Как искусственный интеллект ускоряет поиск новых лекарств
Большая фарма сокращает сроки поиска лекарств с помощью ИИ. Но клинические испытания остаются главным барьером
Крупнейшие фармацевтические компании сообщают о заметном ускорении ранних этапов разработки лекарств благодаря искусственному интеллекту. Новартис сократила время от начала исследовательского проекта до выбора перспективного кандидата с трёх лет до 18-24 месяцев, Ново Нордиск уменьшила число циклов проектирования молекул, а Санофи оценивает экономию времени на отдельной программе как минимум в один год. Одновременно технологическая компания Anthropic начинает самостоятельно участвовать в биомедицинских исследованиях, превращаясь из поставщика программного обеспечения в потенциального конкурента Большой фармы. Однако главный вопрос остаётся открытым: сможет ли ускорение лабораторных исследований привести к появлению большего числа эффективных лекарств для пациентов?

Большая фарма начинает измерять результат ИИ месяцами и годами
20 ноября 2026 года Reuters опубликовало результаты опроса научных руководителей крупнейших фармацевтических компаний. Представители GSK, Бристол Майерс Сквибб, Новартис, Эли Лилли, Ново Нордиск, АстраЗенека и Санофи рассказали, как искусственный интеллект меняет организацию исследований и разработок.
Принципиальное изменение заключается в характере применения технологии. Ещё недавно фармацевтические компании преимущественно использовали ИИ для обработки документов, анализа научной литературы и подготовки регуляторных материалов. Теперь алгоритмы непосредственно участвуют в выборе биологических мишеней, проектировании молекул, прогнозировании токсичности и определении наиболее перспективных направлений исследований.
Наиболее показательны результаты нескольких компаний.
Новартис сообщает, что среднее время от начала исследовательского проекта до получения перспективного лекарственного кандидата сократилось примерно с трёх лет до 18-24 месяцев. По словам руководителя биомедицинских исследований Фионы Маршалл, компания смогла значительно эффективнее использовать накопленные экспериментальные данные. Кроме того, инструменты ИИ помогли определить пять перспективных биологических мишеней для разработки препаратов против заболеваний почек.
Ново Нордиск приводит другую метрику. В отдельных исследовательских процессах количество последовательных циклов проектирования, изготовления и испытания новых молекул уменьшилось примерно с восьми до трёх. Продолжительность каждого цикла сократилась с восьми до четырёх недель.
Это не означает, что весь процесс разработки лекарства ускорился в пять раз. Однако пример показывает, насколько существенно алгоритмы способны сократить время, затрачиваемое на многократную оптимизацию молекулы.
Бристол Майерс Сквибб сообщает, что один из кандидатов для лечения серповидноклеточной анемии не появился бы без применения собственных систем искусственного интеллекта. Компания также использует моделирование на основе клинических данных, чтобы выбирать разработки с наиболее обоснованными перспективами.
Общий результат этих изменений состоит не просто в ускорении вычислений. Фармацевтические компании начинают сокращать число экспериментальных решений, которые приходится принимать методом последовательных проб и ошибок.
Почему ИИ способен ускорить поиск молекул
Разработка нового лекарства начинается задолго до клинических испытаний. Сначала исследователям необходимо понять, какой биологический процесс связан с заболеванием и на какой его компонент можно воздействовать.
Таким компонентом может быть белок, рецептор, фермент или другой элемент клеточной системы. Его называют лекарственной мишенью.
После выбора мишени исследователи ищут молекулу, способную взаимодействовать с ней нужным образом. Но одного взаимодействия недостаточно.
Потенциальное лекарство должно одновременно удовлетворять множеству требований: обладать подходящей активностью, сохранять стабильность, достигать нужных тканей, не вызывать неприемлемой токсичности и допускать воспроизводимое производство.
Эти свойства часто конфликтуют между собой. Изменение химической структуры может улучшить связывание с мишенью, но одновременно ухудшить растворимость или ускорить разрушение вещества в организме.
Традиционно исследователи последовательно синтезируют различные варианты молекулы, испытывают их и на основании полученных результатов планируют следующую серию экспериментов.
ИИ способен изменить эту последовательность.
Алгоритмы обучаются на больших массивах экспериментальных данных и выявляют зависимости между структурой молекул и их свойствами. На этой основе они предлагают новые соединения и прогнозируют, какие изменения с большей вероятностью улучшат необходимые характеристики.
Генеративные модели могут создавать варианты молекул, а специализированные прогнозные системы — оценивать их потенциальную активность, стабильность или токсичность.
Затем выбранные варианты проверяются экспериментально. Полученные результаты возвращаются в систему и используются для следующего этапа поиска.
