Фармацевтическая отрасль оказалась в заложниках математического регресса, известного как «закон Эрума». В то время как закон Мура фиксирует экспоненциальный рост вычислительной мощности, закон Эрума — это его зеркальное отражение, описывающее обратную реальность разработки лекарств: с 1950-х годов стоимость вывода нового препарата на рынок удваивается примерно каждые девять лет. Сегодня, как отмечает Пол Белчер, директор по стратегии белковых исследований в Cytiva, средний цикл разработки составляет от 10 до 15 лет, а бюджет варьируется от 1 до 2,5 млрд долларов. При доле неудач свыше 90% индустрия делает ставку на ИИ, чтобы переломить этот тренд, однако главное препятствие перестало быть цифровым — оно упрямо остается физическим.
Переход к прогнозированию и проблема «бутылочного горлышка»
ИИ в корне меняет стартовую точку НИОКР, заменяя эмпирический скрининг прогностическим дизайном. В прошлом исследователи физически проверяли огромные библиотеки молекул, чтобы найти «хит» — молекулу, связывающуюся с мишенью заболевания. По словам Белчера, теперь ИИ позволяет компаниям проектировать кандидатов с нуля и предсказывать взаимодействия еще до использования физических ресурсов. Это снимает традиционное ограничение на количество соединений, которые может проверить компания, но такая эффективность создает новую точку трения. Мы наблюдаем массовый всплеск сгенерированных ИИ кандидатов, которые требуют лабораторной валидации — это приводит к высокоскоростному столкновению цифровой гипотезы с физической реальностью.
ИИ пока не способен надежно предсказать кинетику или пригодность новых соединений для промышленного производства.
Как объясняет Белчер, результатом становится «физическое бутылочное горлышко». Лабораторные команды, привыкшие работать с бинарными данными формата «да/нет», теперь перегружены необходимостью характеризовать и очищать растущий объем разнообразных и сложных кандидатов. Скорость цифровой генерации официально опередила пропускную способность физических лабораторий, превратив их в самую дорогую «комнату ожидания» в мире.
Разрушение стены данных
Чтобы выжить, индустрия должна перейти к модели «замкнутого цикла данных», где физические результаты возвращаются в модели в режиме реального времени. Высокоточные структурированные данные — единственный способ снизить риски на этапе клинических испытаний, который, по мнению Белчера, является основной статьей расходов в разработке лекарств. Выявляя некачественных кандидатов на ранних этапах с помощью предиктивной аналитики, а не простых систем на базе RAG, компании могут наконец сократить сроки работ. Цель состоит в изменении структуры затрат: лучше инвестировать больше в качественные данные на старте, чем столкнуться с катастрофическим провалом стоимостью 100 млн долларов на поздних стадиях испытаний.
Инвесторам и руководителям НИОКР часто продают идею о том, что ИИ заменит лабораторию. В реальности ИИ сделал лабораторию еще более критически важным звеном. Алгоритмы обещали снизить порог входа для создания новых методов терапии. Вместо этого возникла острая потребность в сложной высокопроизводительной физической инфраструктуре для обработки «цифрового перелива».
Индустрии обещали виртуальный короткий путь, но реальность оказалась иной: невозможно автоматизировать биологию, не освоив оборудование, которое её измеряет.