AI w projektowaniu leków: Jak autonomiczne systemy na nowo definiują rozwój farmaceutyków
Gdy AI wynajduje cząsteczki: zmiana paradygmatu w badaniach farmaceutycznych
Opracowanie nowego leku od dawna uchodziło za jeden z najbardziej zawodnych i kosztownych procesów we współczesnej nauce. Lata badań, miliardowe inwestycje – a mimo to większość kandydatów odpada, zanim dotrze do jakiegokolwiek pacjenta. Szczególnie w przypadku leków biologicznych, zwanych biologikami, które powstają z genetycznie zmodyfikowanych białek zamiast z syntetycznej chemii, złożoność jest ogromna. Naukowcy muszą dosłownie przeszukiwać astronomiczne przestrzenie kombinacji możliwych cząsteczek, aby odnaleźć te rzadkie kandydatury, które wiążą się z właściwymi strukturami docelowymi, pozostają stabilne w ludzkim organizmie i mogą być produkowane na szeroką skalę.
Właśnie tutaj Sztuczna Inteligencja zmienia reguły gry w sposób fundamentalny – i to nie stopniowo, lecz z prędkością, która zaskakuje nawet doświadczonych obserwatorów branży. To, co obecnie dzieje się w laboratoriach i centrach danych dużych firm farmaceutycznych, to coś więcej niż technologiczna optymalizacja: to początek zupełnie nowego paradygmatu rozwoju.
Build-Measure-Learn-Loop jako proces sterowany przez AI
Klasyczne podejście w badaniach nad lekami opierało się na zasadzie liniowej: formułowanie hipotez, synteza, testowanie, ocena – i zaczynanie od nowa. Taki cykl trwał miesiące, a nawet lata. Nowoczesne platformy wspierane przez AI wkraczają właśnie w tym miejscu i przekształcają ten proces w ciągłą, opartą na danych pętlę sprzężenia zwrotnego.
Wiodące firmy farmaceutyczne, takie jak AstraZeneca, opisują swoje podejście jako Build-Measure-Learn-Loop: modele AI obliczeniowo generują lub priorytetyzują cząsteczki kandydujące i prognozują, które projekty mają największe szanse powodzenia. Laboratoria koncentrują następnie swoje zasoby wyłącznie na najlepiej ocenionych kandydatach. Efektem są krótsze czasy cykli, mniej ślepych uliczek – oraz możliwość mierzenia się z celami chorobowymi, które wcześniej uważano za terapeutycznie nieosiągalne.
„Wszystko, co robimy – czy to projektowanie, produkcja, testowanie czy analiza – jest dziś wspierane obliczeniowo. Czasy cykli skracają się, podczas gdy produktywność i innowacyjność rosną."
Dla Dr. Maik Bunzel, założyciela i dyrektora zarządzającego mabucon.eu, ta zasada ilustruje dokładnie, dlaczego automatyzacja wspierana przez AI nie jest już tematem niszowym: „To, co obserwujemy w badaniach farmaceutycznych, jest strukturalnie tym samym, co widzimy w automatyzacji procesów biznesowych: AI przejmuje iteracyjną, intensywną danych część procesu – i oddaje człowiekowi przestrzeń na strategiczne decyzje."
Wieloswoiste biologiki: AI jako silnik optymalizacji dla wysoce złożonych problemów
Kolejna generacja leków biologicznych ma jednocześnie atakować wiele ścieżek chorobowych lub precyzyjnie dostarczać substancje terapeutyczne do określonych komórek. Brzmi to technicznie spektakularnie – i rzeczywiście takie jest. Optymalizacja takiej cząsteczki pod kątem wielu parametrów jednocześnie (skuteczność, stabilność, wytwarzalność, bezpieczeństwo) stanowi bowiem zadanie obliczeniowe, które po prostu przekracza ludzkie możliwości.
