ИИ в разработке лекарств: 58 сделок и главный барьер фарминдустрии

Фарма вкладывает миллиарды в ИИ. Но главный барьер разработки лекарств оказался не там, где его искали

58 соглашений — это уже не серия экспериментов, а смена модели исследований

Фармацевтическая отрасль входит в новый этап применения искусственного интеллекта. С начала 2025 года по 21 сентября 2026-го было заключено 58 крупных соглашений, связанных с ИИ, причем речь идет уже не только о сотрудничестве фармкомпаний с небольшими разработчиками алгоритмов.

В эту систему одновременно входят NVIDIA, Microsoft, Google Cloud, Amazon Web Services и Anthropic; крупные фармкомпании Pfizer, Novartis, AstraZeneca, Eli Lilly, GSK, Roche, Bristol Myers Squibb, Novo Nordisk и AbbVie; специализированные технологические компании вроде Insilico Medicine, Genesis Therapeutics, Chai Discovery, Owkin, Iambic и Schrödinger.

Последнее на момент составления перечня соглашение было объявлено 21 сентября 2026 года: AbbVie и Iambic договорились использовать ИИ-платформу Iambic для поиска малых молекул в иммунологии, неврологии и онкологии. Финансовые условия многолетнего сотрудничества не раскрываются.

Но важнее количества соглашений их разнообразие. ИИ постепенно проникает почти во всю исследовательскую цепочку: выбор биологической мишени, конструирование молекулы, прогнозирование ее свойств, лабораторный эксперимент, обработку медицинских данных и организацию работы исследователей.

Это означает, что отрасль начинает рассматривать ИИ не как отдельный программный инструмент, а как новый слой инфраструктуры разработки лекарств.

Алгоритм может перебрать химическое пространство, которое невозможно перебрать человеку

Одна из наиболее зрелых областей применения ИИ — поиск и оптимизация лекарственных молекул.

Классическая медицинская химия тоже использует компьютерное моделирование, но создание препарата по-прежнему требует многократного цикла: придумать соединение, синтезировать его, проверить свойства, изменить структуру и повторить эксперимент. Возможное химическое пространство настолько велико, что физически изготовить и испытать сколько-нибудь значительную его часть невозможно.

Модели машинного обучения позволяют проводить первый отбор виртуально. Они могут оценивать трехмерную структуру белка, предлагать молекулы, способные с ним взаимодействовать, и одновременно прогнозировать десятки характеристик — например, растворимость, стабильность, способность проникать в нужные ткани и вероятность нежелательного взаимодействия с другими белками.

Именно эту задачу решают, среди прочих, GEMS компании Genesis Therapeutics, Joint Atomic Model компании Nabla Bio и Pharma.AI компании Insilico Medicine.

Здесь и находится одно из реальных преимуществ ИИ: он позволяет не просто быстрее перебирать молекулы, а одновременно оптимизировать множество параметров, которые раньше приходилось последовательно улучшать в ходе многочисленных циклов синтеза и экспериментов.

Но это все еще в основном оптимизация молекулы. Она не гарантирует, что сама биологическая гипотеза, лежащая в основе лекарства, правильна.

Eli Lilly и NVIDIA пытаются замкнуть компьютер и лабораторию в один цикл

Следующий этап значительно интереснее обычного компьютерного поиска. Алгоритм начинает взаимодействовать непосредственно с физической лабораторией.

В январе 2026 года Eli Lilly и NVIDIA объявили о создании совместной лаборатории в районе Сан-Франциско. Компании намерены инвестировать в нее до $1 млрд в течение пяти лет.

Идея заключается в создании непрерывного экспериментального цикла. Модель предлагает молекулу или эксперимент, автоматизированное оборудование выполняет его, полученные данные возвращаются модели, а она использует результат для следующего решения.

В традиционной лаборатории между этими этапами находятся люди, ручные операции и организационные задержки. В замкнутой системе часть цикла «гипотеза — эксперимент — данные — новая гипотеза» можно автоматизировать.

Это важный сдвиг. Если такой подход окажется эффективным, преимуществом фармкомпании станет не просто наличие хорошей ИИ-модели, а скорость, с которой она способна получать новые экспериментальные данные и учиться на них.

Поэтому в отрасль одновременно входят производители вычислительных систем и лабораторного оборудования. NVIDIA сотрудничает с Thermo Fisher Scientific по интеграции ИИ и ускоренных вычислений в исследовательское оборудование.

Возникает инфраструктура, в которой граница между программным обеспечением, вычислительным центром и лабораторией постепенно размывается.

