Как ИИ-платформы ускоряют поиск лекарств и где заканчиваются их возможности

ИИ учится проектировать лекарства быстрее — но главный барьер разработки по-прежнему находится в биологии

«Лиганд Про» пытается объединить разрозненный цифровой рабочий стол химика

На раннем этапе разработки лекарства исследовательская группа решает задачу, которая внешне напоминает поиск иглы в огромном химическом пространстве. Возможных молекулярных структур неизмеримо больше, чем реально можно синтезировать и испытать. Поэтому химикам приходится постоянно выбирать: какую структуру изменить, какое соединение изготовить следующим и какой эксперимент способен дать максимум информации.

«Лиганд Про» предлагает перенести значительную часть этой работы в единую цифровую среду. Представленная 30 сентября 2026 года платформа объединяет генерацию и оптимизацию молекул, молекулярный докинг, прогноз физико-химических характеристик, поиск нежелательных структурных особенностей, оценку синтетической доступности и анализ патентного окружения.

Докинг — это компьютерная попытка предсказать, как небольшая молекула расположится в участке белка-мишени и насколько правдоподобным окажется такое взаимодействие. Сам по себе хороший результат докинга еще не делает соединение лекарством, но помогает отсечь часть малоперспективных вариантов до синтеза.

Важна здесь не только совокупность отдельных алгоритмов. Платформа связывает белковые мишени, молекулы, результаты расчетов и исходные гипотезы. Иными словами, сохраняется не только ответ вычислительной модели, но и логика, по которой исследователь пришел к следующему варианту структуры.

Для медицинской химии это существенная деталь. Разработка молекулы — итерационный процесс: структура создается, рассчитывается, синтезируется, испытывается, после чего новые данные меняют следующую гипотезу. Если информация распределена между несколькими программами, файлами и участниками команды, часть этого контекста неизбежно теряется.

Главная ценность ИИ — не «изобрести таблетку», а сократить число дорогих неудачных экспериментов

Популярное представление об искусственном интеллекте в фармацевтике часто строится вокруг генеративной модели, которая будто бы способна сама придумать новую молекулу. Реальная задача значительно сложнее.

Лекарственный кандидат должен удовлетворять сразу множеству, иногда противоречащих друг другу требований. Он должен достаточно сильно взаимодействовать с нужной биологической мишенью, но не с рядом других белков. Он должен растворяться, проникать в необходимые ткани, сохраняться в организме достаточное время, не образовывать опасных метаболитов и при этом оставаться химически синтезируемым.

Поэтому ценность современных вычислительных платформ заключается прежде всего в многопараметрической оптимизации. Алгоритм способен обработать значительно больше вариантов, чем человек, и предложить химикам небольшую группу соединений, соответствующих заданному набору критериев.

Экономический смысл очевиден. Компьютерное предсказание сравнительно дешево; синтез соединения, лабораторный эксперимент и особенно исследования на животных стоят дороже и требуют времени. Если из тысячи теоретически возможных вариантов удается синтезировать не сто, а, например, двадцать наиболее обоснованных, цикл проектирования может заметно ускориться.

Именно поэтому корректнее говорить не о том, что ИИ «создает лекарство быстрее», а о сокращении пространства поиска.

Мировой рынок уже движется от отдельных алгоритмов к цифровым средам проектирования

В этом смысле российская разработка развивается в русле международной тенденции.

Schrödinger, один из наиболее известных поставщиков вычислительных решений для фармацевтических исследований, развивает LiveDesign как централизованную среду, где экспериментальные данные объединяются с расчетными прогнозами и моделями машинного обучения. Логика почти та же: исследователь должен не запускать десяток независимых программ, а проводить последовательные циклы «спроектировать — предсказать — проверить — скорректировать».

Еще дальше идет формирующаяся модель компаний, для которых вычислительная система становится ядром всего процесса поиска лекарств. Isomorphic Labs, Insilico Medicine и другие участники направления пытаются соединять структурную биологию, генеративный ИИ, прогноз свойств и экспериментальную проверку в один замкнутый цикл.

Это важный сдвиг. Конкуренция постепенно перемещается с вопроса «у кого лучше одна модель» к вопросу «у кого лучше устроена вся система принятия решений».

Поэтому преимущество «Лиганд Про» предстоит оценивать не только по скорости отдельного алгоритма. Значение будут иметь точность прогнозов на реальных проектах, способность интегрировать экспериментальные данные, удобство для медицинских химиков, воспроизводимость расчетов и, главное, количество решений, которые платформа помогает принять лучше, чем существующий рабочий процесс.

Быстрый виртуальный отбор не отменяет медленную биологию

Здесь проходит принципиальная граница возможностей технологии.

После того как вычислительная система выбрала перспективную молекулу, ее необходимо синтезировать и проверить экспериментально. Затем следуют исследования активности в клетках, оценка токсичности, фармакокинетики, исследования на животных и, если результаты позволяют, клиническая разработка.

Каждый следующий уровень добавляет биологическую сложность, которую невозможно полностью восстановить из структуры молекулы.

