Искусственный интеллект меняет фармацевтическую разработку: кто получит выгоду
Фармацевтические компании вкладывают миллиарды в ИИ: сможет ли он вдвое сократить разработку лекарств?
Мировая фармацевтическая отрасль расширяет применение искусственного интеллекта — от поиска молекул и создания новых лекарственных форм до моделирования клинических исследований. По отраслевым прогнозам, в ближайшие три-пять лет ИИ может сократить сроки и затраты на ранних этапах разработки препаратов до 50%. Обновлённый 19 ноября 2026 года обзор Reuters показывает, что крупнейшие фармацевтические компании уже заключают соглашения на сотни миллионов и миллиарды долларов. Однако между ускорением лабораторных исследований и появлением эффективного лекарства для пациента остаётся существенная дистанция.

Merck и Isomorphic Labs: искусственный интеллект получает доступ к данным Большой фармы
19 ноября американская Merck & Co., известная за пределами США и Канады как MSD, объявила о сотрудничестве с Isomorphic Labs — компанией, специализирующейся на разработке лекарственных молекул с помощью искусственного интеллекта.
Партнёры намерены искать низкомолекулярные соединения против одной из онкологических мишеней. Её название пока не раскрывается.
Схема сотрудничества отражает важное изменение в организации фармацевтических исследований. Merck предоставит отобранные массивы собственных экспериментальных данных, а Isomorphic Labs применит вычислительную платформу IsoDDE для прогнозирования взаимодействий между молекулами и биологической мишенью и создания новых химических структур.
Ответственность за доклинические исследования, испытания на людях, производство и коммерциализацию потенциальных препаратов останется за Merck.
Финансовые условия полностью не раскрываются. Isomorphic Labs получит первоначальный платёж, сможет претендовать на дополнительные выплаты при достижении исследовательских, регуляторных и коммерческих результатов, а также на долю будущих продаж.
Для фармацевтической отрасли принципиально не только появление очередного соглашения. Крупная компания готова объединять накопленные за годы экспериментальные данные с внешней системой искусственного интеллекта, сохраняя собственную экспертизу в разработке лекарств.
Именно такое сочетание может оказаться важнее универсальной модели, обученной преимущественно на общедоступных научных публикациях.
Почему ИИ способен ускорить поиск лекарств, но не заменить эксперимент
Традиционный поиск лекарственного вещества начинается с изучения заболевания и выбора биологической мишени — например, белка, активность которого необходимо подавить или изменить.
После этого исследователи ищут молекулы, способные взаимодействовать с выбранной мишенью. Даже если первоначальное соединение демонстрирует нужный эффект, его приходится многократно изменять, проверяя активность, растворимость, устойчивость, способность проникать в ткани и потенциальную токсичность.
Искусственный интеллект позволяет изменить последовательность этой работы.
Алгоритм анализирует экспериментальные данные и известные молекулярные структуры, оценивает вероятные свойства новых соединений и предлагает варианты, которые заслуживают проверки. Исследователи затем синтезируют отобранные вещества и испытывают их в лаборатории.
Полученные результаты возвращаются в вычислительную систему, позволяя уточнять последующие прогнозы.
Так возникает повторяющийся цикл: компьютерное моделирование, экспериментальная проверка, анализ ошибок и новый подбор молекул.
При использовании автоматизированных лабораторий часть этих операций можно выполнять быстрее и с меньшим количеством ручных процедур.
Однако способность молекулы связываться с определённым белком ещё не означает, что она станет лекарством. В организме соединение может разрушаться, недостаточно проникать в нужные ткани, взаимодействовать с другими белками или вызывать нежелательные реакции.
Биологическая сложность заболевания также не исчезает благодаря более точному вычислительному прогнозу.
Реальное преимущество ИИ заключается прежде всего в сокращении числа малообоснованных экспериментов и более эффективном выборе направлений дальнейшего поиска.