Главным активом становятся данные, которых нельзя скачать из интернета

Особенно активно эту модель развивает Eli Lilly. Компания участвует во множестве ИИ-партнерств, создала собственную вычислительную инфраструктуру и открывает часть своих возможностей внешним биотехнологическим компаниям через Lilly TuneLab.

Здесь проявляется еще один фундаментальный сдвиг.

Большие универсальные модели стали возможны благодаря огромным массивам цифровой информации. В фармацевтике наиболее ценные данные устроены иначе. Это результаты экспериментов, характеристики молекул, отрицательные результаты исследований, фармакологические измерения, биологические образцы и накопленные за десятилетия внутренние данные компаний.

Значительная их часть никогда не публиковалась.

Поэтому конкурентным преимуществом большой фармацевтической компании может оказаться не столько доступ к самой мощной модели — модели со временем становятся доступнее, — сколько возможность обучать ее на собственных высококачественных экспериментальных данных.

Опрос ZS среди 115 руководителей, отвечающих за технологии в фармацевтических и биотехнологических компаниях, хорошо показывает обратную сторону этой проблемы. 68% назвали недостаточное внимание к качеству данных и управлению ими одной из главных причин провала ИИ-проектов. Среди других крупных препятствий — неясные цели и отсутствие ответственности бизнеса за внедрение технологии.

Иными словами, купить вычислительные мощности проще, чем превратить десятилетия разрозненных исследований в данные, пригодные для обучения и принятия решений.

Миллиардные суммы в соглашениях нельзя складывать как реальные инвестиции

Финансовые масштабы происходящего требуют важной оговорки.

Многие соглашения в разработке лекарств объявляются с формулировкой «до нескольких миллиардов долларов». Это не означает, что партнер получает такую сумму при подписании контракта.

Например, договор может включать сравнительно небольшой авансовый платеж, а основная сумма приходится на будущие выплаты за достижение научных, клинических, регуляторных и коммерческих результатов. Если программа прекращается на ранней стадии, большая часть объявленной стоимости никогда не выплачивается.

Поэтому совокупную потенциальную стоимость ИИ-соглашений нельзя интерпретировать как объем денег, уже инвестированных в искусственный интеллект.

Тем более нельзя считать все крупные сделки в этой области прямой покупкой ИИ-технологий. Например, Novartis в 2025 году договорилась приобрести Avidity Biosciences примерно за $12 млрд, однако главным активом приобретения была не ИИ-платформа, а технология конъюгатов антител с олигонуклеотидами и поздние программы для генетических нервно-мышечных заболеваний.

Это важное различие: нынешняя перестройка фармацевтических исследований шире собственно рынка программного обеспечения.

Самая интересная статистика начинается после того, как молекула попадает человеку

Проверка реальной ценности ИИ начинается не с количества соглашений, а с клинических испытаний.

Опубликованный в Drug Discovery Today анализ препаратов, созданных компаниями, специализирующимися на ИИ, обнаружил необычную картину. Такие молекулы проходили I фазу клинических исследований примерно в 80–90% случаев. Для исторических выборок препаратов, созданных традиционными методами, приводится диапазон около 40–65%.

Разница выглядит впечатляюще, но ее нужно правильно интерпретировать.

I фаза в значительной степени отвечает на вопросы о том, как молекула ведет себя в человеческом организме: приемлема ли ее безопасность, как она всасывается, распределяется и выводится, какие дозы можно использовать. Многие из этих характеристик действительно связаны с молекулярными свойствами, которые современные модели умеют оптимизировать.

Затем начинается II фаза — и преимущество резко сокращается.

В имеющейся выборке около 40% ИИ-препаратов успешно прошли II фазу. Это примерно соответствует историческим показателям традиционной разработки. Авторы анализа специально предупреждали, что выборка пока невелика.

ИИ научился лучше проектировать лекарство, но болезнь остается сложнее модели

Предположим, алгоритм создал соединение, которое прекрасно связывается с выбранным белком, хорошо всасывается, достигает нужной ткани и не вызывает неприемлемой токсичности.

Все это бесполезно, если воздействие на этот белок не изменяет течение заболевания.

Именно во II фазе клинических исследований впервые становится особенно важен этот вопрос: помогает ли вмешательство реальным пациентам.

Человеческие заболевания возникают внутри сложных биологических систем. Один и тот же молекулярный механизм может иметь разное значение на разных стадиях болезни, отличаться между пациентами или компенсироваться другими биологическими путями.

Поэтому ИИ способен оптимизировать молекулу значительно быстрее, чем медицина способна установить причинную архитектуру заболевания.

