Агентный ИИ в разработке лекарств: как автономные системы меняют биотех

Искусственный интеллект в разработке лекарств уже не новость. Но в начале 2026 года произошёл качественный скачок: от ИИ, который анализирует данные и предсказывает свойства молекул, к ИИ, который сам проектирует эксперименты, формулирует гипотезы и оптимизирует их в реальном времени. Этот сдвиг называют «агентным ИИ» (agentic AI), и он переопределяет, как индустрия открывает лекарства.

Партнёрства, объявленные в январе-феврале 2026, показывают масштаб изменений. Variant Bio, платформа генетической базы данных и ИИ, заключила стратегическое соглашение с Boehringer Ingelheim для использования агентных систем в discovery-пайплайнах. Recursion Pharmaceuticals расширяет свою OS для биологии, которая генерирует миллионы гипотез из фенотипических данных. Chai Discovery демонстрирует 100-кратное улучшение эффективности R&D по сравнению с традиционными методами.

Что такое агентный ИИ и чем он отличается

Агентный ИИ — это система, которая не просто отвечает на вопросы, но самостоятельно ставит задачи, планирует последовательность действий и итеративно улучшает свои решения на основе результатов. В контексте биотеха это означает: ИИ предлагает целевые белки, генерирует молекулярные структуры, предсказывает их токсичность, корректирует дизайн — и повторяет цикл без человеческого вмешательства на каждом шаге.

Традиционные AI-платформы требуют, чтобы исследователи задали вопрос: «Какие молекулы связываются с этим рецептором?» Агентный ИИ формулирует вопрос сам: «Какие рецепторы валидны для этого заболевания? Какие молекулы оптимальны? Как модифицировать структуру для снижения off-target эффектов?» Система становится партнёром в открытии, а не инструментом.

Почему это важно для фармы и венчура

Скорость и стоимость разработки лекарств — главные барьеры индустрии. Средний цикл от идеи до одобрения FDA занимает 10–15 лет и стоит $2,6 млрд. Более 90% кандидатов проваливаются в клинических испытаниях, часто из-за непредсказуемой токсичности или недостаточной эффективности, которые можно было бы выявить раньше с лучшими предсказательными моделями.

Агентный ИИ атакует эти узкие места напрямую. Recursion сообщает о сокращении timeline discovery на 30–40%. Chai Discovery показывает повышение частоты попаданий (hit rate) с менее чем 1% в традиционных вычислениях до 15–20% в их модели Chai-2. Это не просто улучшение — это переход от эмпирического метода проб и ошибок к рациональному, data-driven дизайну.

Для венчурных инвесторов это означает новый класс активов: биотех-компании, чей конкурентный advantage — не только биология, но и вычислительная инфраструктура. Компании вроде Variant Bio и Chai привлекают сотни миллионов долларов, потому что их платформы масштабируемы — один успешный pipeline может быстро стать десятком.

Технологическая инфраструктура: что требуется лабораториям

Эксплуатация агентного ИИ требует фундаментального переосмысления инфраструктуры лаборатории. Три ключевых компонента:

Интероперабельные системы данных. Агентный ИИ питается разнородными данными: геномными последовательностями, структурами белков, фенотипическими измерениями, клиническими результатами. Лаборатории должны интегрировать ELN (электронные лабораторные журналы), LIMS (системы управления лабораторной информацией) и облачные хранилища в единую архитектуру. Без этого ИИ работает вслепую.

Высокопроизводительные вычисления и GPU. Тренировка моделей вроде Evo 2 (9,3 триллиона пар оснований) или Chai-2 требует тысяч GPU-часов. Nvidia Clara и TensorFlow Bio становятся стандартом де-факто. Облачные провайдеры вроде AWS и Google Cloud предлагают специализированные биоинформатические пайплайны, но стоимость вычислений — это новый CAPEX для биотеха.

Аудируемость и воспроизводимость. FDA теперь требует «credibility assessment frameworks» для ИИ-генерированных данных в регуляторных заявках. Это означает: каждое решение ИИ должно быть прослеживаемым. Версионирование моделей, логирование гипотез, валидация на независимых датасетах — всё это обязательно для IND/BLA submissions.

Регуляторный контекст: FDA легитимизирует ИИ

В 2025 году FDA выпустило черновик guidance по использованию ИИ в drug lifecycle. В 2026 эти правила вступили в силу. Ключевое требование: AI-модели, используемые для предсказания токсичности, эффективности или дозирования, должны проходить формальную валидацию перед включением в IND (Investigational New Drug) пакеты.

Это снимает главную неопределённость для индустрии. Раньше компании опасались, что FDA отклонит заявки с AI-данными как «недостаточно валидные». Теперь есть чёткий pathway: прозрачность модели, воспроизводимость результатов, тестирование на независимых выборках. Первые IND с цитированием ИИ-моделей ожидаются уже в середине 2026.

