ИИ в разработке лекарств упёрся в стену данных: как замкнуть цикл и победить закон Эрума

С 1950-х годов стоимость вывода нового препарата на рынок удваивается каждые 9 лет — это закон Эрума. Сегодня на это уходит 10–15 лет и от $1 до $2,5 млрд, при уровне неудач свыше 90%. ИИ — главная ставка фармы: ускорить отбор молекул и снизить потери на клинических испытаниях. Однако модели, обученные на публичных наборах данных, уже упёрлись в «стену данных»: все используют одни и те же источники, а публикации скрывают негативные результаты.

На ранних стадиях ИИ уже меняет процесс: вместо эмпирического скрининга библиотек молекул компании переходят к предиктивному дизайну. Модели генерируют кандидатов «с нуля» и предсказывают их взаимодействие с мишенями, не тратя ресурсы на физическое тестирование заведомо слабых вариантов. Но, по словам Пола Белчера из Cytiva, ИИ пока не способен надёжно предсказывать кинетику и «разрабатываемость» соединений — каждый кандидат всё равно требует валидации в лаборатории.

Проблема в том, что ИИ увеличивает число и разнообразие генерируемых соединений, а лабораторные методики не рассчитаны на такой объём детального профилирования. Необходимы более производительные, информационно-насыщенные технологии для валидации хитов. Кроме того, модели нуждаются в полных, структурированных и сбалансированных данных — без перекоса в сторону публикаций только об успехах. Иначе ИИ будет повторять одни и те же паттерны, не находя по-настоящему новых решений.

Белчер подчёркивает: главный вызов — замкнуть цикл данных между ИИ и лабораторией, создав систему, где результаты экспериментов напрямую обогащают обучающие выборки. Только так можно преодолеть «стену данных» и уменьшить долю неудач на поздних стадиях, где и сосредоточены основные затраты.