Експерти з штучного інтелекту стверджують, що за 5–10 років можна вилікувати більшість хвороб, але Бернштейн каже — почекайте. 26 серпня Бернштейн опублікував звіт про американську біофармацевтичну галузь, де систематично проаналізовано реальний прогрес AI у розробці ліків: близько 70 проектів з використанням AI вже потрапили до клінічних етапів, але більшість з них все ще на початкових стадіях, і справжній випробування настане через 3–5 років.
Генеральний директор DeepMind Деміс Хассабіс сказав: «Можливо, через 10 років ШІ зможе лікувати всі хвороби», а генеральний директор Anthropic Даріо Амодей ще більш радикально заявив: «5–10 років — і більшість хвороб людини будуть лікувані». Бернштейн вважає, що ці твердження більше схожі на захист соціальної цінності ШІ, ніж на реалістичний аналіз розробки ліків. Кожен етап — від виявлення мішеней до клінічних випробувань і здатності медичної системи їх сприймати — є обмеженням. ШІ може прискорити деякі етапи, але біологія в кінцевому підсумку має бути перевірена в організмі людини, і цей темп не можна стиснути алгоритмами.
Підвищення успішності має більшу цінність, ніж прискорення швидкості
Бернштейн розрахував, що збільшення успішності на 20% створює значно більший дослідницький дохід, ніж економія часу та витрат на ту саму величину. Витрати на невдачі зосереджені на пізніх етапах, і уникнення невдачі цінніше, ніж прискорення процесу.
Вплив ШІ на успішність залежить від того, яку проблему він вирішує. Якщо ШІ використовується переважно для оптимізації молекул з відомими мішенями, успішність може зростати, але ці «прості проблеми» мають обмежену цінність. Якщо ШІ застосовується для подолання важколікних захворювань, де біологічне розуміння ще недостатнє, навіть при низькій загальній успішності він може створити більшу цінність.
Бернштейн зазначає протилежний інтуїції висновок: чим більше використовується ШІ, тим більше може знадобитися вологих експериментів. Найскладніші проблеми стикаються з дефіцитом навчальних даних, а отримання нових даних вимагає великих зусиль у експериментах. ШІ та вологі експерименти є взаємодоповнюючими. Витрати на один додатковий вологий експеримент значно нижчі, ніж витрати на невдалий проект на пізній стадії.
Розподіл ШІ у фармацевтичних компаніях: Eli Lilly — найширший, Amgen — найглибший, Roche — найбільш потужні обчислювальні ресурси
Бернштейн проаналізував 183 співпраці з використанням ШІ для відкриття ліків у 15 великих фармацевтичних компаніях. Стратегії кожної компанії суттєво відрізняються.
Eli Lilly має найширшу мережу зовнішніх партнерств: з 2019 року було укладено 25 угод, з початковими платежами на загальну суму приблизно 353 мільйони доларів США. Партнери включають Insilico Medicine, Profluent, Verge Genomics, Genesis Therapeutics тощо. Eli Lilly також має NVIDIA Co-Innovation AI Lab, що забезпечує найбільш збалансоване поєднання зовнішньої експансії та внутрішніх обчислювальних потужностей.
Рош займає друге місце з 20 партнерствами, зосереджуючись на онкології (8) і нейронауці (4). Гібридна фабрика AI Genentech була названа Бернштейном «найбільшою з відомих локальних установок GPU в галузі». Партнерство Recursion на 1,2 млрд доларів США — найбільша окрема угода.
Amgen має найменше зовнішніх партнерств (5), але найбільш диференційовану внутрішню стратегію в галузі ШІ та обчислювальних потужностей. Придбана в 2012 році deCODE Genetics надає лідерський у галузі геномний двигун для популяцій, який дозволяє ідентифікувати та підтверджувати генетичні варіанти, пов’язані з хворобами, для пріоритизації мішеней. Amgen навчав п’ять власних мовних моделей антитіл на локальному DGX SuperPOD, що забезпечує значну перевагу у даних.
Астразенека має 19 угод, економічна концентрація висока — три угоди з CSPC Pharmaceutical Group становлять більшість їхніх публічних початкових платежів.
Novo Nordisk має 10 партнерств, всі з яких були укладені після 2022 року, і 7 із них спрямовані на кардіоваскулярні, метаболічні та ниркові захворювання — це найбільша фармацевтична компанія з найбільш фокусованим портфелем терапевтичних напрямків.