Поэтому реальное преимущество ИИ заключается прежде всего в сокращении числа малообоснованных экспериментов и более эффективном выборе направлений дальнейшего поиска.
Hansoh Pharma и AilsynBio: алгоритмы берутся за сложную задачу создания таблетированных пептидов
Другим новым соглашением в обзоре Reuters стало сотрудничество китайской Hansoh Pharma с биотехнологической компанией AilsynBio, о котором было объявлено 13 ноября.
Hansoh получила право использовать платформу искусственного интеллекта AilsynBio для поиска новых циклических пептидов, предназначенных для перорального применения.
Пептиды состоят из аминокислот и могут избирательно взаимодействовать с биологическими мишенями. Однако многие пептидные препараты плохо подходят для приёма внутрь: пищеварительные ферменты способны разрушать их, а проникновение через стенку кишечника часто ограничено.
Циклическая структура, в которой аминокислотная цепь образует замкнутое кольцо, позволяет исследовать способы повышения устойчивости и изменения проницаемости молекулы. Но подобрать оптимальное сочетание свойств непросто.
Платформа AilsynBio должна помогать проектировать такие соединения, объединяя вычислительное моделирование и экспериментальную проверку.
Потенциальная стоимость соглашения достигает 317 млн юаней, дополнительно предусмотрены отчисления от возможных будущих продаж.
Пока речь идёт о поиске кандидатов, а не о создании готового препарата. Тем не менее направление имеет практический смысл: возможность заменить инъекционное введение некоторых пептидных лекарств приёмом внутрь могла бы существенно изменить удобство лечения.
Миллиардные соглашения отражают стоимость ожиданий, а не готовых препаратов
В октябре 2026 года датская Zealand Pharma заключила соглашение с американской Generate Biomedicines о разработке белковых препаратов для лечения ожирения и других метаболических заболеваний.
Стороны рассчитывают использовать генеративный искусственный интеллект для создания белковых молекул, способных воздействовать сразу на несколько биологических мишеней.
Такая стратегия представляет интерес при заболеваниях, в развитии которых участвуют несколько взаимосвязанных механизмов. Однако воздействие на большее число мишеней само по себе не гарантирует лучшей эффективности или переносимости.
Generate Biomedicines получит первоначальный платёж в размере 30 млн долларов. Соглашение также предусматривает до 35 млн долларов за ранние доклинические достижения и потенциальные выплаты, совокупный размер которых может достигнуть примерно 1,2 млрд долларов, а также отчисления от продаж.
Ещё один пример — октябрьское партнёрство Эли Лилли (Eli Lilly) с METiS TechBio. Его задача состоит не в создании нового действующего вещества, а в разработке систем доставки лекарств на основе липидных наночастиц.
Такие частицы позволяют переносить терапевтические молекулы, включая некоторые виды нуклеиновых кислот. Одна из сложностей заключается в обеспечении достаточно избирательной доставки в нужные органы и ткани.
METiS намерена применять ИИ для поиска и оптимизации липидных компонентов, от которых зависят свойства этих носителей.
Потенциальный объём выплат по соглашению достигает приблизительно 1,1 млрд долларов, помимо первоначального платежа в несколько десятков миллионов долларов.
Здесь необходимо различать две величины.
Первая — реальные средства, получаемые компанией после заключения договора. Вторая — максимальная стоимость соглашения, которая может реализоваться только при достижении последующих результатов.
Миллиардные суммы в подобных контрактах не означают, что фармацевтические компании уже инвестировали весь заявленный объём средств или получили подтверждение эффективности создаваемых лекарств.
Они показывают, какую экономическую ценность участники отрасли готовы связывать с будущими возможностями технологии.
Цифровые двойники пациентов: попытка изменить устройство клинических исследований
ИИ начинают применять не только в химии и молекулярной биологии.
22 октября 2026 года Бёрингер Ингельхайм (Boehringer Ingelheim) и Microsoft объявили о сотрудничестве в области цифровых двойников пациентов.
