Фундаментальные задачи, CAR-T и экономия миллиардов
Недавно прошёл Форум будущих технологий. Тема - ИИ в медицине и фарме. Спикеры - замминистра, «Сколково», Biocad, «Р-фарм», МФТИ. Я собрал самое интересное из того, что сказали, и добавил пару своих наблюдений.
Про фундаментальные задачи
Замминистра Сергей Глаголев сказал важную вещь: ИИ можно использовать для решения задач в области великих болезней - рака, ВИЧ. Не для отчётов, не для диагностики по снимкам, а для поиска новых терапевтических мишеней. Там, где человеческий мозг уже упёрся в потолок, алгоритмы могут увидеть то, что мы не замечаем.
И отдельно - про CAR-T-терапию. Это когда иммунные клетки перепрограммируют, чтобы они убивали рак. Проблема: с большими опухолями CAR-T пока справляется плохо. Глаголев считает, что ИИ может помочь преодолеть эти ограничения. Звучит как научная фантастика, но, судя по тону, это уже не за горами.
Про деньги и сроки
Мария Велданова из «Сколково» озвучила цифру: глобально ИИ может принести фармотрасли до $110 млрд добавленной ценности. Это не мои подсчёты, это данные McKinsey от января 2025 года.
Александр Быков из «Р-фарм» добавил конкретики: сейчас создание оригинального препарата занимает больше пяти лет, а до регистрации доходит только 12% кандидатов. Остальное - деньги и время, потраченные впустую.
ИИ позволяет точнее отбирать перспективные молекулы на ранних этапах. Не гадать, а считать. В среднесрочной перспективе, по словам Быкова, сроки разработки могут сократиться до трёх лет. Это не просто оптимизация - это смена экономической модели отрасли.
Про 70% стоимости и 10 000 молекул
Роман Драй из «Герофарм» сказал вещь, от которой у любого финансиста дёрнется глаз: до 70% стоимости создания новых препаратов связано с неудачами на начальных стадиях.
При традиционном подходе нужно синтезировать до 10 000 молекул-кандидатов, чтобы найти одну рабочую. А ИИ может моделировать миллионы вариантов и отбирать самые перспективные, не тратя реагенты и годы жизни исследователей.
Про рутину, которая съедает учёных
Павел Яковлев из Biocad (они, кстати, используют ИИ с 2020 года) сказал про то, что ближе всего мне как аналитику: самый быстрый эффект даёт автоматизация научных и регуляторных процессов.
Мониторинг литературы, подготовка досье, анализ данных исследований - это та самая рутина, где учёные тонут и ошибаются. ИИ здесь не заменяет исследователя, а страхует его. Снижает вероятность ошибок, которые на поздних стадиях могут стоить годов задержки.
Про клинические исследования и пациентов
Велданова напомнила, что одна из главных болей в разработке - поиск пациентов для исследований. ИИ может ускорять набор, управлять данными, предсказывать риски. Иван Гущин из МФТИ добавил, что технологии уже помогают организовывать исследования, снижая стоимость и повышая качество данных.
Но есть и сдержанный прогноз: с персонализированной медициной придётся подождать. Нужно накопить знания, понять ограничения и, что важнее всего, прописать регуляторику. Кто ответит, если ИИ ошибётся? Вопрос пока открытый.
Про 70 препаратов и осторожный оптимизм
Вадим Негребецкий из Пироговского университета сказал важную вещь: в конце 2025 года около 70 лекарств в мире, созданных с помощью ИИ, вышли на первую стадию клинических испытаний.
Это много. Это прорыв. Но сколько из них пройдут дальше - пока неясно. ИИ пока ускоряет только начальный этап. Доклинику и три фазы испытаний кандидатам всё равно проходить «вживую». Но оптимизировать протоколы, собирать и анализировать данные - здесь нейросети уже очень кстати.
Мои три копейки
Если смотреть на всё это не как на подборку новостей, а как на систему, видно главное.
ИИ в фарме перестал быть историей про «когда-нибудь». Он уже работает:
- Biocad - 5 лет опыта, для РФ ИИ это эпоха.
- 70 препаратов в клинических испытаниях.
- Сотни миллионов долларов потенциальной экономии.
Но работает он не вместо человека, а там, где человек устаёт, ошибается и тонет в бумагах.
Самый ценный ресурс в фарме - это время учёного и качество его решений. ИИ здесь выступает не как замена, а как усилитель: быстрее прочитать, точнее отобрать, надёжнее проверить.
И мне кажется, это правильный вектор. Не гнаться за фантастикой, а аккуратно встраивать алгоритмы в те места, где больнее всего. Там и отдача будет быстрее, и доверия больше.
А вы замечали, как в вашей сфере ИИ помогает не «делать круто», а просто «не даёт ошибиться»?