Соединение может прекрасно связываться с очищенным белком и почти не работать в клетке. Оно может действовать в клеточной культуре, но быстро разрушаться в организме. Успешный результат на животной модели не гарантирует эффекта у человека. Наконец, правильная мишень и хорошо спроектированная молекула могут оказаться недостаточными, если механизм заболевания у пациентов отличается от принятой экспериментальной модели.

Именно это ограничение подчеркивает опубликованный в 2026 году анализ в Nature Reviews Drug Discovery. Авторы отмечают: несмотря на быстрый рост количества моделей и вычислительных методов, доказательств того, что ИИ уже системно приводит к созданию более безопасных и эффективных лекарств для пациентов, пока недостаточно.

Причина не обязательно в слабости алгоритмов. Биологические данные принципиально сложны: результат зависит от клеточного типа, генетики, дозы, условий эксперимента и множества факторов, часть которых исследователь даже не измеряет. Модель может очень точно предсказывать промежуточный показатель, но этот показатель может оказаться слабым заместителем того результата, который действительно важен в клинике.

Рентосертиб показал, что ИИ-молекула способна дойти до фазы II — но вопрос об общем преимуществе остается открытым

Международный опыт уже позволяет несколько точнее определить границу достигнутого.

В 2025 году в Nature Medicine были опубликованы результаты рандомизированного исследования фазы IIa рентосертиба — экспериментального ингибитора TNIK для лечения идиопатического легочного фиброза. Компания Insilico Medicine использовала генеративный ИИ как для поиска терапевтической мишени, так и при создании молекулы.

В исследовании участвовал 71 пациент. Оно продолжалось 12 недель и прежде всего оценивало безопасность. В группе, получавшей максимальную исследованную дозу 60 мг один раз в сутки, средняя форсированная жизненная емкость легких увеличилась на 98,4 мл, тогда как в группе плацебо уменьшилась на 20,3 мл.

Это важный результат для всей области: созданная с помощью ИИ программа дошла до контролируемого исследования эффективности у пациентов и показала биологический сигнал.

Но превращать его в доказательство превосходства ИИ-разработки было бы преждевременно. Исследование было небольшим, коротким, а эффективность относилась к вторичным конечным точкам. Оно не сравнивало «ИИ-подход» с традиционной разработкой одного и того же лекарства и потому не может ответить на вопрос, увеличивает ли искусственный интеллект вероятность клинического успеха.

По состоянию на опубликованный международный анализ 2026 года большинство программ компаний, ориентированных на ИИ, все еще находятся на доклинических стадиях или в фазах I–II, а клинически подтвержденное преимущество всей модели разработки пока не установлено.

Для «Лиганд Про» настоящей проверкой станет не скорость модели, а качество решений химиков

Российская платформа сейчас проходит закрытое тестирование с фармацевтическими компаниями и академическими исследовательскими группами. Это означает, что оценивать ее как доказанно эффективную систему разработки лекарств пока рано.

У команды уже есть собственные вычислительные разработки. Весной 2026 года Сколтех сообщал о модели молекулярного докинга Matcha, разработанной «Лиганд Про», которая на использованных авторами наборах данных существенно ускоряла виртуальный перебор соединений. Однако результаты вычислительного сравнительного теста и ценность платформы в промышленной разработке лекарств — разные уровни доказательности.

Следующий этап существенно труднее. Нужно показать, что использование системы на реальных проектах сокращает количество циклов «дизайн — синтез — испытание», повышает долю удачных синтезированных соединений или позволяет получать молекулы с лучшими характеристиками при сопоставимых ресурсах.

Именно такие показатели постепенно становятся более важными для всей отрасли, чем красивое сравнение точности отдельных моделей.

Сэкономленные месяцы имеют значение только тогда, когда отбор действительно становится лучше

Для фармацевтической компании практический эффект подобной платформы начинается задолго до клинического исследования.

Медицинский химик получает возможность быстрее сравнивать альтернативные структуры и проверять гипотезы. Руководитель проекта — более прозрачную историю решений. Компания потенциально тратит меньше ресурсов на синтез очевидно слабых соединений. Академическая лаборатория получает доступ к вычислительным возможностям, создание которых внутри организации потребовало бы отдельной команды специалистов.

Но существует и обратная сторона. Чем проще становится генерация тысяч виртуальных молекул, тем важнее качественно определить, что именно система должна оптимизировать. Если исходная биологическая мишень выбрана неверно или вычисляемый показатель плохо связан с клиническим результатом, ИИ способен лишь значительно быстрее оптимизировать решение неправильной задачи.

Регуляторы также постепенно формируют правила работы с такими технологиями. FDA и EMA в совместных принципах надлежащего применения ИИ в разработке лекарств подчеркивают необходимость заранее определять назначение модели, качество используемых данных, уровень риска ошибки, прозрачность оценки и постоянный контроль ее работы.

Следовательно, зрелый этап развития фармацевтического ИИ будет определяться уже не количеством генеративных моделей, а их встроенностью в проверяемый научный процесс.