Пфайзер має найбільше платформених партнерств (9 у всіх фазах розробки), зв’язки з AI-базовими моделями сягають 2016 року з IBM Watson, спеціалізовані партнерства з обчислювальними ресурсами не виявлено.
Бернштейн підкреслив, що всі це зовнішні оцінки, а справжня інтеграція якості та внутрішньої культурної трансформації важко піддається кількісному вимірюванню.
Штучний інтелект і біотехнології: клінічні активи — справжній випробувальний камінь
Приблизно 70 проектів з джерелами ШІ зосереджені переважно на публічно торгуємих компаніях, і визначення різняться від ШІ-перепризначення ліків до ШІ-виявлення мішеней та ШІ-дизайну молекул.
Rentosertib від Insilico — це приклад повного циклу AI-фармацевтики. Платформа PandaOmics виявила TNIK як мішень ідіопатичної легеневої фібрози, а генеративний AI Chemistry42 спроектував молекулу — від гіпотези мішені до клінічного кандидата приблизно за 18 місяців. Лік вже перейшов до III фази, і основні кінцеві показники очікуються у жовтні 2029 року — це один із найважливіших даних у галузі AI-фармацевтики.
Recursion через клітинну імажинґ та багатоомічне виявлення мішеней співпрацює з Рош, Байєр та Санофі.
Generate Biomedicines розробляє білкові ліки, GB-0895 (антитіло до TSLP) вже перейшло до III фази для перевірки можливості перетворення білків, розроблених за допомогою ШІ, у диференційовані схеми лікування.
Relay Therapeutics розробляє ліки за допомогою моделювання руху білків; zoogalalisib (інгібітор PI3Kα) перейшов до III фази, щоб перевірити, чи можна покращити терапевтичний вікно за допомогою конформаційної селективності.
Schrödinger використовує стратегію, спрямовану на фізичні обчислення, і подав заявку на реєстрацію Zasocitinib (інгібітор TYK2). Цільовий білок вже має клінічне підтвердження від deucravacitinib від BMS, тому його слід розглядати як успішний приклад обчислювальної оптимізації, а не як прорив AI у виявленні нових цільових білків. Від вибору цільового білка до клінічних випробувань пройшло 8–10 років — термін не скорочено порівняно з галузевим стандартом.
Дані з затвердження FDA ще не враховують вплив ШІ
За останні п’ять років FDA в середньому схвалювала 48,5 нового лікарського засобу на рік, що на 43% більше, ніж середньорічні 33,8 засобів за період з 1985 по 2025 рік. Bernstein вважає, що це більше відображає модернізацію регулювання, зростання біологічних ліків та накопичений ефект минулих інвестицій у дослідження та розробки, а не вплив ШІ, який ще не виявився помітним у даних щодо схвалень. Ураховуючи, що обсяги джерел ШІ залишаються невеликими, а клінічна перевірка потребує часу, ця ситуація не зміниться у короткостроковій перспективі.
Висновки Бернштейна практичні. Штучний інтелект вже відіграє роль у дизайну молекул, віртуальному скринінгу та виявленні мішеней, і деякі ранні проекти вже досягли пізньої клінічної фази. «Лікування всіх хвороб» вимагає подолання багатьох бар’єрів — розуміння біології, клінічних випробувань, регуляторного схвалення та потужності медичної системи — і це не питання, яке можна вирішити за рахунок ітерацій алгоритмів. Цінність ШІ у фармацевтиці полягає, ймовірно, у допомозі галузі приймати кращі рішення, а не в прискоренні процесів. Справжня відповідь з’явиться через 3–5 років.
Відмова від відповідаль
Цей текст є узагальненням та інтерпретацією дослідження від стороннього брокерського дослідження (Bernstein, 26 серпня 2026 року) з урахуванням публічної інформації ринку. Цитовані оцінки, цільові ціни, прогнози прибутку та відповідні висновки є думками аналітиків цього брокера і відображають лише позицію їхньої організації, а не позицію Chaoxiang Research, а також не є рекомендацією для інвестування.
Ринок має ризики, приймайте рішення незалежно. Цей матеріал не повинен використовуватися як основа для купівлі чи продажу будь-яких цінних паперів.
Автор: Rita