Таким образом формируется повторяющийся цикл: компьютерная гипотеза, лабораторная проверка, обновление данных и новая гипотеза.
Главное преимущество заключается не в том, что компьютер заменяет эксперимент, а в том, что он помогает проводить меньше бесперспективных экспериментов.
Главное преимущество заключается не в том, что компьютер заменяет эксперимент, а в том, что он помогает проводить меньше бесперспективных экспериментов.
Санофи сэкономила год при разработке лунсекимига
Особенно интересен пример Санофи, поскольку он связан не только с проектированием молекул, но и с принятием решений в клинической разработке.
По информации Reuters, использование ИИ позволило компании сэкономить как минимум один год при разработке лунсекимига (lunsekimig), экспериментального препарата для лечения воспалительных заболеваний дыхательных путей.
Лунсекимиг представляет собой биспецифическую конструкцию на основе антительных фрагментов, способную одновременно блокировать два сигнальных белка — TSLP и интерлейкин-13. Оба участвуют в поддержании воспаления при бронхиальной астме и некоторых других заболеваниях.
Компания использовала алгоритмический анализ ранних биологических и клинических данных для выбора дальнейшей стратегии разработки. По заявлению Санофи, это позволило отказаться от отдельного промежуточного исследования подбора дозы, которое иначе потребовало бы дополнительного времени.
Здесь важно различать сокращение числа исследований и отказ от проверки безопасности.
Определение обоснованной дозы остаётся необходимым элементом разработки. Применение ИИ может позволить использовать уже накопленные данные эффективнее, но не отменяет необходимости подтверждать безопасность и эффективность препарата.
В апреле 2026 года Санофи сообщила, что исследование AIRCULES фазы IIb при бронхиальной астме средней и тяжёлой степени достигло первичной и ключевых вторичных конечных точек. Положительные результаты были также получены в исследовании DUET фазы IIa у пациентов с хроническим риносинуситом с полипами носа.
При этом исследование VELVET при атопическом дерматите не достигло своей первичной конечной точки.
Такой контраст особенно показателен. Даже если алгоритм помогает ускорить принятие решений, биологическая эффективность молекулы остаётся зависимой от конкретного заболевания.
Лунсекимиг продолжает клиническую разработку и пока не является одобренным лекарством. Поэтому этот пример подтверждает возможность сокращения отдельных этапов, но не доказывает, что ИИ уже увеличивает вероятность успешной регистрации новых препаратов.
Anthropic выходит за пределы разработки программного обеспечения
Параллельно меняется состав участников фармацевтических исследований.
Компания Anthropic, известная семейством моделей Claude, расширяет деятельность в области биологии и создания лекарств. Она уже не ограничивается предоставлением инструментов для анализа данных.
В июне 2026 года Anthropic представила Claude Science — специализированную программную среду для научных исследований, объединяющую доступ к биологическим базам данных, вычислительным инструментам и аналитическим системам.
В сентябре Ново Нордиск объявила о сотрудничестве с Anthropic в области разработки новых лекарств и решения сложных исследовательских задач.
В октябре Anthropic опубликовала результаты совместных проектов с шестью организациями, включая Бристол Майерс Сквибб, BigHat Biosciences, Divergence Labs и Generate Biomedicines. Компания также начала собственные программы разработки лекарств, в том числе для редких детских форм мышечной дистрофии.
Некоторые экспериментальные результаты показывают, насколько далеко продвинулось применение больших языковых моделей в биологии.
В проекте с Divergence Labs система Claude примерно за месяц предложила около 35 тысяч вариантов антител для потенциальной терапии пищевой аллергии.
Цель заключалась в создании конструкции, которая могла бы отделять иммуноглобулин E (IgE) от поверхности иммунных клеток. Этот белок участвует в запуске аллергических реакций, поэтому его взаимодействие с клеточными рецепторами представляет интерес для разработки новых методов лечения.
Последующие лабораторные испытания выявили три конструкции, способные связывать IgE, и двадцать вариантов, способных способствовать его отделению от клеток.
Это результат раннего поиска молекулярных конструкций, а не испытание готового лекарства. Следующий этап предполагает объединение необходимых свойств в одной молекуле и дальнейшую экспериментальную проверку.
Другой пример — сотрудничество с BigHat Biosciences. В течение примерно десяти недель исследователи изготовили и проверили около 1010 вариантов двух антительных фрагментов, используя Claude для анализа экспериментальных данных и выбора направлений оптимизации.
Эти проекты показывают, что большие языковые модели начинают выполнять более сложные научные задачи, чем поиск информации и подготовка текстов.
