Ідея «ліків, спроєктованих штучним інтелектом», довго жила в презентаціях і демонстраціях на конференціях. Та тепер вона підходить до найжорсткішого бар’єра біомедицини — випробувань на людях. Isomorphic Labs, компанія, що виросла з наукової та інженерної ДНК DeepMind, заявляє про готовність підвести власні кандидати до клініки. Президент стартапу Макс Джейдерберг, виступаючи на WIRED Health у Лондоні, описав портфель як «широкий і захопливий» — формулювання, яке в цій індустрії означає набагато більше, ніж маркетингову сміливість.
Для фарми та венчурного ринку це момент перевірки: чи зможе ШІ не просто пришвидшити генерацію гіпотез, а пройти шлях від цифрового дизайну до реального профілю безпеки, ефективності й виробничої придатності. Бо в лабораторіях світу вже вміють «намалювати» мільйони молекул. Питання в іншому — скільки з них витримають зустріч із людською фізіологією та регуляторною реальністю.
Від тріумфу AlphaFold до практики індустріальної фарми
Походження Isomorphic Labs — це не типовий «гаражний» стартап. Компанія постала на перетині двох світів: проривів у передбаченні структури білків і прагматичної фармацевтичної машини, яка вимагає доказів у форматі токсикології, фармакокінетики та даних клінічних кінцевих точок. Після того, як методи на кшталт AlphaFold підсвітили нову швидкість розуміння білкових форм, стало очевидно: якщо структуру можна передбачити, її можна й атакувати — точніше, підбирати молекули, здатні зв’язуватися з мішенню.
Але структурне передбачення — лише фрагмент пазла. Сучасний drug discovery — це водночас хімія, біологія, фізика, моделювання, біоінформатика, а також безкінечна «гемба» з побічними ефектами. Тому акцент Isomorphic Labs на власному «конвеєрі» важливіший за окрему модель: компанія прагне побудувати систему, де генеративні підходи та симуляції працюють разом із реальними експериментами, а не замінюють їх.
Що означає «дизайн ліків ШІ»: не магія, а керування невизначеністю
Коли на сцені звучить «AI-designed», уявлення часто розходяться: від фантазії про «модель, що винаходить пігулку за ніч», до скепсису «це просто автоматизація скринінгу». Реальність ближча до третього сценарію: ШІ стає інструментом керування невизначеністю на ранніх етапах, де помилка коштує найдорожче.
У традиційному підході відкриття ліків часто виглядає як довга серія наближень: знайшли мішень, підтвердили її роль у хворобі, згенерували «хіти», перетворили їх на «ліди», оптимізували під ADMET (абсорбцію, розподіл, метаболізм, виведення й токсичність), потім — доклініка і клініка. ШІ потенційно скорочує кількість сліпих циклів: швидше пропонує молекули, прогнозує властивості, підказує, де дизайн «зламається» ще до того, як команда витратить місяці на синтез і тести.
Ключова ставка Isomorphic Labs — не лише генерація кандидатів, а здатність масштабувати процес: формувати портфель, де паралельно рухаються різні програми, а рішення ухвалюються на підставі багатьох сигналів — від біофізичних параметрів зв’язування до придатності молекули до виробництва. Це важливо, бо один успішний кандидат — рідкість; портфельний підхід підвищує шанс, що хоча б частина проєктів «доживе» до пізніх фаз.
Клініка як «червона лінія»: чому саме тепер ринок затамував подих
Перехід до випробувань на людях — не просто наступний етап. Це зміна правил гри. У доклініці можна переконливо показувати активність на клітинних моделях і тваринах, але історія медицини переповнена прикладами, коли перспективні молекули провалювалися через неочікувану токсичність, слабку експозицію в тканинах або відсутність ефекту в реальних пацієнтів.
Тому заяви про наближення до клініки читаються як сигнал двом аудиторіям. Перша — фармкомпанії та потенційні партнери. Друга — регулятори й лікарі, для яких «ШІ» не є аргументом; аргументом є дизайн дослідження, статистика, стандарти якості та репліковність. Якщо кандидати Isomorphic Labs справді увійдуть у перші фази, увага буде прикута не до того, як саме модель обчислювала ймовірності, а до того, чи є у кандидатів чистий профіль безпеки та ознаки біологічної активності там, де це важливо.