Modele AI mogą tu nie tylko optymalizować pojedyncze parametry, lecz także poruszać się w obszarze złożonych konfliktów celów: które dwa lub trzy cele molekularne należy priorytetyzować? Jak zrównoważyć potencję z ryzykiem bezpieczeństwa? Ten rodzaj wielowymiarowej optymalizacji jest kluczową obietnicą nowoczesnych generatywnych systemów AI w badaniach nad lekami – a McKinsey szacuje, że generatywna AI w połączeniu z innymi narzędziami obliczeniowymi mogłaby skrócić harmonogramy w badaniach nad lekami nawet o 50 procent.
Szczególnie godny uwagi jest aspekt „Drugging the Undruggable": struktury docelowe, które dotychczas uważano za terapeutycznie nieosiągalne, stają się dostępne dzięki modelowaniu wspomaganemu przez AI. To znacznie poszerza adresowalny rynek nowych leków – i jednocześnie sygnalizuje, że właściwa przewaga konkurencyjna w branży farmaceutycznej nie będzie w przyszłości opierać się przede wszystkim na wiedzy chemicznej, lecz na jakości i głębokości danych treningowych.
Problem danych: dlaczego własnościowe zbiory danych stają się strategicznym aktywem
Każdy model AI jest tylko tak dobry, jak dane, na których został wytrenowany. W badaniach nad lekami oznacza to: kto dysponuje rozbudowanymi, wysokiej jakości biologicznymi zbiorami danych, posiada strukturalną przewagę. Eksperymenty dostarczają przy tym cennych sygnałów niezależnie od ich wyniku – nawet niepowodzenie kandydata to informacja, która czyni model bardziej precyzyjnym.
Wiodące podmioty budują zatem celowo multimodalne, własnościowe pule danych, integrujące struktury molekularne, pomiary wiązania, profile bezpieczeństwa i wyniki produkcji. Ta strategia danych – szeroka dywersyfikacja portfela połączona z ukierunkowanymi inwestycjami w wysokoprzepustowy screening – umożliwia Fine-Tuning modeli frontier na bardziej reprezentatywnych danych treningowych.
Dla firm spoza branży farmaceutycznej ta dynamika stanowi ważną lekcję: kto chce strategicznie wykorzystywać AI, musi najpierw określić swoją strategię danych. Sama ilość danych nie wystarczy – o tym, czy system AI dostarcza rzeczywiście wyróżniających się spostrzeżeń, decydują różnorodność, jakość i ustrukturyzowane przygotowanie danych.
„Lab of the Future": Agentic AI spotyka automatyzację robotyczną
Kolejnym ewolucyjnym krokiem jest pełna integracja AI i fizycznej automatyzacji w zamkniętej pętli sprzężenia zwrotnego – koncepcja dyskutowana w branży pod nazwą „Lab of the Future". Podstawowa idea: AI formułuje prognozy, systemy robotyczne przeprowadzają eksperymenty, instrumenty generują dane – a te dane trafiają bezpośrednio z powrotem do modeli, przyspieszając każdy kolejny cykl.
Analogia do samochodu autonomicznego jest tu pouczająca: czujniki i modele nawigują w otoczeniu, nie wymagając, by każdy pojedynczy krok był zlecany przez człowieka. W odniesieniu do badań nad lekami oznacza to: zautomatyzowane systemy wysokoprzepustowe mogłyby tygodniowo generować i oceniać tysiące interakcji molekularnych – w tempie, którego tradycyjne procesy robocze strukturalnie nie są w stanie osiągnąć.
Dr. Maik Bunzel z mabucon.eu dostrzega w tym rozwoju bezpośrednią analogię do przemysłowych przedsięwzięć automatyzacyjnych: „Zamknięta pętla sterowania – dane na wejściu, decyzja na wyjściu, działanie, nowe dane – to podstawowa zasada agentycznych systemów KI. To, co w laboratoriach farmaceutycznych dzieje się z cząsteczkami, dzieje się w przedsiębiorstwach z procesami biznesowymi. Logika technologiczna jest taka sama."
