперспективных экспериментов. Автоматизация анализов дополнительно сокращает фазу валидации, позволяя одному кандидату пройти путь от компьютера до лабораторного стола и выдвижения за долю традиционного времени.

Кто выиграет, а кто может остаться позади

Напротив, фирмы, которые цепляются за традиционные методы скрининга, могут оказаться в роли догоняющих.

Предостережения и путь вперед

Обещания ускоренных с помощью ИИ открытий не отменяют необходимости в строгой валидации. Прогностические модели хороши лишь настолько, насколько хороши данные, на которых они обучаются, а предвзятость в обучающих наборах может привести к пропуску сигналов о безопасности. Более того, хотя показатель в девять месяцев впечатляет, он относится к одной конкретной программе; масштабирование подхода на множество мишеней может выявить узкие места, которые пока не очевидны.

За чем следить дальше

Девятимесячный рубеж показывает, что химия разработки лекарств больше не ограничена исключительно лабораторным столом. Когда алгоритмы могут набросать жизнеспособную молекулу, а машины — протестировать её за считанные дни, весь график сокращается. Станет ли это сокращение новой нормой, будет зависеть от того, насколько быстро экосистема — компании, инвесторы, регуляторы и пациенты — адаптируется к миру, где «физический ИИ» пишет первый черновик лекарств завтрашнего дня.