Когда нейросети становятся биологами: как AI переписывает сценарии открытия лекарств

AI-биология переходит в зрелость

Вторая декада XXI века принесла науке повторение сценария 2017 года, когда статья «Attention is All You Need» открыла эру трансформер-архитектур для языков и видео. Сейчас та же архитектура переписывает правила биологии и медицины.

Более 5 тысяч научных работ из 21 тысячи поступивших были приняты на NeurIPS 2025, и значительная часть — это исследования на пересечении AI и life sciences. Это уже не маргинальное направление. По словам Эвана Файнберга, CEO компании Genesis Molecular AI (спин-офф лаборатории Виджая Панде из Стэнфорда), «пересечение AI и биологии больше не нишевое — это полноценный столп AI-индустрии наравне с видением и языком».

Революция в трёх направлениях

1. Дизайн антител: от мечты к реальности за два года

В области биологического лекарствоведения произошло то, что казалось невозможным еще в начале 2025 года. Чай Discovery, компания, основанная соучредителем Joshua Meier, разработала Chai-2 — мультимодальную генеративную модель для дизайна антител с нуля.

Ключевые цифры:

• 16% успеха при дизайне новых антител (de novo design)
• Менее 1% успеха при традиционных методах селекции
• 160-кратное улучшение по сравнению с историческим бенчмарком

«Год назад люди спрашивали, когда de novo antibody design заработает. Большинство отвечали — лет через пять, — рассказывает Meier. — Мы опубликовали результаты две недели спустя и вернулись к этим людям со словами: это работает сегодня».

Такой прорыв особенно значим для сложных мишеней — GPCR (рецепторы, сопряженные с G-белками) и других труднодоступных молекул, требующих атомарной точности предсказания структуры.

2. Малые молекулы и персонализированная терапия

В сегменте малых молекул эксперты указывают на ускорение поступления кандидатов в клинические испытания как основной показатель эффективности AI. Компания Insilico Medicine под руководством Алекса Жаворонкова (основатель и CEO) представила портфель более чем из дюжины претендентов на статус IND (Investigational New Drug) с несколькими препаратами, уже достигшими фазы I.

Вершина достижений — публикация результатов фазы IIa по новому ингибитору TNIK (сигнальный фермент) в журнале Nature Medicine. За пять лет от основания как софтверной компании Insilico трансформировалась в полноценного разработчика лекарств, доказав платформенный подход к ускорению drug discovery.

3. От экспериментов in vitro к симуляции in silico

Компания Noetik, основанная Dr. Ron Alfa, строит фундаментальные модели биологии рака для поддержки принятия решений на уровне пациента. Стратегический сдвиг — переход от традиционного гипотетико-дедуктивного исследования к вычислительному моделированию экспериментов.

Для верификации Noetik содержит собственную платформу для экспериментов in vivo на мышах, создавая соответствие между смоделированными данными на человеке и реальными экспериментами на животных. Это критично для трансляционных исследований.

4. Виртуальные клетки и прогнозирование на популяционном уровне

Arc Institute запустил Virtual Cell Challenge — открытый конкурс, спонсируемый NVIDIA, 10x Genomics и Ultima Genomics. Сюрприз: не одна, а две премии в размере $100 тысяч каждая достались лучшим моделям машинного обучения для предсказания того, как клетки реагируют на генетические возмущения.

Компания Altos Labs (запущена в 2022 году с финансированием в $3 млрд) выиграла генерализированную категорию. Их проект scGeneScope (в сотрудничестве с Microsoft Research) исследовал, как переобучение моделей на уникальных парных данных single-cell RNA-seq и Cell Painting изображений помогает выявить возмущения и механизмы действия при вариабельности лабораторных условий.

В геномике компания 23andMe представила PRSformer — архитектуру глубокого обучения для прогнозирования риска заболеваний на популяционном уровне. Работа показала: нелинейные эффекты становятся детектируемы лишь на определённом масштабе данных.

Стратегические сценарии для решений

Для фармацевтических компаний

Текущая модель: R&D на основе гипотез + 10–15 лет разработки + $2–3 млрд затрат

Новая модель: AI-платформы для скрининга + 2–3 года разработки + частичное снижение затрат

Big Pharma стоит перед выбором: встроить AI-платформу (как Genesis, Insilico, Chai) в собственные R&D-процессы или приобрести успешные стартапы. Примеры: Roche инвестировала в AI-биотеховские компании, Pfizer расширяет собственные AI-лаборатории.

Для венчурных инвесторов

Метрики успеха сместились:

• От кол-ва публикаций — к достижению IND-статуса (Investigational New Drug)
• От лабораторных результатов — к фазам I–II клинических испытаний
• От прототипов — к коммерциализации и лицензированию

Insilico Medicine продемонстрировала путь: 5 лет, дюжина претендентов в разработке, публикация в Nature Medicine, привлечение инвестиций. Это образец для венчурной оценки биотеховских AI-компаний.

Для стартапов и innovators

Ниши для новичков:

• Редкие заболевания: Персонализированные CRISPR-терапии требуют быстрого дизайна + AI
• Трудные мишени: GPCR, мембранные белки, консервативные структуры — требуют продвинутых моделей (как Chai-2)
• Цифровой фенотипинг: Прогнозирование ответа пациента на лечение по genomic + imaging + wearable data

Риски и ограничения

1. Черный ящик моделей: AI предсказывает, но не всегда объясняет механизм. Регуляторы (FDA, EMA) требуют интерпретируемости.

2. Генерализация данных: Модели, натренированные на одной популяции, могут давать сбои на другой (проблема демографического дисбаланса).

3. Стоимость вычислений: Тренировка больших мультимодальных моделей требует GPU-инфраструктуры (миллионы долларов).

4. Регуляторная неопределённость: Принятие AI-рекомендаций в клинической практике требует дополнительных исследований безопасности и валидации.

Перспективы на 2026–2027 годы

Что отслеживать:

• Фаза II-III для AI-дизайнированных молекул: Первые препараты, полностью разработанные с помощью AI, должны выйти на этап Phase II испытаний в 2026–2027 гг.
• Регуляторное признание AI: FDA и EMA выпустят официальные руководства по валидации AI-моделей в лекарствоведении.
• Слияния и поглощения: Big Pharma будет активно приобретать AI-биотеховские стартапы (прогноз: 20–30 крупных сделок в 2026 г.).
• Развитие открытых моделей: RoseTTAFold, AlphaFold3 и их наследники будут опубликованы как open-source, демократизируя доступ к AI-дизайну молекул.
• Появление категории «AI-as-a-Service» для биологии: Облачные платформы (Amazon, Google Cloud, Azure) интегрируют специализированные модели для молекулярного моделирования.

Узнать больше

Источники информации