Цифровой двойник в этом контексте — вычислительная модель, использующая клинические и другие данные для прогнозирования возможного течения заболевания и результатов лечения.
Одна из исследуемых возможностей заключается в создании синтетических или гибридных контрольных групп.
В обычном рандомизированном клиническом исследовании часть участников получает изучаемое лечение, а другая — контрольное вмешательство, например стандартную терапию или плацебо. Сравнение групп позволяет оценить действие препарата.
Синтетическая контрольная группа формируется с использованием ранее полученных данных и математических моделей. Гибридная объединяет таких виртуальных участников с реальной контрольной группой.
Если достоверность этих подходов удастся подтвердить, в определённых исследованиях может появиться возможность уменьшить количество людей, необходимых для сравнения.
Особенно интересен такой подход при редких заболеваниях, когда набор достаточного числа участников затруднён.
Но здесь существует серьёзное методологическое ограничение. Модель должна воспроизводить не просто среднее течение заболевания, а факторы, которые способны влиять на результат терапии.
Различия между реальными и смоделированными пациентами могут привести к систематическим ошибкам и неверной оценке эффективности препарата.
Поэтому Boehringer Ingelheim и Microsoft пока изучают научную и техническую осуществимость подхода, начиная с заболеваний лёгких. О замене традиционных контрольных групп как об установленной клинической практике речи не идёт.
Рентосертиб: когда разработанная с помощью ИИ молекула доходит до пациентов
Для оценки перспектив новой технологии особенно важны не объявления о партнёрствах, а результаты клинических исследований.
Одним из показательных примеров стал рентосертиб — экспериментальный ингибитор белка TNIK, разработанный Insilico Medicine с применением генеративного искусственного интеллекта.
Препарат исследуется при идиопатическом лёгочном фиброзе — прогрессирующем заболевании, сопровождающемся образованием рубцовой ткани в лёгких и постепенным ухудшением дыхательной функции.
В июне 2025 года журнал Nature Medicine опубликовал результаты рандомизированного исследования фазы IIa, в котором участвовал 71 пациент. Лечение продолжалось 12 недель.
Основной задачей исследования была оценка безопасности. Среди дополнительных показателей изучали изменения функции лёгких.
В группе, получавшей 60 мг рентосертиба один раз в сутки, среднее изменение форсированной жизненной ёмкости лёгких составило +98,4 мл против -20,3 мл в группе плацебо.
Этот показатель характеризует объём воздуха, который человек способен с усилием выдохнуть после максимального вдоха, и применяется для наблюдения за прогрессированием лёгочного фиброза.
Полученный результат представляет научный интерес, но не является окончательным подтверждением клинической эффективности.
Исследование было небольшим и непродолжительным. Кроме того, среди нежелательных явлений, приводивших к прекращению терапии, отмечались нарушения со стороны печени и диарея.
Для оценки долгосрочной безопасности и способности препарата замедлять прогрессирование заболевания необходимы более масштабные испытания.
Опыт рентосертиба показывает, что ИИ действительно способен участвовать в создании молекул, переходящих к исследованиям на людях. Но клинические требования к таким препаратам остаются такими же строгими, как и к веществам, разработанным традиционными методами.
Экономия до 50%: на каком этапе возможен эффект
В обзоре Reuters приводятся отраслевые прогнозы, согласно которым применение машинного обучения может сократить сроки и затраты на ранних этапах разработки препаратов до 50% в течение ближайших трёх-пяти лет.
Это прогноз, а не подтверждённая средняя экономия для всей фармацевтической отрасли.
Значительная часть расходов на создание лекарства возникает после первоначального выбора молекулы. Необходимо провести доклинические исследования, несколько этапов испытаний на людях, подтвердить качество производства и подготовить документацию для регуляторов.
Даже очень быстро найденное соединение может оказаться неэффективным или небезопасным при исследовании на пациентах.
