Отрицать ИИ сегодня — это как в 2005 отрицать интернет и продолжать отправлять письма голубями.

Особенно смешно это выглядит в биотехнологии и крупной фармацевтике, где цена одной ошибки — миллионы долларов и годы разработки.

Пока кто-то до сих пор воспринимает нейросети как «чат для текста», крупнейшие фармацевтические компании мира уже встроили ИИ почти во все этапы разработки препаратов.

И это не футуризм. Это уже реальность отрасли.

Pfizer использует ИИ для анализа огромных массивов клинических данных и поиска новых мишеней для препаратов. Во время пандемии COVID-19 машинное обучение помогало ускорять обработку данных и улучшать процессы разработки.

Roche активно внедряет ИИ в диагностику и анализ медицинских изображений через свои подразделения цифровой медицины и сотрудничество с компаниями в области искусственного интеллекта.

Novartis использует нейросети для прогнозирования эффективности молекул, улучшения структуры лекарств и автоматизации обработки данных в научно-исследовательской работе.

AstraZeneca сотрудничает с BenevolentAI и другими компаниями в области ИИ для поиска новых терапевтических мишеней и ускорения разработки препаратов.

Moderna вообще строилась как «компания данных внутри биотехнологий». Огромная часть разработки мРНК-платформ опирается на алгоритмы анализа последовательностей, прогнозирования стабильности конструкций и цифрового улучшения процессов.

Recursion Pharmaceuticals создала целую платформу, где нейросети анализируют миллионы клеточных изображений после воздействия различных молекул. По сути — обучение ИИ «видеть» биологию на клеточном уровне.

Insilico Medicine пошли ещё дальше — они используют генеративные модели для создания новых молекул и уже довели некоторые препараты, разработанные ИИ, до клинических исследований.

И это только верхушка айсберга.

Сейчас ИИ в крупной фармацевтике используется практически везде:

— анализ данных секвенирования и многослойных биологических данных, — разработка антител и белков, — поиск перспективных соединений, — молекулярное моделирование взаимодействий, — прогнозирование токсичности, — улучшение процессов в биореакторах, — анализ микроскопических изображений, — контроль качества на производстве, — автоматизация документации, — цифровые копии производств, — моделирование клеточного обмена веществ, — разработка вирусных векторов и генной терапии.

В клеточных технологиях и вирусных векторах ИИ уже помогает: — подбирать оптимальные условия культивирования, — анализировать жизнеспособность и обмен веществ клеток, — прогнозировать выход вируса, — искать проблемы в ранних этапах процесса ещё до его сбоя, — ускорять разработку стабильных клеточных линий.

И это только начало.

Самое важное — ИИ не заменяет ученых. Он убирает рутину и позволяет быстрее принимать решения.

Раньше исследователь мог неделями перебирать параметры культивирования вручную. Теперь модели могут за часы находить закономерности в данных, которые человек физически не увидит.

Раньше поиск молекулы-кандидата занимал годы. Теперь часть вариантов можно отсекать ещё до этапа лабораторных испытаний.

Раньше огромные массивы данных просто лежали «мертвым грузом». Теперь нейросети начинают извлекать из них реальные биологические закономерности.

И вот что действительно важно понять: биофарма будущего — это уже не только отрасль, основанная на биологии.

Это биология + анализ данных + искусственный интеллект.

Через 10 лет специалист, который не умеет работать с инструментами ИИ, будет выглядеть примерно так же, как выглядел бы ученый без навыков работы с интернетом сегодня.

Можно сколько угодно спорить о шумихе. Но крупнейшие мировые компании уже сделали выбор.

ИИ в биотехнологии — не «будущее». Это новая базовая инфраструктура отрасли.