Lek wymyślony przez maszynę. Jak AI projektuje leki, które mogą trafić do aptek przed 2030

👁 184 przeczytań

Tradycyjne odkrywanie leku wygląda tak: naukowcy testują tysiące związków chemicznych, mając nadzieję, że kilka z nich zadziała. Trwa to dwanaście do piętnastu lat i kosztuje średnio 2,6 miliarda dolarów. Ponad 90 procent kandydatów odpada po drodze. To nie jest inżynieria - to loteria z kosztownymi biletami.

W 2026 roku ta loteria zaczyna się zmieniać w projektowanie. Sztuczna inteligencja nie odkrywa leków metodą prób i błędów - projektuje je od zera, atom po atomie, przewidując, jak cząsteczka zachowa się w ludzkim organizmie, zanim trafi do pierwszego laboratorium. I pierwsze wyniki kliniczne sugerują, że to naprawdę działa.

ISM001-055 - lek, który nie powinien istnieć tak szybko

Insilico Medicine, firma z siedzibą w Hongkongu, zaprojektowała przy pomocy AI związek o nazwie ISM001-055 - inhibitor kinazy TNIK przeznaczony do leczenia idiopatycznego włóknienia płuc, wyniszczającej choroby, na którą nie ma skutecznego lekarstwa. Od identyfikacji celu molekularnego do nominacji kandydata klinicznego upłynęło osiemnaście miesięcy. W tradycyjnym procesie - pięć do siedmiu lat.

W 2025 roku ISM001-055 przeszedł badania fazy IIa z pozytywnymi wynikami. To nie jest drobnostka. Faza IIa oznacza, że lek został podany prawdziwym pacjentom, wykazał skuteczność i nie zabił nikogo. Dla leku zaprojektowanego przez maszynę - to historyczny moment.

Ale Insilico nie jest jedyną firmą w tym wyścigu. Recursion Pharmaceuticals - po połączeniu z Exscientią - dysponuje platformą, która przeprowadza miliony eksperymentów tygodniowo, łącząc screening fenomiczny z automatyzowaną chemią precyzyjną. Firma oczekuje ponad dziesięciu odczytów klinicznych do końca 2026 roku. Jeśli choćby jeden z nich będzie przełomowy, cała branża zmieni się nieodwracalnie.

Jak AI projektuje leki?

Tradycyjny screening leków to przeszukiwanie gigantycznych bibliotek związków chemicznych - sprawdzanie, czy któryś z tysięcy kandydatów pasuje do celu molekularnego jak klucz do zamka. AI odwraca ten proces. Zamiast przeszukiwać bibliotekę, projektuje klucz od zera, znając kształt zamka.

Modele generatywne - podobne do tych, które generują obrazy i tekst - tworzą nowe cząsteczki chemiczne o pożądanych właściwościach. Uczenie ze wzmocnieniem iteracyjnie ulepsza projekty na podstawie feedbacku z symulacji. Modele predykcyjne przewidują, jak cząsteczka zachowa się w organizmie: czy zostanie wchłonięta, jak będzie metabolizowana, czy jest toksyczna, czy dotrze do celu.

Novartis - jeden z największych koncernów farmaceutycznych na świecie - korzysta z wewnętrznej bazy danych Data42, zawierającej ponad 30 lat badań klinicznych i przedklinicznych. AI analizuje tę bazę, żeby przewidzieć bezpieczeństwo kardiologiczne nowych kandydatów, zanim trafią do laboratorium. W jednym programie modele AI wykryły sygnały toksyczności sercowej w obiecujących cząsteczkach - oszczędzając lata testów i potencjalnie ludzkie życia.

Zespół Novartis opisuje też przypadek wielotorbielowatego zwyrodnienia nerek (ADPKD) - najczęstszej dziedzicznej choroby nerek. Używając symulacji AI, systematycznie włączali i wyłączali tysiące genów w cyfrowych modelach komórek chorobowych. Równolegle AI analizowało literaturę naukową, dane genetyczne i wyniki milionów eksperymentów jednokomórkowych. W niecały rok zidentyfikowali pięć obiecujących celów terapeutycznych. Bez AI - ta praca zajęłaby dekadę.

