Сегодня фразы наподобие «ИИ прочно вошел в нашу жизнь» звучат как довольно избитый штамп. Никто не будет отрицать, что технология уже массово используется в самых разных отраслях и в значительной степени влияет на экономику конкретных технических процессов, в частности, мы в аналитической компании RNC Pharmaактивно используем инструменты ИИ и ML для работы с большими массивами данных, с их помощью решаются задачи разбора и классификации, а так же многоступенчатой валидации, что позволяет кардинально ускорять рутинные процессы и минимизировать количество технических ошибок. Абсолютно все аналитические базы данных RNC Pharma сейчас создаются с применением технологии ИИ.

Сейчас всем очевидно, что в будущем роль искусственного интеллекта будет только усиливаться. Однако прогнозирование перспектив ИИ, которое содержит полный набор полярных мнений, от восторженных дифирамбов по зачастую надуманным поводам до совершенно апокалиптических предсказаний, тоже следует воспринимать критически. Оценить влияние ИИ на фармацевтическую отрасль интересно ещё и потому, что здесь в том или ином виде он появился задолго до того, как вошел в нашу повседневную жизнь. Различные алгоритмы, машинное обучение и даже прототипы нейросетей успешно работают в отрасли уже более 60 лет.

Рассказываем историю алгоритмов и искусственного интеллекта в фармацевтике, а также порассуждаем о его месте в современной индустрии.

Жизнь до большого взрыва. Алгоритмы на службе фармацевтики

В шестидесятые годы прошлого века компьютеры представляли собой крайне дорогие устройства, занимавшие огромные помещения, а по мощности в тысячи раз уступавшие среднестатистическим смартфонам. Хотя с их помощью уже тогда летали к Луне и фотографировали поверхность Венеры, возможности этих машин были крайне ограничены. Тем не менее именно тогда люди начали задумываться о том, что машины можно научить мышлению. Так появились сложные алгоритмы и экспертные системы, способные на основе ограниченных данных «решать» сложные задачи. Одними из первых отраслей, где машины начали «думать», стали химия, фармацевтика и медицина.

Маргарет Гамильтон, программист НАСА рядом с распечатанной программой для миссии Аполлон-11. Источник: Wikimedia 

Так родился один из первых систематических подходов к компьютерному дизайну химических соединений — алгоритм QSAR (Quantitative Structure-Activity Relationship - поиск количественных соотношений «структура — свойство»). Если говорить коротко, суть QSAR заключалась в предсказании свойств химических соединений на основе закономерностей в уже известных веществах. В системе использовались подходы, отдаленно напоминающие современное машинное обучение.

Другой важной вехой эпохи стал DENDRAL, появившийся в 1965 году. DENDRAL стал первой функциональной экспертной системой. На основе ограниченной информации о веществе и результатов измерений он мог предсказывать химическую структуру неизвестных органических соединений. Иными словами, алгоритм уже тогда мог выполнять часть задач химиков. Возможно, некоторые специалисты уже тогда предполагали, что скоро их всех заменят машины, однако химики до сих пор с нами.

Ещё одним примечательным проектом той эпохи стала MYCIN — экспертная система, призванная выявлять бактерии, вызывающие тяжелые инфекции, и определять необходимые дозировки антибиотиков. В отличие от DENDRAL и QSAR, она использовала не правила вывода химических структур, а клинические правила для диагностики и выбора терапии в условиях неопределенности. Точность работы MYCIN всегда была предметом дискуссий, поэтому ее никогда не применяли напрямую в клинической практике. Проблемы заключались не только в эффективности, но и в юридической и этической плоскости. Компьютеры в то время уже стали обыденностью, однако их применение в такой чувствительной сфере было сложно обосновать. Кроме того, оставался открытым вопрос ответственности при неправильном выводе системы. При этом MYCIN была сложна в использовании для неспециалистов и работала довольно медленно.

В каком-то смысле экспертные системы можно назвать предшественниками современных генеративных ИИ, хотя и не с точки зрения используемых технологий. Сразу стоит оговориться: алгоритмы-«шестидесятники» были мало похожи на современные нейросети. Они не могли сгенерировать картинку кота на велосипеде или написать стихотворение в стилистике Егора Летова. Это были алгоритмы в чистом виде, заточенные под выполнение очень конкретных задач.

