Эксперт по ИИ утверждает, что большинство заболеваний можно вылечить за 5–10 лет, но Бернштейн говорит: «Подождите». 26 августа Бернштейн опубликовал отчет о фармацевтической отрасли США, систематизировав реальный прогресс ИИ в разработке лекарств: около 70 проектов с использованием ИИ уже находятся в клинической фазе, большинство из них все еще на ранних стадиях, и настоящие испытания наступят через 3–5 лет.
Генеральный директор DeepMind Демис Хассабис сказал: «Возможно, через 10 лет ИИ сможет вылечить все болезни», а генеральный директор Anthropic Дарио Амодей выступил еще более радикально: «5–10 лет — и большинство человеческих заболеваний будут излечены». Бернштейн считает, что эти заявления скорее являются защитой социальной ценности ИИ, а не опираются на реальность разработки лекарств. От выявления мишеней до клинических испытаний и до способности медицинской системы усваивать новые средства — каждый этап является узким местом. ИИ может ускорить некоторые этапы, но биология в конечном итоге должна быть подтверждена в организме человека, и этот темп нельзя сжать с помощью алгоритмов.
Повышение成功率 имеет большую ценность, чем ускорение скорости
Бернштейн оценивает, что повышение успешности на 20% создает гораздо большую отдачу от исследований и разработок, чем экономия времени и затрат на ту же величину. Затраты на неудачу сосредоточены на поздних этапах; предотвращение неудачи ценнее, чем ускорение процесса.
Влияние ИИ на успех зависит от того, какую проблему он решает. Если ИИ используется в основном для оптимизации молекул с известными мишенями, вероятность успеха может повыситься, но ценность таких «простых задач» ограничена. Если ИИ применяется для решения труднолечимых заболеваний, биологическое понимание которых еще недостаточно развито, даже при низкой общей вероятности успеха создаваемая ценность может быть значительно выше.
Бернштейн отмечает контринтуитивный вывод: чем больше используется ИИ, тем больше может потребоваться влажных экспериментов. Самые сложные проблемы сталкиваются с дефицитом обучающих данных, а генерация новых данных требует значительных экспериментальных затрат. ИИ и влажные эксперименты дополняют друг друга. Стоимость проведения еще одного влажного эксперимента намного ниже, чем стоимость провала проекта на поздней стадии.
Распределение ИИ в фармацевтических компаниях: Eli Lilly — самое широкое, Amgen — самое глубокое, Roche — самое мощное вычислительное оборудование
Бернштейн проанализировал 183 партнерства по использованию ИИ для открытия лекарств среди 15 крупных фармацевтических компаний. Стратегии компаний значительно различаются.
Eli Lilly имеет самую широкую сеть внешних партнерств: с 2019 года заключено 25 сделок, общая первоначальная оплата составила около 353 миллионов долларов США. Партнеры включают Insilico Medicine, Profluent, Verge Genomics, Genesis Therapeutics и другие. Eli Lilly также обладает NVIDIA Co-Innovation AI Lab, что обеспечивает наиболее сбалансированное сочетание внешней экспансии и внутренних вычислительных мощностей.
Рош занимает второе место с 20 партнерствами, сосредоточившись на онкологии (8) и нейронауках (4). Гибридная фабрика AI Genentech была названа Бернштейном «крупнейшей из объявленных в отрасли локальных установок GPU». Сотрудничество Recursion на сумму 1,2 млрд долларов — крупнейшая единичная сделка.
Амген имеет наименьшее количество внешних партнерств (5), но наиболее дифференцированную внутреннюю стратегию в области ИИ и вычислительных мощностей. Приобретенная в 2012 году deCODE Genetics предоставляет ведущую в отрасли платформу для геномики населения, позволяющую идентифицировать и верифицировать генетические варианты, связанные с заболеваниями, для приоритизации целей. Амген натренировала пять собственных языковых моделей для антител на локальной системе DGX SuperPOD, что обеспечивает явное преимущество в данных.
AstraZeneca имеет 19 сделок, экономика сильно сосредоточена на трех соглашениях с CSPC Pharmaceutical Group, которые составляют подавляющую часть их открытых авансовых платежей.