Это, вероятно, и есть главный барьер нынешнего поколения ИИ-разработки лекарств.

Расчеты, основанные на ранних клинических данных, предполагают, что общая вероятность успешного прохождения разработки действительно может увеличиться примерно вдвое — ориентировочно с 5–10% до 9–18%. Но эти оценки пока основаны на небольшом числе программ и требуют подтверждения на гораздо более крупной выборке.

Даже двукратное улучшение при этом было бы огромным достижением для отрасли, где подавляющее большинство экспериментальных препаратов никогда не достигает рынка. Оно просто значительно скромнее представления о том, что алгоритм способен устранить большую часть риска разработки лекарства.

Rentosertib впервые переносит главный вопрос в III фазу

Самым показательным экспериментом для всей отрасли сейчас становится рентосертиб (rentosertib) компании Insilico Medicine.

Это экспериментальный пероральный препарат для лечения идиопатического легочного фиброза — прогрессирующего заболевания, при котором легочная ткань постепенно замещается рубцовой, из-за чего легкие все хуже обеспечивают организм кислородом.

ИИ использовался здесь не только для оптимизации химической структуры. Платформа Insilico участвовала в выборе новой терапевтической мишени TNIK и создании молекулы, которая ее ингибирует.

В исследовании IIa фазы препарат показал приемлемый профиль безопасности, а в группе, получавшей 60 мг один раз в сутки, средняя форсированная жизненная емкость легких за 12 недель увеличилась на 98,4 мл. Это интересный клинический сигнал, но короткое исследование IIa фазы не позволяет установить, насколько устойчивым будет эффект и как он повлияет на течение заболевания в долгосрочной перспективе.

7 июля 2026 года Insilico объявила о начале программы III фазы, а 10 сентября первый пациент получил препарат в исследовании GENESIS-IPF-3.

Исследование рассчитано на 52 недели, проводится как рандомизированное, двойное слепое и плацебо-контролируемое. Именно такие крупные исследования должны показать, сохраняется ли преимущество препарата на клинически значимом временном интервале.

Поэтому значение рентосертиба выходит далеко за пределы одной компании. Это один из первых серьезных тестов того, способна ли цепочка «ИИ выбрал мишень — ИИ помог создать молекулу» выдержать позднюю клиническую проверку.

Реальная экономия появится только тогда, когда ИИ пройдет «клиническую стену»

Для пациентов практически ничего не меняется от того, что компьютер способен создать перспективную молекулу за месяцы вместо нескольких лет, если эта молекула затем терпит неудачу в клинических испытаниях.

Но если ИИ позволит регулярно отбрасывать слабые кандидаты до начала дорогих исследований на людях, последствия будут значительными.

Фармкомпании смогут одновременно проверять больше биологических гипотез при сопоставимом исследовательском бюджете. Более быстрый цикл разработки особенно важен для редких заболеваний и небольших групп пациентов, где экономика традиционного поиска лекарств часто неблагоприятна.

Для исследователей меняется сама организация работы. Часть рутинного проектирования, поиска информации, анализа экспериментальных результатов и оптимизации молекул постепенно переходит к моделям, а роль человека смещается в сторону постановки биологических вопросов, проверки гипотез и интерпретации результатов.

Но отрасль пока находится значительно ближе к началу этого перехода, чем может показаться по суммам соглашений.

Deloitte в прогнозе на 2026 год сообщала, что только 22% опрошенных руководителей компаний медико-биологической отрасли успешно масштабировали ИИ, а значительную отдачу от него получили лишь 9%.

Получается характерный разрыв: инвестиции уже стали массовыми, а доказанная экономическая эффективность — еще нет.

Следующая конкуренция будет идти не только между моделями

Первые годы фармацевтической ИИ-гонки были сосредоточены вокруг вопроса: у кого лучше алгоритм?

Теперь вопрос становится сложнее.

Для создания устойчивого преимущества компании нужны одновременно качественные собственные данные, вычислительная инфраструктура, автоматизированные лаборатории, биологическая экспертиза и возможность быстро проверять результаты в реальных экспериментах.

Именно поэтому рядом с фармкомпаниями оказываются NVIDIA, Google Cloud, Amazon Web Services, Microsoft, Anthropic и производители научного оборудования.

Если модели постепенно станут товарной технологией, которую можно купить или лицензировать, наиболее дефицитным ресурсом могут стать не алгоритмы, а качественные биологические данные и способность быстро производить новые экспериментальные данные.

А еще дальше остается самый дорогой ресурс — клиническое доказательство того, что препарат действительно помогает людям.