Однако они также демонстрируют принципиальную зависимость ИИ от физического эксперимента. Предложенная компьютером конструкция приобретает биологический смысл только после проверки её реальных свойств.
Данные становятся стратегическим преимуществом фармацевтических компаний
Выход Anthropic в биомедицинские исследования ставит перед Большой фармой новый вопрос: кому будет принадлежать конкурентное преимущество в разработке лекарств?
Технологические компании располагают мощными вычислительными моделями и опытом их совершенствования. Но традиционные фармацевтические компании десятилетиями накапливали уникальные экспериментальные данные.
Эти массивы содержат результаты исследований химических соединений, сведения о токсичности, фармакокинетике, взаимодействии с биологическими мишенями и причинах неудачных разработок.
Фармакокинетика описывает, как вещество всасывается, распределяется, преобразуется и выводится из организма.
Для обучения специализированных моделей такие данные особенно ценны. Они позволяют оценивать не только теоретические свойства молекул, но и их поведение в реальных биологических системах.
Показательна стратегия Эли Лилли.
В сентябре 2025 года компания запустила платформу Lilly TuneLab, предоставляющую отдельным биотехнологическим компаниям доступ к моделям, обученным на её собственных исследовательских данных.
По оценке Эли Лилли, формирование использованного для первоначального обучения массива данных потребовало инвестиций более одного миллиарда долларов.
Платформа предполагает сотрудничество с внешними разработчиками и применение федеративного обучения — подхода, позволяющего совершенствовать модели без прямого раскрытия всех конфиденциальных данных участников.
Это создаёт альтернативную модель развития фармацевтического ИИ.
Вместо передачи собственных исследовательских массивов технологическим корпорациям фармацевтические компании могут формировать закрытые системы, предоставлять партнёрам доступ к их возможностям и сохранять контроль над наиболее ценными данными.
По информации Reuters, Санофи и Ново Нордиск не предоставляют свои закрытые исследовательские данные компаниям, разрабатывающим универсальные передовые модели ИИ, для их обучения.
Таким образом, конкурентная борьба постепенно смещается от мощности алгоритма к качеству данных, способности интегрировать вычисления с экспериментами и контролю над интеллектуальной собственностью.
129 препаратов с участием ИИ: клиническая картина значительно осторожнее
Наиболее существенное ограничение нынешнего технологического ускорения связано с клинической разработкой.
В исследовании, опубликованном в журнале Cancer Treatment Reviews в 2026 году, группа авторов во главе с Вакасом Хаком проанализировала препараты, при разработке которых использовались методы искусственного интеллекта.
По состоянию на 1 марта 2026 года исследователи выявили 129 таких терапевтических разработок от 69 компаний, достигших клинических исследований с участием людей.
Структура этого портфеля оказалась весьма неравномерной.
На онкологические заболевания приходилось 74 разработки, или 57,3% общего числа. Большинство кандидатов представляли собой малые молекулы — химические соединения относительно небольшой молекулярной массы.
При этом только 24 разработки завершили исследования II фазы, а пять достигли III фазы или завершили её.
Расчётная вероятность успешного прохождения II фазы составила 19,5%.
Это особенно важный показатель, поскольку именно на II фазе исследователи обычно начинают получать более убедительные данные о терапевтической эффективности препарата у пациентов с соответствующим заболеванием.
ИИ может помочь создать молекулу с высокой активностью в лабораторной системе. Но это ещё не означает, что воздействие на выбранную мишень действительно улучшит состояние человека.
Причина заключается в сложности биологии заболевания.
Даже если вещество успешно взаимодействует с заданным белком, сам белок может оказаться недостаточно важным для развития болезни. Кроме того, организм способен компенсировать блокирование одного биологического пути активацией другого.
Авторы исследования подчёркивают и методологические ограничения. Анализ основывался на доступных публичных сведениях, а определения препаратов, разработанных с использованием ИИ, остаются неоднородными.
Главное — исследование не включало специально подобранную сопоставимую группу препаратов, созданных традиционными методами.
Поэтому полученные результаты пока не позволяют заключить, что применение ИИ повышает вероятность успешного завершения клинических исследований.
Они подтверждают существование растущего портфеля разработок, но не превосходство этих разработок по клиническим результатам.
Более быстрый поиск молекул не означает более быстрой регистрации лекарств
Различие между лабораторной и клинической скоростью имеет принципиальное значение для пациентов.
По оценкам фармацевтической отрасли, путь от первоначального открытия до появления нового лекарства на рынке нередко занимает 10-15 лет.