Поэтому сокращение продолжительности первоначального поиска вдвое не означает автоматического сокращения вдвое всего срока разработки.
Есть и дополнительный экономический вопрос. Более быстрые алгоритмы позволяют исследовать больше кандидатов, но увеличение количества проектов само по себе способно повысить совокупные расходы компании.
Реальная выгода будет зависеть от того, насколько часто вычислительные решения приводят к выбору перспективных молекул и помогают отсеивать неудачные разработки до начала дорогостоящих исследований.
Для оценки эффективности технологии потребуются сопоставимые данные о продолжительности проектов, затратах, частоте перехода между стадиями и вероятности успешного завершения клинических исследований.
Регуляторы требуют достоверных доказательств независимо от происхождения молекулы
Расширение применения ИИ уже отражается в подходах регуляторов.
В январе 2026 года Европейское агентство лекарственных средств (EMA) и американское Управление по контролю качества пищевых продуктов и лекарственных средств (FDA) представили десять совместных принципов надлежащего применения ИИ при разработке лекарств.
Они охватывают управление данными, качество моделей, оценку рисков, документирование решений, участие специалистов и постоянную проверку работоспособности вычислительных систем.
Особое значение имеет контекст применения.
Модель, успешно предсказывающая свойства определённого класса молекул, не обязательно будет столь же надёжной при изучении другого заболевания или использовании данных из иной популяции пациентов.
И если вычислительная система применяется для формирования доказательств безопасности или эффективности, её достоверность должна соответствовать значению принимаемого решения.
Это формирует важный принцип будущего регулирования: искусственный интеллект может изменить способы получения научных данных, но не отменяет необходимость их проверки.
Читайте также на АПТЕКИУМ:
- Фарма вкладывает миллиарды в ИИ. Но главный барьер разработки лекарств оказался не там, где его искали
- Isomorphic Labs привлекла $5 млрд на разработку лекарств с помощью ИИ
Контекст рынка и отрасли:
Пациенты получат пользу только тогда, когда ускорение исследований превратится в клинический результат
Для пациентов нынешняя волна соглашений пока не означает появления новых доступных методов лечения.
Потенциальная польза заключается в другом: более точный выбор молекул может сократить число бесперспективных разработок, улучшить свойства экспериментальных препаратов и ускорить переход наиболее обоснованных кандидатов к клиническим исследованиям.
Для исследовательских организаций меняются требования к качеству данных. Экспериментальные результаты приобретают дополнительную ценность, поскольку могут использоваться для обучения и проверки вычислительных моделей.
Для фармацевтических компаний становится важным не просто наличие ИИ-платформы, а способность объединить её с лабораторными исследованиями, клинической экспертизой и производственными компетенциями.
Инвесторам предстоит оценивать такие проекты не только по потенциальной стоимости контрактов, но и по проверяемым результатам: количеству подтверждённых молекул, переходам в клинические фазы, результатам исследований и фактическому сокращению затрат.
Следующим этапом развития отрасли должно стать накопление независимых сравнительных данных, показывающих, какие именно задачи ИИ решает лучше традиционных методов и при каких условиях экономический эффект воспроизводится.
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. Pharma sector doubles down on AI to slash costs, timelines. Обновление от 19 ноября 2026 года
- Merck. Merck and Isomorphic Labs Enter Strategic Research Collaboration. 19 ноября 2026 года
- Hansoh Pharmaceutical Group. Collaboration Development Agreement with AilsynBio. Официальное раскрытие Гонконгской фондовой биржи, 13 ноября 2026 года
- Generate Biomedicines. Generate Biomedicines and Zealand Pharma Enter Collaboration and License Agreement to Develop Protein Therapeutics Engineered with AI for Metabolic Diseases. 13 октября 2026 года
- METiS TechBio. METiS TechBio Announces Strategic Collaboration with Lilly to Advance Next-Generation Tissue-Specific LNP Delivery Technologies. 19 октября 2026 года