Przeciwciała zaprojektowane od zera

David Baker, laureat Nagrody Nobla z Uniwersytetu Waszyngtońskiego, opracował AI, które projektuje przeciwciała dla dowolnego celu na poziomie atomowym. Generate:Biomedicines poszło o krok dalej - ich przeciwciało zaprojektowane przy pomocy AI przeszło testy kliniczne na pacjentach z ciężką astmą. Jedna dawka co sześć miesięcy obniżyła poziom białka wywołującego ataki astmy bez znaczących efektów ubocznych.

Mike Nally, CEO Generate:Biomedicines, powiedział coś, co brzmi jak slogan marketingowy, ale jest precyzyjnym opisem zmiany: „Biologia generatywna przenosi odkrywanie leków z procesu opartego na szczęściu do procesu opartego na projektowaniu.” Firma uruchomiła badanie fazy III na 1600 pacjentach - jeśli wyniki będą pozytywne, to będzie pierwszy lek w pełni zaprojektowany przez AI, który trafi do aptek.

Test stresu

2026 rok jest nazywany „testem stresu” dla AI w odkrywaniu leków. Kilkanaście cząsteczek zaprojektowanych przez AI jest teraz w średnio- i późnozaawansowanych fazach badań klinicznych. Jeśli przejdą - branża farmaceutyczna przejdzie transformację porównywalną do sekwencjonowania genomu. Jeśli nie - sceptycy zyskają argument na dekadę.

Ale nawet sceptycy przyznają, że coś się zmieniło. AI nie jest już eksperymentalnym narzędziem w akademickim laboratorium. Jest wbudowane w procesy badawcze największych firm farmaceutycznych - Novartis, Roche, Pfizer, AstraZeneca. Rynek AI w biotechnologii ma przekroczyć 25 miliardów dolarów do połowy lat 30. A FDA już opublikowało wytyczne dotyczące modeli AI w procesie zatwierdzania leków.

Stawka jest wysoka. 2,6 miliarda dolarów i piętnaście lat na jeden lek - to koszt, który oznacza, że wiele chorób po prostu nie jest opłacalne do leczenia. Jeśli AI zredukuje ten czas i koszt nawet o połowę, leki staną się dostępne dla milionów ludzi, którzy dziś na nie czekają. To nie jest abstrakcja - to pacjenci z chorobami rzadkimi, dla których tradycyjny proces badawczy jest zbyt drogi, żeby ktokolwiek go sfinansował.

Pierwszy lek wymyślony przez maszynę może trafić do aptek przed 2030 rokiem. To zdanie brzmiało jak science fiction pięć lat temu. Dziś brzmi jak prognoza.

Rekrutacja pacjentów - ukryty przełom

Odkrywanie cząsteczek to tylko połowa bitwy. Drugą jest znalezienie odpowiednich pacjentów do badań klinicznych - i tu AI robi równie imponujące postępy, choć mniej medialne. Ponad 80 procent badań klinicznych nie dotrzymuje terminów rekrutacji, co kosztuje branżę miliardy dolarów opóźnień rocznie.

Platforma Dyania Health, wykorzystująca AI do przeszukiwania elektronicznych rekordów medycznych, identyfikuje kwalifikujących się pacjentów w minuty zamiast godzin. W Cleveland Clinic osiągnęła 170-krotne przyspieszenie procesu przy 96-procentowej dokładności. TrialMatchAI automatyzuje dopasowanie pacjentów do badań w onkologii, kardiologii i neurologii.

To ma realne konsekwencje ludzkie. Pacjent z rzadkim nowotworem, który kwalifikuje się do eksperymentalnej terapii - ale nikt o tym nie wie, bo jego dokumentacja leży pogrzebana w systemie szpitalnym - to nie abstrakcja. To człowiek, który mógłby żyć dłużej, gdyby algorytm przeczytał jego kartę. AI nie tylko przyspiesza badania - ratuje konkretne życia, łącząc chorych z terapiami, o których istnieniu nie wiedzą.

