Dlaczego tempo odkryć leków zwalnia i gdzie wchodzi AI

Od dekad branża farmaceutyczna zmaga się z tzw. prawem Erooma – odwrotnością prawa Moore’a – opisującym spadek produktywności badań i rozwoju. Koszt wprowadzenia nowego leku na rynek rośnie, a prawdopodobieństwo sukcesu od in vitro do rejestracji pozostaje niskie. Przyczyny to m.in. złożoność biologii, rosnące wymagania regulacyjne, fragmentacja danych oraz ograniczenia tradycyjnych metod przesiewu i chemii medycznej.

AI w odkrywaniu leków odpowiada na te bariery, oferując:

• Predykcję właściwości i aktywności cząsteczek bez kosztownych eksperymentów;
• Generowanie nowych struktur chemicznych (de novo) zgodnie z ograniczeniami projektowymi;
• Integrację wielkoskalowych danych (genomika, proteomika, fenotypy, RWD);
• Optymalizację decyzji na etapie design-make-test-analyze oraz badań klinicznych.

W efekcie AI może skrócić czas wybranych etapów z miesięcy do tygodni, redukując liczbę iteracji i kosztów eksperymentalnych. Kluczowe pytanie brzmi jednak: na jaką skalę i z jaką powtarzalnością to już działa?

Jak AI przyspiesza kolejne etapy odkrywania leków

1) Target discovery i priorytetyzacja hipotez

• Modelowanie sieci biologicznych i knowledge graphs łączą publikacje, dane omiczne i fenotypowe, by wskazać wiarygodne cele terapeutyczne.
• Large Language Models (LLM) wspierają przeszukiwanie literatury i generowanie hipotez, skracając fazę due diligence.
• Uczenie nadzorowane i wielozadaniowe oceniają związek gen-choroba, przewidując wpływ modulacji celu na fenotyp.

2) Identyfikacja trafień i projektowanie hitów (hit finding)

• QSAR/ML i dokowanie molekularne (często wspomagane przez sieci głębokie, np. Gnina) zawężają pulę kandydatów do testów.
• Generative AI (VAEs, GANy, modele autoregresyjne, diffusion) tworzą nowe cząsteczki zgodne z wytycznymi projektowymi (aktywność, selektywność, syntezowalność).
• Active learning iteracyjnie wybiera najbardziej informacyjne eksperymenty, podnosząc efektywność przeglądu chemicznego.

3) Retrosynteza i planowanie syntezy

• Modele sekwencyjne i grafowe (retrosynteza AI) proponują ścieżki syntezy z uwzględnieniem dostępności reagentów i kosztów.
• Połączenie z robotyką laboratoryjną i ELN/LIMS przyspiesza cykl design-make-test.

4) Optymalizacja właściwości i bezpieczeństwa (ADMET)

• Multi-task learning przewiduje lipofilowość, rozpuszczalność, stabilność metaboliczną, przenikalność BBB i toksyczność.
• Uczenie z niepełnymi danymi i transfer learning pozwalają korzystać z heterogenicznych zbiorów.

5) Projektowanie oparte na strukturze białek

• AlphaFold i pokrewne modele (np. OpenFold) dostarczają przewidywanych struktur białek, co wspiera structure-based drug design i dokowanie.
• Modelowanie interakcji białko-ligand i symulacje (MD) integrują AI i fizykę w ocenie wiązania.

6) Badania kliniczne i medycyna real‑world

• AI w doborze ośrodków i rekrutacji pacjentów (EHR, dane sprzętów wearables) skraca czas uruchomienia badania.
• Modele ryzyka przewidują zdarzenia niepożądane i wspierają adaptacyjne protokoły.
• Analiza RWD/RWE pomaga projektować ramiona kontrolne i identyfikować biomarkery odpowiedzi.

Przegląd technik AI i wpływu na pipeline

Case studies: co już działa, a co jeszcze raczkuje

• AlphaFold (DeepMind) – przełom w przewidywaniu struktur białek. Publiczna baza przewidywanych struktur przyspieszyła prace nad celami trudnymi strukturalnie. Uwaga: przewidywana struktura nie zawsze wystarcza do wysokiej jakości SBDD; potrzebne są walidacje i dynamika.
• Exscientia – jeden z pierwszych programów „AI‑designed” trafił do badań klinicznych (we współpracy z partnerem farmaceutycznym). Część wczesnych projektów została przerwana, ale firma kontynuuje portfolio w onkologii i immunologii, pokazując dojrzałość procesu design-make-test-analyze wspieranego AI.
• Insilico Medicine – kandydat na lek przeciw włóknieniu płuc (ISM001‑055) przeszedł do kolejnych faz klinicznych. To przykład generative AI przechodzącej z teorii do praktyki, choć pełna skuteczność i bezpieczeństwo wciąż są oceniane w badaniach.
• Recursion – fenotypowe screeny obrazowe w skali przemysłowej, z modelem AI wyłapującym wzorce niewidoczne dla człowieka. Integracja danych laboratoryjnych i obliczeń zmniejsza liczbę iteracji eksperymentalnych.
• BenevolentAI – graf wiedzy i LLM wspierające generowanie hipotez; przykład jak łączyć literaturę, patenty, dane kliniczne i omiczne w jednolity ekosystem.

Wniosek: AI realnie skraca i upraszcza wczesne etapy, rosną też pierwsze sukcesy kliniczne. Jednak wskaźnik sukcesu w późnych fazach nadal zależy od biologii choroby, projektowania badań i jakości danych klinicznych.

