McKinsey оценивает, что генеративный ИИ способен сократить сроки открытия новых лекарств до 50%, и для фармы это не красивая презентация, а попытка починить один из самых дорогих и медленных процессов в прикладной науке. Именно поэтому ИИ в разработке лекарств быстро переезжает из категории «эксперимент» в базовую инфраструктуру R&D. Для русскоязычной IT-аудитории здесь важен не только биотех: на наших глазах формируется зрелый кейс, где данные, модели, роботизация и инженерные циклы уже напрямую влияют на стоимость и скорость выпуска продукта.
Как пишет MIT Technology Review, AstraZeneca строит вокруг этого подхода целую инженерную систему, а не отдельный пилот на стороне data science. По словам Пуджи Сапры, senior vice president и главы R&D biologics engineering and oncology targeted discovery в компании, практически все этапы работы над биологическими препаратами уже усиливаются вычислительными инструментами: от проектирования и экспериментов до анализа результатов. Логика проста и хорошо знакома любому продакту или ML-инженеру: модель сначала генерирует или ранжирует молекулярные кандидаты, затем ученые тратят лабораторные ресурсы только на верхнюю часть списка, после чего результаты тестов возвращаются в систему и улучшают следующую итерацию. Иными словами, build-measure-learn добрался до фармы, только цена ошибки тут заметно выше, чем у мобильного приложения.
Ставка делается на биологические препараты, то есть лекарства на основе инженерных белков, а не классической синтетической химии. Этот класс терапий и без того сложен: нужно найти молекулу, которая свяжется с нужной мишенью, останется стабильной в организме, пройдет по профилю безопасности и при этом будет пригодна для масштабного производства. Пространство вариантов здесь настолько велико, что вручную его не перебирает ни одна команда, даже очень дорогая. Поэтому ИИ в разработке лекарств решает не абстрактную задачу «ускорить науку», а очень конкретную: резко сузить область поиска до тех кандидатов, на которых вообще имеет смысл тратить мокрую лабораторию, реактивы и месяцы работы специалистов.
От ускорения к новым классам препаратов
Самое интересное начинается там, где речь идет уже не просто об ускорении существующего пайплайна. AstraZeneca говорит о следующем поколении биологических лекарств, которые смогут работать сразу с несколькими мишенями или доставлять терапевтическую нагрузку в конкретные клетки. Для такой конструкции мало подобрать «сильную» молекулу. Ее нужно одновременно оптимизировать по нескольким параметрам: эффективности, стабильности, технологичности производства и безопасности. Сапра прямо говорит, что модели в будущем смогут не только предлагать молекулы, но и подсказывать, какие две или три биологические мишени вообще стоит приоритизировать на основе механики болезни. Для индустрии это важный сдвиг: модель перестает быть узким помощником химика или биолога и начинает работать на стыке disease insight, design и decision-making.
Отсюда и громкая, но уже не совсем фантастическая формула про «drugging the undruggable» — работу с мишенями, которые раньше считались недоступными для лекарств. В фарме эту фразу любят давно, но раньше за ней часто стояли десятилетия гипотез без надежного инструментария. Теперь появляется шанс перевести часть таких задач в инженерный режим. Не в том смысле, что ИИ по кнопке выпустит готовую терапию, а в том, что он сокращает число тупиковых веток и делает возможной работу с более сложной биологией. Для бизнеса это означает потенциальное расширение воронки кандидатов. Для разработчиков и дата-команд это означает, что ценность модели измеряется не лайками в демо, а тем, насколько точно она помогает распределять ограниченные физические ресурсы.
Но у этого подхода есть суровая оговорка: каждая модель упирается в данные. В потребительском ИИ можно спорить о промптах и UX, а в фарме исход все равно определяется качеством обучающего материала. AstraZeneca называет данные своим главным дифференциатором и делает ставку на проприетарные мультимодальные наборы: молекулярные структуры, измерения связывания, профили безопасности и результаты производства. Причем важны не только удачные эксперименты. Неудачные тоже полезны, потому что они дают сигнал о том, что не работает. Это, пожалуй, один из самых недооцененных уроков для корпоративного ИИ вообще: защитный ров строится не вокруг красивой модели как таковой, а вокруг длинной истории качественно собранных, размеченных и пригодных для обратной связи данных.
Лаборатория как замкнутый контур
Чтобы превратить данные и модели в непрерывный конвейер, AstraZeneca строит в Kendall Square в Кембридже, штат Массачусетс, площадку «lab of the future». Идея почти киберпанковская, но инженерно вполне приземленная: ИИ делает прогнозы, роботизированные системы проводят эксперименты, приборы снимают результаты, а затем данные сразу возвращаются в модели. Сапра сравнивает такую схему с беспилотным автомобилем, только вместо дороги и камер здесь биология, лабораторная автоматика и аналитические пайплайны. В перспективе высокопроизводительные автоматизированные системы должны будут еженедельно создавать и проверять тысячи молекулярных взаимодействий. Это уже похоже не на обычную лабораторию, а на фабрику данных, где throughput становится таким же стратегическим параметром, как latency в облачном сервисе.
Отдельная линия развития — de novo design, то есть генерация новых белковых последовательностей с нуля под заданные свойства будущего препарата. Звучит как финальный босс всей истории про ИИ в разработке лекарств: модель должна не просто предложить интересную структуру, а предсказать, будет ли она безопасной, как поведет себя в организме и можно ли ее вообще произвести в промышленных масштабах. До полностью AI-generated biologic, доведенного до статуса клинического кандидата, отрасль еще не дошла, но AstraZeneca считает это не теоретической мечтой, а вопросом времени. Правда, для такого сценария нужны как минимум три вещи: более богатые и стандартизированные данные по всей индустрии, надежные бенчмарки для оценки AI-сгенерированных кандидатов и команды, которые одинаково хорошо понимают и машинное обучение, и биологию.
Самый болезненный участок во всей схеме — предсказание безопасности. Сапра называет его одним из самых сложных и при этом наименее обсуждаемых вызовов de novo design. Компания пытается закрыть этот разрыв с помощью продвинутых клеточных систем и микромасштабных моделей органов, которые работают как физические тестовые стенды, а ИИ учится на их выходных сигналах. По сути, речь идет о ранних «виртуальных клинических испытаниях», если не в юридическом, то в инженерном смысле. Параллельно отрасль движется к agentic AI-системам, которые смогут не только генерировать кандидатов, но и сразу оценивать вероятную эффективность и безопасность, соединяя данные о заболевании напрямую с дизайном молекулы. Если эта связка заработает стабильно, граница между discovery, preclinical и частью decision science начнет размываться довольно быстро.
Во всей этой автоматизации есть важная поправка, которую рынок ИИ иногда любит игнорировать: ученые никуда не исчезают из контура. AstraZeneca отдельно подчеркивает, что за людьми остаются контроль, интерпретация, этические ограничения и стратегический выбор направлений. И это, пожалуй, главный вывод за пределами фармы. Самые дорогие AI-системы ближайших лет будут побеждать не там, где человек убран из процесса, а там, где вычислительный слой, роботизация и доменная экспертиза собраны в один замкнутый цикл с понятной ответственностью за результат. В случае с лекарствами цена этого результата измеряется не только экономикой R&D, но и тем, насколько быстро из молекулярной гипотезы получается кандидат, которого вообще можно довести до пациента. Подробности кейса приводит .