В індустрії є ще одна причина напруги: інфляція очікувань від ШІ. Після буму генеративних моделей ринок втомився від обіцянок «революції за квартал». Клінічні дані — найкоротший шлях від хайпу до реальності. Вони або запускають новий цикл довіри, або перетворюють гучні слогани на обережні примітки дрібним шрифтом.
Чому DeepMind-спінофу вірять: партнерства, дані та дисципліна процесу
Перевага компаній, що виходять із великих AI-лабораторій, не лише в таланті. Це ще й дисципліна роботи з даними, масштаб інфраструктури та культура тестування гіпотез. У фармі ж, навпаки, величезна цінність — у доступі до валідованих біологічних систем, хімічних бібліотек, історичних наборів невдалих експериментів і вмінні не закохуватися у власні кандидати.
Isomorphic Labs намагається поєднати ці світи: з одного боку — обчислювальні моделі, що здатні швидко оцінювати тисячі варіантів; з іншого — «мокра» лабораторна перевірка, яка безжально відсікає красиві, але нежиттєздатні ідеї. Саме тому згадка про «pipeline» звучить переконливо: це не один проєкт, а система, що має відтворювати результати знову й знову.
Скепсис, який варто зберегти: де ШІ найбільше помиляється
Навіть найкращі моделі зіштовхуються з фундаментальними обмеженнями. По-перше, дані в біомедицині нерівномірні: ми добре знаємо популярні мішені й погано — «темні» ділянки біології. По-друге, багато параметрів — контекстні: молекула може бути чудовою в одній тканині й проблемною в іншій; ефект може залежати від генетики пацієнта або супутніх хвороб. По-третє, існує «пастка оптимізації»: модель може надто впевнено шліфувати властивості, які легко вимірювати, і пропустити ті, що проявляються пізно (наприклад, ідіосинкратична токсичність).
Експертні голоси в галузі зазвичай сходяться в одному: ШІ стає найкориснішим, коли його використовують не як оракул, а як навігацію — для постановки експериментів, пріоритизації ризиків і скорочення кількості «марних» синтезів. У такій рамці успіх вимірюється не гучністю заяв, а статистикою: чи збільшується частка кандидатів, що проходять доклініку; чи стає швидшим цикл оптимізації; чи падає вартість помилки.
Конкуренція за швидкість і довіру: як змінюється ринок відкриття ліків
Isomorphic Labs виходить на поле, де вже багато гравців — від біотехів із вузькою спеціалізацією до фармгігантів, які будують власні AI-команди. У цій гонці важливі три метрики: швидкість (час до кандидата), якість (ймовірність успіху в клініці) і довіра (здатність пояснювати рішення та працювати в регульованому середовищі).
Окремий фронт — бізнес-модель. Частина компаній заробляє як «AI-постачальник» для фарми, продаючи доступ до платформи або спільно ведучи програми. Інші йдуть шляхом повноцінної біотех-компанії, що прагне довести молекулу до пізніх фаз і монетизувати її ліцензуванням або виходом на ринок. Чим ближче кандидати Isomorphic Labs підходять до людей, тим чіткіше видно: це ставка на реальні препарати, а не лише на програмне забезпечення.
Найближчі запитання, на які чекатиме індустрія
- Які саме показання та мішені обере компанія для перших випробувань — від цього залежить ризик-профіль і темп набору пацієнтів.
- Які доклінічні дані підкріплюють перехід у клініку: токсикологія, біодоступність, селективність, взаємодії з іншими білками.
- Наскільки відтворюваний процес: чи є це один «вистріл», чи серія кандидатів, які рухаються паралельно.
- Чи дає ШІ вимірювану перевагу над традиційним дизайном — у часі, вартості або ймовірності успіху.
Поки що публічний сигнал з Лондона зводиться до одного: Isomorphic Labs вважає, що її портфель дозрів до найскладнішого тесту. «Ми збудували широкий і захопливий pipeline нових ліків», — так сформулював Джейдерберг на WIRED Health, і тепер індустрія чекатиме не красивих графіків, а першої клінічної сторінки з реальними параметрами безпеки та ранніми ознаками ефективності.