Значительная часть этого времени приходится не на поиск молекул, а на доклиническую проверку, клинические испытания, производство и регуляторную оценку.
Клинические исследования требуют набора пациентов, соблюдения протоколов, наблюдения за эффективностью и нежелательными явлениями, а иногда и многолетнего подтверждения результатов.
Даже самые совершенные вычислительные модели не могут автоматически заменить наблюдение за тем, как лекарство действует в организме человека.
В январе 2026 года FDA и Европейское агентство лекарственных средств (EMA) представили совместные принципы надлежащей практики использования ИИ при разработке препаратов.
Они предусматривают оценку надёжности моделей с учётом конкретной задачи, документирование данных, контроль качества, управление рисками и участие специалистов.
Регуляторный подход тем самым ориентирован не на безусловное доверие к алгоритмам, а на проверяемость результатов их применения.
Возможность сократить отдельные этапы разработки не освобождает производителя от необходимости доказать качество, безопасность и эффективность лекарства.
Читайте также на АПТЕКИУМ:
- Фентоламин может улучшить ночное зрение после коррекции зрения
- Менопауза и зрение: что происходит с глазами
Контекст рынка и отрасли:
Для пациентов главный эффект может заключаться в количестве проверяемых идей
Ускорение ранних исследований способно повлиять на здравоохранение даже без немедленного сокращения сроков регистрации препаратов.
Если компания тратит меньше времени и ресурсов на поиск перспективного соединения, она потенциально может исследовать больше терапевтических гипотез при сопоставимом бюджете.
Это особенно важно для редких заболеваний и сложных биологических механизмов, где высокая стоимость исследования нередко ограничивает число запускаемых программ.
Ещё одно возможное преимущество — более раннее прекращение бесперспективных проектов.
Если прогнозные модели позволяют своевременно выявлять проблемы токсичности, нестабильности вещества или недостаточной активности, компании могут перераспределять ресурсы в пользу более обоснованных направлений.
Однако такое преимущество существует только при достаточной точности прогнозов. Ошибочная отрицательная оценка может привести к отказу от перспективной молекулы, а ошибочная положительная — к дополнительным расходам на разработку, которая впоследствии окажется неудачной.
Поэтому эффективность ИИ следует оценивать не количеством предложенных молекул и не скоростью вычислений.
Более содержательные показатели — время до получения экспериментально подтверждённого кандидата, стоимость его разработки, частота успешного прохождения клинических фаз и в конечном счёте число зарегистрированных препаратов с доказанной пользой.
Для пациентов появление таких технологий пока не означает, что необходимые лекарства скоро станут дешевле или доступнее. Связь между снижением исследовательских затрат, ценой готового препарата и доступностью лечения зависит от множества дополнительных факторов.
Ближайшие несколько лет должны показать, способны ли ускоренные программы устойчиво проходить поздние клинические испытания и приводить к регистрации новых методов терапии.
Однако скорость получения кандидата и вероятность создания эффективного лекарства — разные показатели. Первый уже демонстрирует измеримые улучшения в отдельных программах, второй пока не получил убедительного подтверждения на сопоставимых клинических выборках.
Одновременно формируется новая конкурентная среда, в которой традиционные фармацевтические компании и разработчики ИИ могут быть партнёрами, поставщиками технологий и прямыми конкурентами.
Главным ресурсом этой конкуренции становятся не только алгоритмы, но и экспериментальные данные, лабораторная инфраструктура и способность связывать вычислительные прогнозы с проверяемыми биологическими результатами.
Следующий этап развития фармацевтического ИИ будет определяться уже не тем, насколько быстро система предлагает новые молекулы, а тем, сколько из них действительно превращается в безопасные и эффективные лекарства.
Для профессионального сообщества:
Данная публикация предназначена для специалистов здравоохранения и участников фармрынка. Аналитические выводы редакции носят информационный характер и не являются призывом к самолечению или заменой очной консультации врача. При работе с лекарственными препаратами необходимо руководствоваться официальной инструкцией и мнением профильного специалиста. Полный текст дисклеймера.
Источники и материалы
- Reuters, Big Pharma, with eye on Anthropic, says AI is shrinking drug discovery timelines, 20 November 2026
- Anthropic, Early progress on accelerating drug development with Claude, 27 October 2026
- Sanofi, Lunsekimig met primary and key secondary endpoints in phase 2 respiratory studies in asthma and CRSwNP, 7 April 2026
- Novo Nordisk, Novo and Anthropic will collaborate to advance drug discovery with Claude, 16 September 2026
- Eli Lilly and Company, Lilly launches TuneLab platform to give biotechnology companies access to AI-enabled drug discovery models, 9 September 2025


