Стэнфорд создал Virtual Biotech из 37 тысяч ИИ-агентов для поиска лекарств

37 тысяч ИИ-агентов собрали в виртуальную биотехнологическую компанию — и поручили им искать лекарства

Вместо одного искусственного интеллекта Стэнфорд построил виртуальную исследовательскую организацию

Разработка лекарств страдает от хорошо известного противоречия. Биомедицинских данных становится всё больше, однако значительная часть кандидатов, дошедших до клинических исследований, всё равно терпит неудачу. По оценке авторов работы, примерно 90% препаратов, вступающих в первую фазу клинических исследований, не доходят до одобрения.

Одна из причин — не отсутствие информации, а её фрагментация. Генетические данные находятся в одной системе, результаты экспериментов на клетках — в другой, информация о безопасности — в третьей, результаты тысяч клинических исследований — в научных публикациях, реестрах и документах регуляторов. В реальной фармацевтической компании разные части этой информации анализируют разные специалисты и подразделения.

Команда Харрисона Чжана и Джеймса Зоу из Стэнфордского университета решила воспроизвести именно эту структуру.

Virtual Biotech возглавляет виртуальный главный научный сотрудник. Он получает исследовательский вопрос, уточняет задачу, распределяет её между специализированными агентами и затем объединяет результаты. В систему также встроен виртуальный научный рецензент, который оценивает методы и выводы и при необходимости отправляет задачу на дополнительный анализ.

Специализированные подразделения работают с поиском и проверкой лекарственных мишеней, безопасностью, выбором подходящего типа терапии и клиническими данными. В распоряжении агентов находятся инструменты и базы данных по статистической генетике, функциональной геномике, взаимодействиям белков, химической информатике, заболеваниям и клиническим исследованиям.

Поэтому цифра «37 тысяч агентов» несколько обманчива. Исследователи не создали 37 тысяч самостоятельных цифровых учёных с различными профессиями. Базовая архитектура значительно компактнее, а десятки тысяч экземпляров агентов были развернуты параллельно для масштабной обработки клинических данных.

55 984 исследования превратились в один массив данных

Самым масштабным экспериментом Virtual Biotech стал ретроспективный анализ 55 984 клинических исследований.

Для этой задачи было запущено более 37 тысяч агентов, которые извлекали и структурировали информацию о результатах исследований. Затем эти сведения сопоставили с генетическими и другими биологическими характеристиками мишеней препаратов.

Система обнаружила интересную закономерность.

Препараты, воздействующие на гены, активность которых более специфична для определённых типов клеток, были на 40% чаще связаны с переходом от первой ко второй фазе клинических исследований и на 48% чаще доходили до рынка. Для них также была выявлена связь с 32% меньшей частотой нежелательных явлений.

Это не означает, что клеточная специфичность сама по себе обеспечивает успех лекарства. Исследование ретроспективное: оно обнаруживает статистическую связь между характеристиками мишени и историческими результатами разработки препаратов, а не доказывает причинность.

Но биологическая логика у такой связи есть.

Если белок широко используется множеством типов клеток и выполняет разные функции в разных тканях, вмешательство в его работу потенциально затрагивает больше физиологических процессов. Мишень, преимущественно связанная с определённым типом клеток, теоретически позволяет воздействовать более избирательно.

Именно поэтому результат интересен не как очередной прогноз ИИ, а как возможный дополнительный критерий при выборе лекарственных мишеней ещё до начала дорогостоящей клинической программы.

B7-H3 стал проверкой: сможет ли система перейти от анализа прошлого к новой гипотезе

Затем исследователи поставили перед Virtual Biotech более сложную задачу: не просто найти закономерности в уже состоявшихся исследованиях, а предложить терапевтическую стратегию.

Для проверки выбрали B7-H3, также известный как CD276, — мембранный белок, который давно рассматривается как потенциальная мишень в онкологии.

