Roche создаёт автономные лаборатории для разработки лекарств с помощью ИИ

Roche строит автономные лаборатории: искусственный интеллект выходит из компьютера к реальному эксперименту

Roche хочет замкнуть разрыв между цифровой моделью и реальным экспериментом

28 сентября на Roche Pharma Day компания Roche сообщила, что уже начала создавать автономные лаборатории на основе искусственного интеллекта. Руководитель Genentech Research and Early Development Авив Регев связала этот проект с более широкой стратегией компании — добиться большей самостоятельности в ключевых технологиях ИИ для исследований и разработок.

За этим заявлением стоит проблема, которая становится всё заметнее по мере распространения генеративного ИИ в фармацевтических исследованиях. Алгоритм может предложить новую мишень, спроектировать молекулу или предсказать её свойства за секунды или минуты. Но затем гипотезу всё равно приходится проверять физически: синтезировать соединение, подготовить образцы, провести анализ, обработать результаты и решить, какой эксперимент делать следующим.

Именно здесь цифровая скорость снова сталкивается со скоростью обычной лаборатории.

Roche пытается убрать этот разрыв. Компания развивает концепцию Lab in a Loop — буквально «лаборатория в цикле», — при которой вычислительная и экспериментальная части исследования постоянно обмениваются данными.

Это не новая идея для Roche. Компания публично описывала Lab in a Loop ещё несколько лет назад. Новым этапом становится попытка автоматизировать не только вычислительную часть цикла, но и физическое выполнение экспериментов.

Lab in a Loop превращает разработку лекарства в повторяющийся цикл обучения

Традиционный поиск лекарства можно представить как последовательность итераций. Исследователи выбирают перспективную биологическую мишень, проектируют молекулы, синтезируют их, проверяют свойства, анализируют результаты и на основании этих данных решают, что создавать дальше.

В фармацевтических исследованиях эту последовательность часто описывают как цикл Design–Make–Test–Analyze: спроектировать, создать, проверить и проанализировать.

Автономная лаборатория пытается соединить эти этапы в одну цифрово-физическую систему.

Сначала модели ИИ анализируют накопленные экспериментальные и клинические данные и предлагают наиболее информативный следующий шаг. Автоматизированное оборудование выполняет эксперимент. Приборы измеряют результат, данные возвращаются в вычислительную систему, модель обновляет свои прогнозы и выбирает следующий эксперимент.

Получается замкнутый цикл:

данные → модель → гипотеза → эксперимент → новые данные → обновлённая модель → следующий эксперимент.

Ключевое отличие от обычной автоматизации заключается именно в последнем переходе. Роботизированная лаборатория способна автоматически выполнить заранее составленную человеком последовательность операций. Автономная лаборатория должна ещё и адаптировать последующие действия к результатам предыдущих экспериментов.

Национальный институт стандартов и технологий США определяет автономные, или «самоуправляемые», лаборатории сходным образом: алгоритмы выбирают, какие образцы создавать и исследовать, а экспериментальная система работает в замкнутой обратной связи, стараясь извлечь максимум информации из каждой следующей итерации.

Для Roche новые данные становятся почти столь же важны, как новые молекулы

Есть ещё одна причина, по которой автономная лаборатория интересна Большой фарме.

Современные модели ИИ зависят от качества обучающих данных. В биомедицинских исследованиях это особенно серьёзное ограничение: экспериментальные данные создавались десятилетиями разными лабораториями, на разных приборах и по неодинаковым протоколам. Часть результатов плохо структурирована, часть содержит неполные метаданные, а отрицательные эксперименты нередко вообще не становятся частью доступного массива знаний.

Автоматизированная система потенциально меняет эту экономику данных.

Roche прямо связывает свой Autonomous Lab Accelerator с созданием чистых, стандартизированных и хорошо аннотированных экспериментальных наборов данных, пригодных для обучения моделей. Иными словами, лаборатория должна одновременно искать лекарства и производить более качественный материал для следующего поколения алгоритмов.

Возникает положительная обратная связь: хорошие модели помогают выбирать более информативные эксперименты, эксперименты создают более качественные данные, а новые данные улучшают следующие модели.

Именно поэтому автономная лаборатория — не просто проект по роботизации.

Она становится инфраструктурой для обучения ИИ.

Искусственный интеллект уже участвует в заметной доле решений Roche

Roche пытается встроить эту технологию в значительно более широкую перестройку исследований и разработок.

По данным, представленным компанией и приведённым Reuters, в период с четвёртого квартала 2025 года по второй квартал 2026-го примерно 40% решений по портфелю разработок имели отслеживаемый вклад искусственного интеллекта или вычислительных методов.

Отдельный инструмент Roche Target Nexus компания рассчитывает использовать при принятии решений, затрагивающих до 80% исследовательского портфеля, к концу 2026 года.

Это важное различие: речь пока не идёт о том, что ИИ самостоятельно принимает 40% решений или управляет 80% исследований. Показатели Roche характеризуют участие вычислительных инструментов в принятии решений, а не передачу им полномочий исследователей.