Mierzalne korzyści i wskaźniki sukcesu (KPI)

• Skrócenie czasu hit‑to‑lead: z 6-12 miesięcy do 2-6 miesięcy w programach z dobrą infrastrukturą danych i robotyką.
• Redukcja kosztów przesiewu: 50-90% mniej związków kierowanych do testów mokrych dzięki selekcji in silico.
• Lepsze profile ADMET: niższy odsetek porażek toksykologicznych w późnych etapach dzięki filtracji predykcyjnej.
• Sprawniejsza rekrutacja: krótszy czas włączenia ośrodków i pacjentów dzięki AI wspierającej dopasowanie kryteriów i lokalizacji.

W praktyce najbardziej namacalne przyspieszenia dotyczą wczesnych faz (ideacja, projektowanie, wstępne testy), podczas gdy fazy kliniczne nadal pozostają długie z przyczyn regulacyjnych, logistycznych i biologicznych.

Ograniczenia, ryzyka i regulacje

• Jakość i harmonizacja danych: etykiety niespójne między laboratoriami, zmienne protokoły, niewystarczająca reprezentacja klas chemicznych.
• Bias i uogólnianie: modele uczone na wąskim „chemspace” mogą przeszacowywać skuteczność na nowych klasach.
• Wyjaśnialność i walidacja: regulatorzy oczekują ścieżki audytu, dokumentacji i kontroli zmian modeli (GxP, GMLP/FDA, wytyczne EMA).
• Kwestie IP i zgodności: wykorzystanie danych zewnętrznych (patenty, EHR) wymaga licencji i zgodności z RODO/HIPAA.
• Przeszarżowane oczekiwania: AI nie zastąpi eksperymentu; najlepsze wyniki daje human‑in‑the‑loop i iteracje z rzeczywistymi danymi.

Najlepsze praktyki wdrożenia AI w R&D farmacji

1. Postaw na dane: zbuduj warstwę integracji (ELN/LIMS, DWH, lakehouse), standaryzuj metadane, wersjonuj wyniki (DataOps).
2. Wybierz priorytetowe przypadki użycia: np. optymalizacja ADMET w istniejących seriach lub retrosynteza dla kosztownych fragmentów.
3. Human‑in‑the‑loop: projektanci i biolodzy powinni współdecydować o kryteriach generowania i selekcji kandydatów.
4. MLOps i walidacja: MLflow/Weights&Biases, testy odtwarzalności, karty modelu (model cards), monitorowanie driftu.
5. Bezpieczeństwo i compliance: kontrola dostępu, szyfrowanie, rejestrowanie działań, przeglądy zgodności z GxP.
6. Szkolenia zespołów: podnieś kompetencje chemików i biologów w interpretacji wyników AI (interpretowalność, niepewność predykcji).
7. Partnerstwa: łącz kompetencje wewnętrzne z platformami komercyjnymi i konsorcjami open science.

Narzędzia i technologie: open source i komercyjne

FAQ: najczęściej zadawane pytania

Czy AI zastąpi chemików i biologów?

Nie. AI to narzędzie wspierające, które przyspiesza generowanie i ocenę hipotez. Kluczowe decyzje projektowe, interpretacja wyników i kreatywność naukowa pozostają po stronie ekspertów.

Jakie dane są najważniejsze dla skuteczności modeli?

Spójne, dobrze opisane dane eksperymentalne (krzywe dawka-odpowiedź, ADMET), informacje o warunkach testów, a także metadane (protokół, data, aparatura). Jakość przewyższa ilość.

Na którym etapie AI daje największy zwrot?

Najczęściej w wczesnych etapach (hit finding, de novo design, retrosynteza, ADMET), gdzie pętle iteracyjne są szybkie i tanie. W klinice AI pomaga głównie w rekrutacji i operacjach.

Jak mierzyć sukces wdrożenia AI?

Ustal KPI: czas cyklu design-make-test, liczba syntez/iterację, odsetek „rule‑out” in silico, poprawa właściwości ADMET, czas rekrutacji pacjentów, oszczędności CAPEX/OPEX.

Podsumowanie i wnioski

Czy sztuczna inteligencja przyspieszy odkrycia leków? Już przyspiesza – zwłaszcza w projektowaniu cząsteczek, przewidywaniu właściwości i wczesnej selekcji kandydatów. Generative AI, AlphaFold i modele wielozadaniowe zmieniają reguły gry, obniżając koszt eksperymentu i zwiększając trafność decyzji. Jednocześnie AI nie jest „czarodziejską różdżką”: ograniczenia danych, konieczność walidacji i wymagania regulacyjne oznaczają, że pełny efekt przyspieszenia w klinice będzie stopniowy.

Najlepsze wyniki notują zespoły, które łączą solidną infrastrukturę danych, MLOps, robotykę laboratoryjną i human‑in‑the‑loop. Jeśli dopiero zaczynasz, wybierz jeden dobrze zdefiniowany przypadek użycia (np. ADMET lub retrosynteza), zapewnij wysoką jakość danych i iteruj – szybko, ale odpowiedzialnie.

Branża wchodzi w erę data‑driven drug discovery. Firmy, które nauczą się współpracować z AI, będą szybciej docierać do obiecujących kandydatów – a w efekcie zwiększą szanse na dostarczenie pacjentom skutecznych i bezpiecznych terapii.