AI-агенты в фарме: как они меняют разработку лекарств

За последние полтора года разработка лекарств обзавелась новым инструментом — автономными AI-агентами, которые не просто предсказывают структуру белка по одному запросу, а сами планируют серию экспериментов, вызывают внешние инструменты и корректируют гипотезы по результатам. Isomorphic Labs (дочерняя компания Alphabet) в начале 2025 года заявила о партнёрствах с Eli Lilly и Novartis на сумму, превышающая по совокупным потенциальным выплатам несколько миллиардов долларов. Recursion и Insilico Medicine доводят собственные молекулы до клинических фаз. Это уже не демо, а часть реального конвейера — с оговорками, о которых ниже.

Что изменилось: от модели к агенту

Раньше типичный ИИ в фарме работал так: подаёшь на вход последовательность, получаешь предсказание — структуру, аффинность связывания, токсичность. Один вопрос, один ответ. AlphaFold2 в 2020-м решил задачу предсказания трёхмерной структуры белка и стал стандартом де-факто. AlphaFold3, представленный в мае 2024 года, добавил предсказание комплексов белков с малыми молекулами, ДНК и РНК.

Агент устроен иначе. Он получает цель верхнего уровня — например, «найти ингибитор для этой мишени с приемлемой селективностью» — и сам раскладывает её на шаги: сгенерировать кандидатов, отфильтровать по токсичности, спланировать синтез, оценить результаты, повторить цикл. Внутри он дёргает те же специализированные модели как инструменты, но связывает их в петлю без ручного участия человека на каждом шаге.

Ценность агента не в том, что он умнее отдельной модели, а в том, что он сокращает число итераций, где раньше требовался человек с пипеткой и календарём на полгода вперёд.

Разница на практике измеряется временем и деньгами. Классический доклинический этап — от выбора мишени до кандидата для испытаний — исторически занимает 3–6 лет. Insilico Medicine публично заявляла, что её платформа Pharma.AI довела молекулу INS018_055 (фиброз лёгких) от идеи до кандидата примерно за 18 месяцев. Это не доказывает, что препарат сработает — он проходит клинику, и большинство кандидатов на этом этапе отсеивается, — но показывает, где именно сжимается срок.

Кто и что предлагает

Рынок распадается на две группы: те, кто разрабатывает собственные лекарства с помощью ИИ, и те, кто продаёт платформу другим. Границы размыты — почти все делают и то, и другое.

Отдельно стоит упомянуть открытые инструменты. Chai-1 (Chai Discovery) выложен для некоммерческого использования, Boltz-1 от команды MIT распространяется под открытой лицензией. Для лабораторий без бюджета на подписку это реальная альтернатива, хотя интеграция в агентный пайплайн ложится на плечи самой команды.

Кому это пригодится, а кому нет

Агентные системы в фарме — не универсальное ускорение. Они дают выигрыш в одних сценариях и почти ничего в других.

• Пригодится: биотех-стартапу, у которого есть чёткая белковая мишень и нужно быстро перебрать химическое пространство кандидатов, не нанимая большую вычислительную команду.
• Пригодится: крупной фарме на этапе hit-to-lead — сузить тысячи соединений до десятков перед дорогим синтезом и тестами in vitro.
• Пригодится: при перепрофилировании существующих препаратов, где данных много и агенту есть на чём строить гипотезы.
• Не поможет: когда мишень плохо изучена и нет структурных данных — агент будет уверенно генерировать правдоподобный мусор.
• Не поможет: заменить клинические испытания. ИИ сокращает доклинический этап, но фазы I–III на людях остаются самой долгой и дорогой частью, и ни одна модель их не отменяет.
• Спорно: для задач, где ключевой риск — не химия, а биология мишени. Если сама мишень выбрана неверно, идеально спроектированная молекула провалится в клинике независимо от качества ИИ.

Где буксует

Главная проблема — данные. Публичных, чистых и сопоставимых экспериментальных данных о связывании и токсичности гораздо меньше, чем текста для языковых моделей. Компании с собственными лабораториями (Recursion генерирует петабайты клеточных изображений) в выигрыше именно потому, что кормят агентов своими данными, а не только публичными.

Вторая проблема — проверяемость. Языковая модель может «галлюцинировать» молекулу, которую невозможно синтезировать или которая ведёт себя иначе, чем предсказано. Поэтому серьёзные пайплайны замыкают агента на автоматизированную лабораторию: предсказание немедленно проверяется экспериментом, а не принимается на веру. Такие лаборатории есть далеко не у всех.

Третья — регуляторика. Ни FDA, ни EMA пока не имеют устоявшейся процедуры одобрения препарата «спроектированного ИИ» как отдельной категории. Для регулятора важен результат клинических испытаний, а не то, как получена молекула. Это одновременно упрощает (не нужно сертифицировать сам ИИ) и не даёт ускорения там, где оно нужнее всего — на людях.

Что это значит на горизонте пары лет

Ни одна молекула, доведённая до рынка исключительно ИИ-агентом, пока не одобрена — большинство громких кандидатов находятся в ранних фазах клиники, где статистика отсева высока и для препаратов, найденных традиционно. Ближайшие 2–3 года покажут не то, умеет ли ИИ рисовать молекулы (умеет), а то, выживают ли эти молекулы в клинике не хуже классических. Именно этот показатель, а не скорость генерации, определит, был ли ажиотаж оправдан.