Агенты объединили несколько типов данных: генетические сведения, данные секвенирования РНК отдельных клеток, пространственную информацию о расположении клеток в опухоли и клинические данные.

Особенно интересным оказался опухолевый микроокружение — клетки и структуры, окружающие непосредственно опухолевые клетки.

Анализ показал высокую экспрессию B7-H3 в определённых фибробластах около опухоли лёгкого. Фибробласты — клетки соединительной ткани, которые в опухоли могут становиться частью её микроокружения. Система обнаружила признаки того, что B7-H3-положительные фибробласты связаны с подавлением активности находящихся рядом иммунных клеток.

Virtual Biotech предложила использовать против B7-H3 конъюгат антитело–лекарство.

Такой препарат можно представить как систему адресной доставки. Антитело распознаёт определённую молекулярную мишень на клетке, а соединённый с ним цитотоксический компонент доставляет туда вещество, способное уничтожить клетку. Задача состоит в том, чтобы увеличить концентрацию активного вещества там, где оно необходимо, и ограничить воздействие на остальные ткани.

Самое интересное подтверждение появилось уже после анализа ИИ

При анализе B7-H3 исследователи специально ограничили Virtual Biotech информацией, доступной до января 2025 года. Это позволило посмотреть, способна ли система прийти к решению, не зная последующих событий.

Через несколько месяцев произошло важное совпадение.

В августе 2025 года FDA присвоило статус прорывной терапии ифинатамабу дерукстекану (ifinatamab deruxtecan) — экспериментальному конъюгату антитело–лекарство, направленному именно против B7-H3. Препарат был создан Дайити Санкё (Daiichi Sankyo) и разрабатывается совместно с Мерк (Merck).

Статус был предоставлен для лечения пациентов с распространённым мелкоклеточным раком лёгкого после прогрессирования на фоне или после платиносодержащей химиотерапии. В исследовании второй фазы IDeate-Lung01 подтверждённая частота объективного ответа при выбранной дозе составила 48,2%.

В апреле 2026 года FDA приняло заявку на препарат к приоритетному рассмотрению. Регуляторное решение ожидается 10 октября 2026 года.

Однако здесь важно не сделать следующий, слишком сильный вывод.

Virtual Biotech не изобрела ифинатамаб дерукстекан и не провела его экспериментальную разработку. Более того, сама B7-H3 уже была известной онкологической мишенью. Независимое совпадение показывает, что система смогла сформировать биологически и фармацевтически правдоподобную стратегию. Оно не доказывает, что ИИ способен самостоятельно создать готовое лекарство.

Третья задача оказалась не менее показательной: понять, почему лекарство не сработало

Авторы проверили Virtual Biotech ещё в одном сценарии, который для фармацевтической разработки может быть не менее важен, чем поиск новых молекул.

Система анализировала прекращённое исследование виксарелимаба (vixarelimab) при язвенном колите. Препарат воздействует на сигнальный путь, связанный с рецептором OSMRβ.

Агенты попытались восстановить возможную биологическую причину недостаточной эффективности и пришли к гипотезе о том, что блокируемый путь может иметь функционально перекрывающиеся альтернативные механизмы. Затем система предложила вариант отбора пациентов по биомаркерам, который потенциально мог бы точнее выделять группу, способную отвечать на подобное вмешательство.

Это принципиально другой тип применения искусственного интеллекта.

Большая часть разговоров об ИИ в фармацевтике сосредоточена на поиске новых молекул. Но огромная экономическая потеря отрасли возникает и тогда, когда клиническая программа завершается неудачей, а компания не понимает, была ли ошибочной сама биологическая гипотеза, выбранная молекула, доза или популяция пациентов.

Система, способная быстро сопоставить неудачное исследование с генетическими, клеточными и клиническими данными, потенциально может помочь отличать бесперспективную программу от программы, которой требуется другая стратегия.

