Новости

Будущее ИИ в разработке лекарств: разбираем отраслевой отчёт Хелснета

2026-08-19 01:48
Крупная фармацевтическая отрасль переживает трансформацию привычной модели R&D.

Этот сдвиг подробно зафиксирован в отчёте «Исследование использования искусственного интеллекта (ИИ) в фармакологии и Drug Discovery», который подготовили: Инфраструктурный центр НТИ «Хелснет», Сеченовский университет, Институт AIRI и Академпарк.
Отчет представляет комплексный анализ рынка, охватывающий глобальные тренды, состояние российской отрасли, практические кейсы и библиографический обзор публикаций за пять лет.
Мы были рады поучаствовать в подготовке этого исследования — наша коллега Анна Пинигина выступила одним из экспертов отчёта.
Ниже представлены 4 фундаментальных тренда, определяющих развитие индустрии.

1. Как рынок сделок и биотех-стартапы меняют фарминдустрию

Наиболее показательный вектор развития отражён в структуре создания новых препаратов.
По данным исследования, собственный внутренний R&D крупных фармацевтических корпораций обеспечивает лишь 28% их инновационного пайплайна. Остальные 65% одобренных регуляторами лекарственных средств приобретаются снаружи посредством сделок M&A и лицензионных соглашений у независимых биотех-стартапов.
В настоящее время именно биотехнологические компании обеспечивают 47% всех новых одобрений FDA против 38% у классических фармгигантов. В сегменте биологических препаратов их доля достигает 63%, а в категории малых молекул составляет 39%.
Из этого следует, что небольшие R&D-команды стали основным источником инноваций. Для поддержания высоких темпов разработки им требуются эффективные цифровая инфраструктура и экосистемы вроде Синтелли, способные автоматизировать первичный анализ химического пространства на ранних этапах проектов.

2. Мировой рынок ИИ: сдвиг от точечных утилит к платформам

Объём мирового рынка AI-driven drug discovery в 2024 году оценивается в интервале от 1,7 до 3,6 млрд долларов с перспективой роста до 9 млрд долларов к 2030 году. Однако ключевые изменения касаются не столько объёма финансирования, сколько архитектуры предлагаемых решений.
Период изолированных калькуляторов физико-химических свойств завершился.
Индустрия отдаёт приоритет сквозным платформам, сопровождающим молекулу по замкнутому циклу Design — Make — Test (DMT).
Объединение задач поиска мишеней, молекулярного дизайна, расчёта ADMET-профиля и планирования органического синтеза в единый контур стало стандартным требованием заказчиков.
Данная тенденция подтверждается масштабом крупных инфраструктурных альянсов, таких как Takeda и Iambic ($1,7 млрд) или стратегическое партнерство NVIDIA и Eli Lilly ($1 млрд на создание совместной AI-лаборатории).

3. Эволюция методологии от оценки одного параметра к мультипараметрической оптимизации

Как отмечают авторы исследования, исторически оптимизация структуры часто проводилась лишь по одному-двум параметрам, например по аффинности связывания. Это регулярно приводило к провалам на клинических стадиях из-за неудовлетворительной фармакокинетики или высокой токсичности кандидата.
Современный методологический подход базируется на мультипараметрической оптимизации (MPO), которая одновременно учитывает активность, селективность, ADMET-параметры и синтетическую доступность молекулы. Параллельно возрастают требования к объяснимости алгоритмов.
Подход «чёрного ящика» уступает место концепции Explainable AI (XAI), в рамках которой выводы модели должны поддаваться экспертной и экспериментальной верификации.

4. Ключевые барьеры и перспективы развития ИИ в России

Российский сектор сталкивается со специфическими ограничениями, замедляющими масштабирование технологий. В отчёте выделены 3 основных барьера:
  • Дефицит профильных кадров
Потребность отрасли в специалистах превышает 7200 человек, при этом 68% вакансий исследователей остаются незакрытыми. Наблюдается разрыв между навыками в машинном обучении и знаниями медицинской химии.
  • Отсутствие стандартов данных CDISC
Сдача отчётности в виде PDF-документов и непроструктурированных таблиц блокирует полноценное обучение ИИ-моделей на исторических клинических массивах.
  • Преобладание сервисной модели
Большинство разработчиков ориентированы на выполнение точечных заказных проектов, а не на создание коробочных платформ.
Характерно, что междисциплинарный кадровый дефицит выступает стимулом для развития No-Code решений. Грамотно спроектированный веб-интерфейс позволяет химикам-синтетикам и фармакологам эффективно применять нейросетевые модели без необходимости написания программного кода.

💬 Слово эксперту

Анна Пинигина, ведущий хемоинформатик Синтелли:
Ключевой прорыв последних лет — это генеративный дизайн и вычислительное проектирование белков, отмеченное Нобелевской премией по химии 2024 года. Развиваются ИИ-докинг, модели токсикологии и автономные агентные системы.

Важную импортозаместительную роль играют отечественные платформы нового поколения. Syntelly формирует единую инфраструктуру для работы с химическими данными и ИИ-моделями, выступая отечественным аналогом зарубежных хемоинформатических баз и инструментов анализа. Наша экосистема пока уступает мировым гигантам по масштабу, но мы создаем фундамент для независимого технологического роста
Полный текст отчёта с подробным анализом научных публикаций и методологий доступен у коллег из НТИ «Хелснет»: https://healthnet.academpark.com/analytics/
Подробнее об инструментах Синтелли можно узнать из этого обзорного эфира: https://vkvideo.ru/video-219911228_456239040?sh=4