Новонордиск — крупнейшая фармацевтическая компания с наибольшей концентрацией сотрудничества, все 10 партнерств сосредоточены на периоде после 2022 года, из них 7 направлены на сердечно-сосудистые, метаболические и почечные заболевания.
У Pfizer наибольшее количество платформенных партнерств (9 в рамках всей линейки продуктов); отношения с базовыми моделями ИИ восходят к 2016 году и IBM Watson; специализированные вычислительные партнерства не выявлены.
Бернштейн подчеркнул, что все это — внешние оценки, а настоящая интеграция качества и внутренней культурной трансформации трудно поддается количественному измерению.
ИИ в биотехнологиях: клинические активы — настоящий тест на прочность
Около 70 проектов с источниками ИИ в основном сосредоточены на публично торгуемых компаниях, причем определения сильно различаются — от ИИ-переназначения лекарств до ИИ-обнаружения мишеней и ИИ-дизайна молекул.
Rentosertib от Insilico — это пример полностью AI-ориентированной разработки лекарств. Платформа PandaOmics идентифицировала TNIK в качестве мишени для идиопатического легочного фиброза, а генеративная ИИ-платформа Chemistry42 спроектировала молекулу — от гипотезы мишени до предклинического кандидата прошло около 18 месяцев. Препарат уже перешел на III фазу, основные конечные точки ожидаются в октябре 2029 года — это один из наиболее значимых показателей в индустрии AI-фармацевтики.
Recursion сотрудничает с Рохе, Байером и Санофи, используя клеточную визуализацию и мультиомику для открытия целевых молекул.
Generate Biomedicines разрабатывает белковые лекарства, GB-0895 (антитело к TSLP) перешел в III фазу для проверки возможности превращения AI-спроектированных белков в дифференцированные схемы доставки.
Relay Therapeutics использует моделирование движения белков для разработки лекарств; zoogalalisib (ингибитор PI3Kα) перешел на III фазу, чтобы проверить, можно ли улучшить терапевтический окно за счет конформационной селективности.
Schrödinger использует стратегию, основанную на физических вычислениях; заявка на регистрацию Zasocitinib (ингибитор TYK2) уже подана. Этот мишень уже имеет клиническую валидацию от deucravacitinib компании BMS и должен рассматриваться как успешный пример вычислительной оптимизации, а не как прорыв AI в открытии новых мишеней. От выбора мишени до клинических испытаний прошло 8–10 лет — срок не сокращен по сравнению с отраслевыми стандартами.
Данные одобрения FDA еще не отражают влияние ИИ
За последние пять лет FDA в среднем одобряла 48,5 новых лекарств в год, что на 43% выше среднего показателя в 33,8 новых лекарств в год за период с 1985 по 2025 год. Бернштейн считает, что это больше отражает модернизацию регулирования, рост биофармацевтики и накопительный эффект прошлых инвестиций в исследования и разработки, а не видимое влияние ИИ на данные одобрения. Учитывая, что объем источников ИИ все еще невелик, а клиническая валидация требует времени, эта ситуация в ближайшее время не изменится.
Выводы Бернштейна практичны. ИИ уже играет роль в дизайне молекул, виртуальном скрининге и выявлении целевых молекул, причем некоторые ранние проекты перешли на поздние стадии клинических испытаний. «Лечение всех заболеваний» требует преодоления множества барьеров — понимания биологии, клинических испытаний, регуляторного одобрения и пропускной способности медицинской системы — и это не проблема, которую можно решить за счет итераций алгоритмов. Ценность ИИ в фармацевтике может заключаться в помощи отрасли в принятии более качественных решений, а не в ускорении процессов. Настоящий ответ станет ясен через 3–5 лет.
Отказ от ответственности
Данный текст представляет собой обобщение и интерпретацию исследования, подготовленного третьей стороной — инвестиционным банком Bernstein (26 августа 2026 года), дополненное анализом открытой рыночной информации. Приведенные в статье рейтинги, целевые цены, прогнозы прибыли и соответствующие выводы являются мнением аналитиков данного банка и отражают позицию исключительно их организации; они не выражают точку зрения Chaoxiang Research и не являются инвестиционными рекомендациями.
Рынок сопряжен с рисками, принимайте решения самостоятельно. Данный материал не должен использоваться в качестве основы для покупки или продажи любых ценных бумаг.
Автор: Рита