FDA i regulatorzy

Regulatorzy nadążają - wolno, ale nadążają. FDA opublikowało w styczniu 2025 wytyczne dotyczące oceny wiarygodności modeli AI używanych w procesie zatwierdzania leków. Kluczowe wymaganie: wyjaśnialność. Regulatorzy nie akceptują „czarnych skrzynek” - chcą zrozumieć, dlaczego model podjął daną decyzję. To spowalnia wdrażanie, ale chroni pacjentów.

UE pracuje nad analogicznymi regulacjami w ramach AI Act. Branża jest podzielona: jedni uważają, że regulacje hamują innowację, drudzy - że budują zaufanie niezbędne do masowej adopcji. Prawda jest taka, że AI w medycynie bez zaufania regulacyjnego jest bezwartościowa - żaden lekarz nie przepisze leku zatwierdzonego przez algorytm, którego nikt nie rozumie.

Czego nie wiemy

Istnieją fundamentalne niewiadome. Cząsteczki zaprojektowane przez AI są nowe - organizmowi nieznane. Mogą wywołać reakcje immunologiczne, których żaden model nie przewidział. Modele generatywne produkują związki, które wyglądają obiecująco na papierze, ale mogą okazać się niesyntetyzowalnable, niestabilne lub toksyczne w sposób, którego symulacja nie wykryła.

Branża zdaje sobie z tego sprawę. Dlatego 2026 rok jest tak krytyczny: kilkanaście cząsteczek AI jest teraz testowanych na prawdziwych pacjentach. Każdy pozytywny wynik buduje dowody. Każda porażka daje naukę. A suma tych wyników zadecyduje o tym, czy AI w odkrywaniu leków to rewolucja - czy tylko bardzo drogi eksperyment z dobrym PR-em.

Chai Discovery i nowa precyzja

Startup Chai Discovery ogłosił, że cząsteczki wygenerowane przez ich model AI osiągają wskaźniki sukcesu eksperymentalnego „daleko powyżej historycznych średnich”. To ważne, bo historyczne średnie są przygnębiające: tradycyjny discovery ma ponad 90-procentowy wskaźnik porażek. Jeśli AI potrafi podnieść go nawet do 70-80 procent - ekonomia odkrywania leków zmienia się fundamentalnie.

Kluczowa zmiana to przejście od biologii odkrywczej do biologii inżynierskiej. Tradycyjnie odkrywanie leków było procesem opartym na szczęściu i intuicji - testuj tysiące związków, módl się, żeby jeden zadziałał. AI zamienia to w proces projektowy: zdefiniuj cel, zaprojektuj cząsteczkę, przetestuj symulacją, zoptymalizuj, syntetyzuj. To nie jest szybsze odkrywanie - to fundamentalnie inny sposób tworzenia leków.

Laureat Nobla David Baker ujął to precyzyjnie: „Budowanie użytecznych przeciwciał na komputerze było świętym Graalem nauki. Ten cel przesuwa się z niemożliwego do rutynowego.” Kiedy Nobel mówi o rutynie w kontekście czegoś, co było niemożliwe pięć lat temu - warto słuchać.

Co to oznacza dla pacjentów?

Dla przeciętnego pacjenta rewolucja AI w farmacji oznacza jedno: leki, które dziś nie istnieją, mogą pojawić się szybciej i taniej. Choroby rzadkie - te, na które firmy farmaceutyczne nie chcą inwestować, bo rynek jest za mały - nagle stają się opłacalne, bo koszt badań spada o rząd wielkości. Spersonalizowana medycyna - lek zaprojektowany pod konkretny profil genetyczny pacjenta - przestaje być fantazją i staje się kwestią czasu.

2026 rok nie przyniesie cudownego leku zaprojektowanego przez AI na półkach aptek. Ale przyniesie dowody - twarde, kliniczne, recenzowane - że maszyny potrafią projektować cząsteczki, które leczą ludzi. I to wystarczy, żeby zmienić wszystko.

// czytaj dalejAI w projektowaniu produktów skraca drogę od szkicu do prototypu. Ryzyko to zalew przeciętnościPremiumArmia USA szykuje się na cyberataki z prędkością maszyn. Do stołu zaproszono Big TechPremium10 rzeczy, które AI zrobi za Ciebie już dziśPodstawy