Для агентного ИИ это особенно важно. Если система сама генерирует гипотезы, регулятор должен понимать, как она пришла к этим выводам. «Чёрный ящик» больше не приемлем — ИИ должен объяснять свои решения.

Конкретные кейсы: кто уже использует агентный ИИ

Variant Bio построила платформу, которая анализирует генетические данные из недопредставленных популяций (Африка, Латинская Америка, Океания). Их агентный ИИ идентифицирует защитные мутации — генетические варианты, которые снижают риск болезней. Один пример: вариант гена, который снижает риск диабета 2 типа на 40%. Система автоматически предложила молекулярные мишени и начала in silico скрининг кандидатов.

Recursion Pharmaceuticals разработала «OS для биологии» — платформу, которая генерирует миллионы фенотипических измерений (изображения клеток, изменения экспрессии генов) и использует агентный ИИ для поиска паттернов. Их pipeline охватывает редкие заболевания, онкологию и воспаление. В 2026 они объявили о 10 активных программах, каждая из которых началась с AI-generated гипотезы.

Chai Discovery фокусируется на молекулярном дизайне. Их модель Chai-2 предсказывает структуру белков и генерирует антитела с 15–20% hit rate (против 0,1% в традиционных вычислениях). Это 100-кратное улучшение. Система также оптимизирует антитела для снижения иммуногенности и улучшения фармакокинетики — задачи, которые раньше требовали месяцев экспериментов.

Риски и ограничения

Агентный ИИ — не панацея. Три ключевых риска:

Data quality. ИИ настолько хорош, насколько хороши данные, на которых он обучен. Если датасет смещён (например, преимущественно европейские геномы), модель будет плохо работать для других популяций. Variant Bio решает это через сбор данных из разнообразных когорт, но большинство компаний всё ещё зависит от западных биобанков.

Переоптимизация. Агентные системы могут «заучивать» паттерны, которые работают in silico, но проваливаются in vivo. Это проблема overfitting: модель идеально предсказывает тренировочные данные, но теряет обобщающую способность. Решение — строгая валидация на независимых экспериментах.

Чёрный ящик. Даже с требованиями FDA многие ИИ-модели остаются недостаточно интерпретируемыми. Если система предлагает молекулу, но не может объяснить, почему эта структура безопасна, регуляторы и инвесторы нервничают. Explainable AI — активная область исследований, но пока несовершенна.

Что дальше: сценарии на 2026–2028

Ближайшие 18–24 месяца определят, станет ли агентный ИИ стандартом или нишей. Три сценария:

Оптимистичный. Первые IND с ИИ-генерированными кандидатами показывают высокую безопасность и эффективность в Фазе 1–2. FDA расширяет guidance, включая ускоренные pathway для компаний с валидированными AI-платформами. Венчурные инвестиции в AI-биотех удваиваются. К 2028 году 30–40% новых IND включают AI-данные.

Базовый. Агентный ИИ доказывает ценность в discovery, но клинические результаты смешанные. Регуляторы требуют больше валидации. Индустрия принимает гибридный подход: ИИ для early-stage screening, человеческая экспертиза для финальных решений. Рост медленный, но устойчивый.

Пессимистичный. Несколько громких провалов (кандидаты, которые выглядели отлично in silico, но токсичны in vivo) подрывают доверие. Инвесторы становятся осторожнее. FDA ужесточает требования. Агентный ИИ остаётся инструментом для крупных фарм-компаний с большими R&D бюджетами, но малый биотех возвращается к традиционным методам.

Наиболее вероятный сценарий — базовый с элементами оптимистичного. Технология работает, но требует времени для интеграции в консервативную индустрию.

Практические шаги для руководителей

Если вы CTO, CSO или инвестор в биотехе, вот конкретные действия:

Аудит данных. Оцените качество и интероперабельность ваших данных. Агентный ИИ требует чистых, аннотированных, версионированных датасетов. Если у вас данные разбросаны по Excel-таблицам и локальным серверам, начните с миграции в облако и стандартизации форматов.

Пилотные проекты. Не пытайтесь внедрить агентный ИИ на весь portfolio сразу. Выберите одну программу — например, оптимизацию hit-to-lead — и запустите пилот с внешней платформой (Recursion, Chai, Variant Bio). Измерьте результаты: сокращение времени, рост hit rate, снижение затрат.

Регуляторная подготовка. Изучите FDA guidance по ИИ. Убедитесь, что ваши модели документированы, валидированы на независимых выборках и воспроизводимы. Это не опция — это требование для IND.

Партнёрства. Крупные фарм-компании уже строят альянсы с AI-платформами. Малый биотех может использовать licensing deals или collaborative discovery agreements. Не пытайтесь построить платформу с нуля — это требует сотен миллионов долларов и лет разработки.

Узнать больше