Традиційний цикл досліджень та розробок (R&D) у фармацевтиці відомий своїми десятирічними термінами та астрономічними витратами, проте на Сході відбувається зміна парадигми. Завдяки інтеграції генеративного ШІ з автоматизованими лабораторними дослідженнями біотехнологічні інноватори скорочують час, необхідний для ідентифікації життєздатних кандидатів у препарати, з років до лічених місяців.

Insilico Medicine б'є рекорди завдяки R&D на основі ШІ

Лідер цього технологічного перетворення — Insilico Medicine, біотехнологічна компанія, що котирується на Гонконгській фондовій біржі та переосмислює швидкість розробки ліків. За словами генерального директора Алекса Жаворонкова, компанія успішно використала штучний інтелект, щоб скоротити термін розробки кандидатів у препарати приблизно до одного року.

Приріст ефективності не є суто теоретичним; він відображається в реальних показниках. У той час як типовий цикл розробки компанії становить приблизно 13 місяців, найшвидша програма Insilico Medicine досягла етапу номінації кандидата лише за дев'ять місяців. Цей стрибок став можливим завдяки поєднанню складних моделей ШІ з суворою лабораторною валідацією, що створює петлю зворотного зв'язку, яка прискорює перехід від цифрової гіпотези до фізичної молекули.

Синергія генеративного ШІ та лабораторних досліджень

Суть цього прориву полягає у поєднанні обчислювальної потужності та біологічних експериментів. На відміну від традиційних методів, які покладаються на високопродуктивний скринінг масивних фізичних бібліотек, підхід на основі ШІ використовує генеративні моделі для проектування нових молекул із певними біологічними властивостями.

Прогнозуючи, як молекули взаємодіятимуть із цільовими білками ще до їхнього синтезу в лабораторії, дослідники можуть оминути тисячі невдалих експериментів. Коли ці прогнози ШІ інтегруються з автоматизованими лабораторними робочими процесами — які часто називають системами «замкнутого циклу» (closed-loop) — процес валідації кандидата відбувається з безпрецедентною швидкістю. Ця синергія дозволяє вченим зосередити свої ручні зусилля на найбільш перспективних напрямках, значно скорочуючи фазу «спроб і помилок», що характерна для класичного пошуку ліків.

Наслідки для глобального ландшафту ШІ та біотехнологій

Успіх, продемонстрований у Китаї, слугує потужним підтвердженням концепції для світового біотехнологічного сектору. Оскільки моделі ШІ стають дедалі вправнішими у навігації величезним хімічним простором, «долина смерті» у пошуку ліків — період, коли більшість кандидатів зазнають невдачі через токсичність або відсутність ефективності — починає скорочуватися.

Для розробників і засновників у сфері deep tech цей розвиток підкреслює критичну тенденцію: найбільш цінні застосунки ШІ виходять за межі генерації тексту та зображень у сфери «фізичного ШІ» (physical AI). Здатність маніпулювати біологічними даними та прогнозувати фізичні результати має величезні економічні наслідки, потенційно знижуючи бар'єр входу для лікування рідкісних захворювань і зменшуючи загальну вартість охорони здоров'я в усьому світі.

Основні висновки

  • Радикальне скорочення часу: Insilico Medicine продемонструвала, що ШІ може скоротити терміни номінації кандидатів у препарати до дев'яти місяців.
  • Гібридна методологія: Прорив зумовлений поєднанням проектування за допомогою генеративного ШІ та автоматизованої лабораторної валідації, що дозволяє відійти від традиційних методів спроб і помилок.
  • Зміна економіки R&D: Перехід від років до місяців на етапі пошуку представляє фундаментальний зсув у тому, як біотехнологічні компанії керують капіталом і швидкістю досліджень.

Чому швидкість має значення

Пошук ліків довгий час був марафоном. Компанії витрачають роки на перебір мільйонів сполук, часто зазнаючи невдачі ще до того, як одна молекула дійде до клінічних випробувань. Вартість виведення молекули від концепції до ринку зазвичай сягає мільярдів, а рівень відсіву — особливо на ранній фазі «пошуку» — залишається високим. У Китаї, де біотехнологічний сектор стрімко розширюється, прискорення циклу розробки може дати вітчизняним фірмам конкурентну перевагу над визнаними світовими гравцями та прискорити амбіції країни стати лідером у сфері інноваційної терапії.

Як Insilico досягла 9-місячного показника

Insilico Medicine, що котирується на Гонконгській фондовій біржі, пояснює рекордні терміни поєднанням генеративного штучного інтелекту та автоматизованих лабораторних робочих процесів. Генеративний ШІ — це моделі, які створюють нові молекулярні структури, а не просто оцінюють наявні. Подаючи алгоритму дані про білкові мішені та бажані фармакологічні властивості, система пропонує нові сполуки, які, за прогнозами, будуть ефективно зв'язуватися.

Генеральний директор компанії Алекс Жаворонков зазначає, що платформа зазвичай переводить проєкт від ідентифікації мішені до висунення кандидата приблизно за 13 місяців. У найшвидшому випадку цикл тривав лише дев'ять місяців. Таке скорочення стало можливим завдяки відмові від величезних фізичних бібліотек, на які покладається традиційний високопродуктивний скринінг; натомість ШІ проєктує молекули на комп'ютері, відфільтровує малоймовірних кандидатів і передає до лабораторії лише найбільш перспективні структури.

Цикл зворотного зв'язку між ШІ та лабораторією

Після синтезу молекули автоматизовані прилади тестують її активність, токсичність та інші ключові показники. Результати повертаються в ШІ, вдосконалюючи його прогнози для наступного раунду. Така система «замкнутого циклу» означає, що вчені витрачають менше часу на метод спроб і помилок і більше — на інтерпретацію даних, які алгоритм уже відібрав.

Прогнозуючи поведінку сполуки ще до її створення, такий підхід дозволяє уникнути тисяч безперспективних експериментів. Автоматизація аналізів додатково стискає фазу валідації, дозволяючи одному кандидату пройти шлях від комп'ютера до лабораторного столу та висунення за частку традиційного часу.

Хто отримає вигоду, а хто може залишитися позаду

Навпаки, фірми, які тримаються за традиційні методи скринінгу, можуть виявитися відсталими.

Застереження та подальший шлях

Обіцянка прискорення відкриттів за допомогою ШІ не скасовує потреби в ретельній валідації. Прогностичні моделі настільки ж хороші, наскільки якісні дані, на яких вони навчаються, а упередженість у навчальних наборах може призвести до пропуску сигналів щодо безпеки. Більше того, хоча показник у дев'ять місяців вражає, він стосується лише однієї програми; масштабування цього підходу на кілька мішеней може виявити вузькі місця, які поки що не є очевидними.

За чим стежити далі

Дев'ятимісячний рубеж демонструє, що хімія розробки ліків більше не обмежена суто лабораторним столом. Коли алгоритми можуть накидати життєздатну молекулу, а машини — протестувати її за лічені дні, весь часовий цикл скорочується. Чи стане це скорочення новою нормою, залежатиме від того, наскільки швидко екосистема — компанії, інвестори, регулятори та пацієнти — адаптується до світу, де «фізичний ШІ» створює першу чернетку ліків майбутнього.