De-novo-Design: Przyszłość leży w tworzeniu, nie w szukaniu
Długoterminowym celem badań nad biologics wspomaganych przez KI jest tzw. De-novo-Design: KI generuje całkowicie nowe sekwencje białkowe, które dokładnie odpowiadają pożądanym właściwościom substancji czynnej – od struktury, przez profil bezpieczeństwa, po możliwość wytworzenia. Nie przeszukiwać i filtrować, lecz celowo tworzyć.
Technologiczne warunki ku temu właśnie dojrzewają: bogatsze i bardziej ustandaryzowane dane treningowe, solidne benchmarki ewaluacyjne dla kandydatów generowanych przez KI, a – co szczególnie istotne – ulepszone metody prognozowania bezpieczeństwa. Czy obliczeniowo wygenerowana cząsteczka jest bezpieczna w ludzkim organizmie, pozostaje bowiem na razie trudne do przewidzenia. Tu do gry wchodzą zaawansowane systemy komórkowe i zminiaturyzowane modele narządów, pełniące rolę fizycznych środowisk testowych dla projektów generowanych przez KI.
Równolegle dokonuje się zmiana paradygmatu w kierunku systemów Agentic AI, które nie tylko generują kandydatów molekularnych, lecz jednocześnie prognozują skuteczność i bezpieczeństwo – łącząc przy tym wnioski na poziomie choroby bezpośrednio z projektowaniem cząsteczek, bez ręcznych przekazań między dotychczas odizolowanymi silosami danych.
Człowiek i KI: współpraca zamiast zastąpienia
Często pomijanym aspektem tej transformacji jest zmieniona rola człowieka. Systemy KI w badaniach nad substancjami czynnymi nie są projektowane jako zamiennik naukowców, lecz jako „Thinking Partners": naukowcy zapewniają osąd, kierunek strategiczny i kontekst etyczny – KI dostarcza obliczeniowej głębi i szybkości.
Wymaga to nowych profili kompetencyjnych: naukowców zajmujących się danymi, specjalistów ds. automatyzacji i inżynierów KI pracujących na styku uczenia maszynowego i biologii. Koncepcje takie jak multimodalna fuzja danych, Closed-Loop-Optimierung, Uncertainty Quantification i interpretowalność kliniczna nie są już abstrakcyjnymi tematami badawczymi, lecz operacyjnymi wymaganiami stawianymi zespołom inżynieryjnym.
Dla przedsiębiorstw ze wszystkich branż obowiązuje ta sama zasada: automatyzacja oparta na KI nie ujawnia swojej pełnej wartości przez wycofanie człowieka, lecz przez sensowną rekalibrację ludzkiej energii ku zadaniom wymagającym osądu, kreatywności i odpowiedzialności.
Podsumowanie: czego przedsiębiorstwa mogą się nauczyć z boomu KI w farmacji
Rozwój KI-wspomaganých badań nad biologics nie jest wyjątkiem charakterystycznym dla branży wysokich technologii. To szczególnie wyrazisty, oparty na danych przykład uniwersalnej logiki inteligentnej automatyzacji: zwiększać prędkość iteracji, koncentrować zasoby na obiecujących kandydatach, systematycznie uczyć się z każdego kroku – również z porażek.
Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, ujmuje to wprost: „Niezależnie od tego, czy mamy do czynienia z koncernem farmaceutycznym, czy średniej wielkości firmą usługową – kto wdraża AI strategicznie, zmienia nie tylko tempo swoich procesów, ale strukturalną logikę podejmowania decyzji. To jest właściwa dźwignia."
Dla decydentów oznacza to konkretnie: wejście w automatyzację procesów wspieraną przez AI nie zaczyna się od wyboru technologii, lecz od strategii danych, od gotowości do zamkniętej pętli informacji zwrotnej – i od odwagi, by gruntownie przemyśleć procesy od nowa, zamiast jedynie cyfrowo odwzorowywać istniejące przepływy pracy. Branża farmaceutyczna pokazuje, dokąd prowadzi ta droga. Pytanie dla innych sektorów brzmi tylko: kiedy wyruszą w tę podróż?