Кое в чем QSAR, DENDRAL и MYCIN даже выигрывают у современных нейросетей. Прежде всего они строго детерминированы: при одинаковых входных данных всегда выдают один и тот же результат. Все параметры, заложенные в них, максимально понятны и прозрачны, каждый результат можно буквально разобрать до малейшей детали и проверить работу алгоритма. Они в принципе не способны к «галлюцинациям» и поэтому обладают очень высокой точностью.

Джошуа Леденберг, один из создателей системы DENDRAL. Источник: Technologists in Sync

Сможет ли ИИ разрабатывать лекарства

Искусственный интеллект уже начинает занимать важную роль в здравоохранении и медицине. В России использование ИИ в целях общественного здравоохранения прямо прописано в государственных программных документах, таких как указ «О развитии искусственного интеллекта в Российской Федерации» и «О Стратегии развития здравоохранения в Российской Федерации на период до 2030 года». При этом технологические компании предлагают множество продуктов, в первую очередь в области диагностики.

В фармацевтике ситуация схожая: многие компании активно используют решения, значительно облегчающие задачи исследователей. Например, система AlphaFold способна эффективно предсказывать трехмерную структуру белка. Ее разработчики — Демис Хассабис и Джон Джампер были удостоены Нобелевской премии по химии в 2024 году. В каком-то смысле AlphaFold стала наследницей экспертных систем, о которых мы говорили выше.

Источник: Google DeepMind

Практически все крупные фармацевтические компании как в мире, так и в России ведут собственные работы по внедрению ИИ в процесс разработки лекарственных препаратов. В подобные проекты вкладываются десятки миллиардов долларов, причем некоторые компании создают собственную ИИ-инфраструктуру. Так поступила швейцарская Roche, совместно с NVIDIA создавшая самый крупный в индустрии вычислительный центр.

В России также был заключен ряд сделок в области применения ИИ в фармацевтической отрасли. Например, «Сбер» и институт AIRI заключили соглашения с компаниями «Р-Фарм» и «Промомед», направленные на использование технологии в разработке новых лекарственных препаратов.

Несмотря на то, что ИИ уже напрямую влияет на процесс создания новых лекарственных препаратов, говорить о кардинальном изменении подходов к разработке пока рано. В первую очередь это связано с тем, что создание и последующий синтез молекулы — лишь малая часть процесса разработки. В конечном счёте все упирается в огромное количество регламентов и протоколов, которые создавались десятилетиями и вряд ли изменятся в ближайшее время. Несмотря на то, что почти все мировые регуляторы признают важность ИИ и его потенциал, вывод препарата на рынок подразумевает очень долгую и кропотливую работу, на большинстве этапов которой влияние ИИ будет уже не таким значительным. 

На момент написания этого материала ни одного препарата, в разработке которого значительную часть работы проделал бы ИИ автономно, на рынке еще нет. Однако некоторые такие продукты уже проходят клинические исследования и при удачном стечении обстоятельств довольно скоро могут появиться в обращении. Среди крупных компаний ближе всех к этому подошла японская Takeda: ее препарат засоцитиниб успешно прошел третью стадию клинических исследований, и компания готовит его к запуску в 2026 г. Стоит отметить, что изначально молекула была разработана сравнительно небольшой компанией Nimbus Therapeutics и позднее выкуплена корпорацией и внешнему наблюдателю довольно сложно достоверно судить о реальной роли ИИ в создании данного препарата. 

Более того, многие новости, связанные с ИИ, сейчас сознательно используются в маркетинговых целях, так что реальная роль технологии в разработке конкретных препаратов, может быть сильно преувеличена. Например, в середине марта многие издания растиражировали новость о том, что программист с помощью ИИ создал вакцину от рака для своей собаки. Однако при ближайшем рассмотрении ситуация оказалась иной. ИИ действительно помог обработать данные секвенирования ДНК, после чего была подготовлена мРНК-вакцина (то есть персонализированная терапия). Основную работу проделали вполне себе человеческие специалисты, а сама технология существовала и раньше. Таким образом, ИИ лишь незначительно помог ускорить процесс для конкретного «пациента», однако ни о каком прорыве речи не идет.