37 тысяч агентов не устраняют главный барьер разработки лекарств

Самое существенное ограничение Virtual Biotech одновременно показывает границу нынешнего искусственного интеллекта в фармацевтике.

Система работает прежде всего с информацией.

Она может читать, структурировать и сопоставлять огромные объёмы данных, формировать гипотезы, находить противоречия и предлагать экспериментальные направления. Но между убедительной вычислительной гипотезой и лекарством остаётся физический мир.

Молекулу необходимо синтезировать. Её свойства — проверить экспериментально. Нужно установить токсичность, фармакокинетику, дозу и технологию производства. Затем следуют исследования на людях, где биология регулярно разрушает гипотезы, прекрасно выглядевшие в базах данных и лабораторных моделях.

Nature, комментируя работу, отдельно обращает внимание именно на это ограничение: Virtual Biotech ещё не прошла полноценную проверку реальным процессом создания препарата, а предложенные системой гипотезы сами по себе не были экспериментально подтверждены авторами.

Есть и второй открытый вопрос — экономика самой системы.

Количество агентов впечатляет, но число программных экземпляров не является эквивалентом числа человеческих исследователей. В опубликованных материалах гораздо интереснее было бы видеть не только скорость выполнения задач, но и полную стоимость вычислений, количество обращений к моделям, стоимость проверки результатов человеком и сравнение с более компактными архитектурами.

Без таких данных нельзя утверждать, что 37 тысяч агентов экономически эффективнее нескольких десятков или сотен специализированных агентов либо традиционного сочетания вычислительных методов и экспертной работы.

Ценность Virtual Biotech может оказаться не в автоматизации учёного, а в соединении наук

Фармацевтические исследования давно используют машинное обучение: для прогнозирования структуры белков, поиска молекул, анализа изображений, геномных данных и результатов клинических исследований.

Virtual Biotech предлагает несколько иной уровень организации.

Вместо специализированного алгоритма, решающего одну задачу, система пытается координировать разные типы анализа вокруг одного исследовательского вопроса. Генетическая информация должна быть сопоставлена с поведением отдельных клеток, данные о мишени — с безопасностью, механизм заболевания — с историей клинических исследований.

Именно на этих переходах между дисциплинами часто возникают самые трудные решения в разработке лекарств.

Поэтому потенциальная ценность подобных систем может заключаться не столько в том, что ИИ «заменит исследователя», сколько в возможности гораздо быстрее проверять гипотезу сразу на нескольких уровнях биологии.

Для фармацевтики меняется цена проверки гипотезы

Если подобные системы подтвердят эффективность на большем числе проектов, они могут изменить один из важнейших экономических параметров разработки лекарств — стоимость первоначальной проверки идеи.

Сегодня компания физически не может одинаково глубоко исследовать тысячи потенциальных мишеней. Ограничены время специалистов, вычислительные ресурсы и лабораторные мощности. Поэтому значительная часть решений принимается при неполной интеграции доступной информации.

Многоагентная система позволяет параллельно задавать значительно больше вопросов: что известно о мишени в человеческой генетике, где она экспрессируется, какие ткани могут пострадать при её блокировании, испытывались ли похожие механизмы раньше и почему они потерпели неудачу.

Для пациентов непосредственного изменения пока нет: Virtual Biotech не является медицинской технологией и не назначает лечение. Но если такие системы научатся раньше отсеивать слабые гипотезы и выявлять более перспективные, последствия возникнут значительно дальше по цепочке — меньше ресурсов будет уходить на программы с низкими шансами и больше кандидатов можно будет проверять до дорогостоящих исследований на людях.

Для исследователей возникает другой вопрос: насколько хорошо можно проверить вывод, сформированный тысячами взаимодействующих агентов. Масштаб имеет смысл только тогда, когда происхождение данных, последовательность рассуждений и промежуточные решения остаются доступными для человеческой проверки.

Именно поэтому авторы подчёркивают не полную автономность, а модель, в которой люди остаются внутри исследовательского процесса.