Компания одновременно ставит весьма высокие цели для всего портфеля. К 2030 году Roche рассчитывает вывести на рынок до 20 новых молекулярных препаратов.

Reuters также сообщает, что около 2 млрд швейцарских франков экономии в исследованиях и разработках предполагается перераспределить на программы и инициативы по повышению производительности.

Автономные лаборатории поэтому следует рассматривать не как отдельный технологический эксперимент, а как один из инструментов попытки изменить производительность всей системы разработки лекарств.

Roche не единственная: фармацевтическая отрасль движется к «самоуправляемому» эксперименту

Происходящее выходит далеко за пределы одной компании.

AstraZeneca развивает iLab — прототип автоматизированной лаборатории медицинской химии, объединённой с системами молекулярного ИИ. Цель состоит в том, чтобы связать проектирование, синтез, тестирование и анализ новых малых молекул в значительно более быстрый цикл. Компания заявляла амбицию в перспективе сократить время поиска кандидатов в лекарства примерно вдвое.

Pfizer также внедряет платформы самоуправляемых лабораторий для химических исследований. В начале 2026 года разработчик Telescope Innovations сообщил об установке второй такой системы в Pfizer.

Обзор, опубликованный в Nature Reviews Chemistry в июле 2026 года, показывает, насколько далеко продвинулось само направление. Самоуправляемые лаборатории эволюционировали от отдельных средств автоматизации к системам, где алгоритмы способны предлагать, выполнять и интерпретировать эксперименты при ограниченном участии человека.

Поэтому заявление Roche отражает более широкий технологический переход. Конкуренция в фармацевтических исследованиях постепенно смещается от вопроса «у кого лучше модель ИИ?» к значительно более сложному вопросу: кто способен соединить модели, данные, робототехнику и реальную экспериментальную биологию в непрерывно обучающуюся систему.

Автономная лаборатория пока не равна автономному учёному

Термин «автономная лаборатория» легко создаёт впечатление помещения, где роботы самостоятельно совершают научные открытия. Реальность значительно сложнее.

Автоматизировать хорошо определённый эксперимент гораздо проще, чем научное исследование вообще.

Система может эффективно искать оптимальный вариант среди тысяч комбинаций, если заранее известны пространство поиска, измеряемая характеристика и критерий успеха. Именно поэтому автономные платформы особенно быстро развиваются в химии, материаловедении и задачах оптимизации процессов.

Биология значительно менее предсказуема.

Неожиданный результат может быть экспериментальной ошибкой, техническим артефактом или признаком ранее неизвестного механизма. Человек способен заметить необычную деталь и полностью изменить направление исследования. Для алгоритма подобное отклонение нередко выглядит просто как шум.

Есть и инженерная проблема. Лаборатории заполнены приборами разных производителей, поколений и архитектур. Чтобы автономный цикл действительно работал, программное обеспечение должно координировать роботизированные манипуляторы, системы подготовки образцов, аналитические приборы, базы данных и модели ИИ.

Свежий обзор Nature Reviews Chemistry выделяет три особенно важных условия дальнейшего развития таких систем: масштабируемость, способность переносить рабочие процессы между различными лабораториями и полную прослеживаемость происхождения экспериментальных данных.

Поэтому автономность следует понимать не как устранение исследователя, а как изменение разделения труда между человеком и машиной.

Если цикл действительно замкнётся, изменится сама производительность фармацевтических исследований

Для пациентов автономная лаборатория не означает, что новые лекарства внезапно начнут появляться за месяцы. Клинические испытания, оценка безопасности и регуляторная экспертиза никуда не исчезают.

Потенциальный выигрыш возникает раньше — на этапе, где из огромного числа биологических гипотез и возможных молекул необходимо выбрать несколько кандидатов, достаточно убедительных для дальнейшей разработки.

Сегодня значительная часть времени уходит не только на сами эксперименты, но и на промежутки между ними: подготовку следующей серии, перенос данных, анализ результатов и планирование очередной итерации. Замкнутые системы способны сокращать именно эти паузы и одновременно проводить эксперименты круглосуточно.

Для исследователей это может означать постепенное смещение работы от повторяемых лабораторных операций к формулированию научных вопросов, контролю качества экспериментов, интерпретации неожиданных результатов и определению границ, в которых системе разрешено действовать самостоятельно.

Для фармацевтических компаний возникает другой стратегический эффект. Если автономная лаборатория действительно увеличивает количество качественных экспериментальных циклов на единицу времени, конкурентным преимуществом становится уже не отдельный алгоритм, который можно относительно быстро воспроизвести, а вся инфраструктура: собственные данные, роботизированные лаборатории, стандартизированные процессы и модели, постоянно обучающиеся на результатах этих экспериментов.

Именно поэтому заявленная Roche «независимость в ИИ» имеет более широкий смысл. Контроль над вычислительной моделью без контроля над потоком экспериментальных данных даёт лишь часть преимущества.