Как ИИ повлияет на структуру рынка

Во многих сферах технологии искусственного интеллекта ведут к децентрализации, однако фармацевтика здесь скорее исключение. Ситуация, когда небольшой стартап создает прорывной продукт и становится «грандом» рынка, здесь практически исключена. Скорее результаты работы таких проектов будут входить в сферу интересов крупных корпораций и последовательно скупаться, просто в силу необходимости наличия огромного количества других компетенций, связанных с жизненным циклом нового продукта на фармацевтическом рынке. В Китае уже появились компании-фабрики, которые буквально «штампуют» десятками молекулы-кандидаты, но, эффективность подобного подхода пока довольно дискуссионна, хотя Китай стремительно врывается в число крупнейших мировых разработчиков новых препаратов.

Существуют и другие направления, в которых ИИ может найти применение, однако здесь ситуация сложнее. Например, есть несколько проектов, занимающихся моделированием клинических исследований или хотя бы заменой опытов над животными ИИ моделями. Но и здесь возникают серьезные сложности. Первая заключается в том, что наука ещё не до конца понимает, как работает человеческий организм, а вычислительных мощностей для создания полной модели человека на данном этапе развития технологий попросту не хватит. Не так давно группа исследователей создала цифровую копию мозга дрозофилы (и то не полноценную). У человека в сотни тысяч раз больше нейронов, а главное — их работа до конца не исследована. Поэтому говорить о полноценной симуляции хотя бы для доклинических проверок пока очень рано. Существуют продукты, призванные облегчить технические вопросы организации и проведения клинических исследований, однако в том или ином виде они существовали задолго до появления современного ИИ, и пока каких-то революционных изменений тут тоже не произошло.

3D-модель нейронов в мозге дрозофилы. Источник: University of Cambridge/MRC LMB

Вторая сложность состоит в том, что ни один регулятор, скорее всего, не пойдет на подобный радикальный шаг даже для стадии доклинических исследований. Проблема не только в несовершенстве моделей, но и в том, что это крайне сложно будет обосновать с юридической точки зрения. Гипотетическая ситуация, при которой модель выдает ложный результат, станет катастрофой не только для разработчика, но и для регулятора.

Информационная эпоха

Парадоксально, но развитие искусственного интеллекта потенциально ограничено самим характером отрасли. Как известно, для обучения ИИ необходимы массивные объемы данных, и у большинства крупнейших фармацевтических компаний они есть, их накопление велось на протяжении нескольких десятилетий. Эта информация обладает огромной ценностью, особенно с точки зрения ИИ: сотни тысяч молекул-кандидатов, результаты внутренних испытаний, закрытые части протоколов клинических исследований. Всё это крайне чувствительные данные, которые никто из участников рынка в открытый доступ, разумеется, выкладывать не станет.

Тем не менее процесс объединения таких источников постепенно движется, хотя и не слишком быстро. За последние годы было запущено сразу несколько проектов, направленных на развитие узкоспециализированных генеративных систем в области фармацевтики. Одним из крупнейших стал MELLODDY (Machine Learning Ledger Orchestration for Drug Discovery), объединивший 10 крупных фармкомпаний, включая Bayer, Novartis и GSK. Его особенность в том, что для обучения использовались не конкретные данные каждой компании, а обезличенные «параметры обучения». Иными словами, это попытка избежать утечек конфиденциальной и коммерчески важной информации, при этом получив новый инструмент разработки.

Есть и отдельные внутренние проекты. Например, Lilly TuneLab, запущенный американской Eli Lilly. В его рамках партнеры компании получают доступ к мощному ИИ-инструменту, обученному на данных компании. Однако не стоит думать, что это альтруистичный проект: взамен компания получает доступ ко всем результатам работы партнеров. В начале 2026 г. компания также подписала соглашение со стартапом Алексея Жаворонкова Insilico Medicine о партнерстве в разработке новых лекарственных препаратов, общая стоимость сделки может составить 2,75 млрд долларов. Речь идёт о возможности использования инструмента Pharma AI данной компании для разработки новых ЛП, права на коммерциализацию которых получит Eli Lilly.

Наконец, существуют общедоступные научные и медицинские базы данных, такие как PubChem, ChEMBL, DrugBank, а также открытые данные по клиническим исследованиям. Они агрегируют огромные объемы информации, однако имеют ряд серьезных недостатков по сравнению с закрытыми данными. Главный — неполное представление «негативных» данных: на ресурсах, как правило, содержится только официально опубликованная и «очищенная» информация. Здесь критически мало данных о неуспешных кандидатах, «лишних» протоколах и т.п.