Człowiek i AI w jednym żyli labie. Jak dziś odkrywamy leki?

Według danych SNS Insider, globalna wartość rynku sztucznej inteligencji w farmacji wynosiła w 2024 roku 1,73 miliarda dolarów. Do 2032 roku ma urosnąć do 13,46 miliarda. Oznacza to roczne tempo wzrostu (CAGR) w okresie 2025–2032 na poziomie 29,33%.

Warto od razu spojrzeć również na budżety. Tradycyjna metoda odkrywania leków może kosztować średnio 2,6 miliarda dolarów. AI sprawia, że ten koszt spada do około. 1,5 miliarda dolarów. Z kolei według badania Boston Consulting Group, 75 molekuł odkrytych przez AI weszło do badań klinicznych do 2023 roku, z czego 67 pozostawało w aktywnych testach. Dziś te liczby z pewnością są dużo większe. Co ciekawe, sama onkologia stanowi około 50%  udziału w odkrytych molekułach w pierwszych fazach badań. 

AI nie jest już futurystyczną ciekawostką w badaniach farmaceutycznych, lecz pełnoprawnym uczestnikiem procesu odkrywania leków. Od analizy danych biologicznych po projektowanie cząsteczek i planowanie badań przedklinicznych. Zmieniło się nie tylko tempo pracy w laboratorium, ale też jakość podejmowanych decyzji.

Strategia badań farmaceutycznych…

…opiera się przede wszystkim na wykorzystaniu uczenia maszynowego, które pozwala analizować ogromne wolumeny danych biologicznych w krótkim czasie. W praktyce oznacza to szybszą selekcję cząsteczek, dokładniejsze przewidywanie interakcji leków oraz identyfikację nowych celów terapeutycznych. 

AI wspiera naukowców w podejmowaniu decyzji, sugeruje hipotezy, generuje modele i automatyzuje procesy, co  przyspiesza nie tylko prace laboratoryjne, ale i proces dokumentacyjny oraz analizę ryzyka.

Wpływ AI na globalne badania

Opracowanie nowego leku w tradycyjnym cyklu zajmuje zwykle kilkanaście lat. AI może skrócić ten czas nawet o połowę. Modele. które uczą się na danych historycznych, pozwalają identyfikować obiecujące cząsteczki już na przestrzeni kilku miesięcy.

Narzędzia AI analizują dane z badań in vitro, wspierają identyfikację biomarkerów, prognozują odpowiedź organizmu na substancję czynną i umożliwiają wcześniejsze wykrycie toksycznych efektów ubocznych. Jak to wygląda w praktyce? Na przykład tak:

Insilico Medicine (Chiny/Hongkong) opracowało rentosertib – pierwszy lekiem, w którym zarówno cel terapeutyczny, jak i sama molekuła zostały odkryte w całości przez generatywną sztuczną inteligencję. Co jeszcze bardziej imponujące – cały proces, od identyfikacji potrzeby po zakończenie badań, trwał mniej niż 30 miesięcy i kosztował zaledwie 2,6 miliona dolarów.

Z kolei DeepMind i jego AlphaFold udostępniły modele strukturalne milionów białek, z których dziś regularnie korzystają instytuty badawcze i zespoły medyczne na całym świecie. Co oznacza tyle, że w praktyce AI pomaga dziś rozwiązywać problemy biologii strukturalnej, które latami opierały się klasycznym metodom. 

Wpływ AI na badania w Polsce

Podobnie, choć na mniejszą skalę, dzieje się na naszym rodzimym podwórku. Molecule.one nawiązał strategiczne partnerstwo z Amerykańskim Towarzystwem Chemicznym (CAS). Firma wykorzystuje generatywną AI do planowania syntezy chemicznej. Technologia pozwala przewidywać najlepsze ścieżki produkcji związków chemicznych i znacząco przyspiesza wczesne etapy odkrywania leków. Zaś Ingenix.ai pozyskał 9 milionów euro w rundzie seed od funduszy. Celem firmy jest stworzenie multimodalnego modelu AI do symulacji badań klinicznych, który to model miałby przewidywać skuteczność leków i niepożądane działania jeszcze przed rozpoczęciem kosztownych testów. Z kolei NaturalAntibody, który współpracuje z AstrąZenecą, korzysta z systemów uczenia maszynowego do wynajdywania i optymalizacji przeciwciał. Bazuje przy tym na danych naukowych, które wcześniej pozostawały niewykorzystane.

AI jako element standardu badawczego

Sztuczna inteligencja nie zapowiada nowej ery odkrywania leków, lecz ją współtworzy. Oczekuje się, że w kolejnych latach będą rozwijane modele wyspecjalizowane w konkretnych obszarach terapeutycznych – chorobach rzadkich i neurologii.

Dzięki precyzyjnym predykcjom możliwe będzie opracowywanie terapii dostosowanych do indywidualnego profilu genetycznego i biologicznego pacjenta. Dla systemów ochrony zdrowia to także szansa na optymalizację kosztów i poprawę skuteczności leczenia.