💊 Кто платит за молекулы, пока нет лекарства: искусственный интеллект в Китае

Искусственный интеллект (ИИ) уже сокращает путь от идеи до молекулы-кандидата, но не отменяет дорогу от кандидата до пациента. Проект компании Insilico Medicine (英矽智能) прошёл от поиска мишени до выбора доклинического кандидата за 18 месяцев. Однако традиционный маршрут от лаборатории до применения занимает в среднем 10 лет, требует более $1 млрд и завершается клиническим успехом менее чем в 10% случаев. Разница между этапами показывает, где ускорение уже измеримо, а где ещё остаётся обещанием.

Быстрый расчёт упирается в медленный эксперимент

К началу 2026 года мировой рынок ИИ-поиска лекарств оценивался примерно в $2,6 млрд; более 170 оригинальных проектов вошли в клиническую разработку. По данным фармацевтического аналитика Сунь Юаньюань, найденные ИИ молекулы проходили I фазу с успешностью 80–90% против исторических 52% у традиционных препаратов. Сравнение касается только первой фазы, не регистрации лекарства.

На момент публикации не было ни одного вышедшего на рынок препарата, у которого ИИ самостоятельно спроектировал и мишень, и молекулу. Ли Дун, руководитель центра медицинских данных при Пекинской больнице Цинхуа Чангэн, относит доказанный эффект прежде всего к поиску мишеней, оптимизации молекул, проектированию испытаний и подбору пациентов.

Узкое место создаёт разница скоростей: цифровой отбор масштабируется, а каждый кандидат всё равно проходит лабораторные и клинические испытания. Модель к тому же может предложить статистически правдоподобную, но биологически бесполезную или небезопасную молекулу. Глава Boji Medical Technology (博济医药) Ван Тинчунь подчёркивает, что исследования на животных и людях незаменимы, а виртуальное моделирование экспериментов ещё не применяется. Требования к ИИ-кандидату остаются теми же, что к обычному препарату.

Где ускорение уже можно измерить

На доклиническом этапе ИИ повышает эффективность поиска мишеней и оптимизации соединений в 2–4 раза, а затраты на неудачные попытки снижает более чем на 30%. Партнёр PwC У Цзюнь оценивает этот этап примерно в один год и отмечает, что несколько ИИ-препаратов уже дошли до II и III фаз. Поздняя фаза ещё не означает успешного завершения испытаний.

В клинической работе алгоритмы помогают сопоставлять профиль пациента с критериями исследования, заранее замечать риски и корректировать дизайн. По оценке У Цзюня, это в среднем сокращает срок набора участников на 30–50%. Здесь ИИ не заменяет биологическую проверку, а уменьшает организационные задержки вокруг неё.

Китайский препарат с оптимизированной ИИ формулой завершил III фазу; разработчик сообщает о повышении биодоступности и безопасности. Это подтверждает продвижение конкретной разработки, но не регистрацию лекарства и не сокращение полного цикла.

Кто платит за разработки до регистрации лекарства

В первой модели крупная фармкомпания платит ИИ-разработчику за платформу, алгоритм или отдельную программу: аванс, выплаты за этапы и доля будущих продаж. В 2026 году CSPC Pharmaceutical Group (石药集团) заключила с AstraZeneca соглашение на $1,77 млрд, а Insilico Medicine — с Takeda более чем на $600 млн. Это стоимость соглашений, не уже полученная выручка.

Во второй модели лицензирования нет: разработчик сам ведёт кандидата через клинику и рассчитывает на самостоятельную коммерциализацию, принимая на себя длительную проверку. Третья модель — услуги на отдельных этапах, от поиска мишени до управления клиническими данными. Их заказывают традиционные фармкомпании и контрактные исследовательские организации.

Партнёрства тоже меняются. У Цзюнь описывает отказ части производителей от полного цикла внутри одной компании: они подключают ИИ-поставщиков или создают внутренние платформы. По словам Сунь Юаньюань, долгосрочные соглашения теперь охватывают не только отдельные препараты, но и модели, данные и платформу раннего поиска.

Контракты — не единственный двигатель коммерциализации: источник также называет капитал и госполитику. В октябре 2025 года межведомственный документ предложил медицинским центрам и производителям совместно создавать модели отбора новых лекарств. В начале 2026 года восемь ведомств поставили задачу развивать ИИ-платформы поиска и виртуального отбора кандидатов.

Что это значит

Критерий рынка смещается от числа сгенерированных молекул к способности провести их через клинику и коммерциализацию. Поэтому контракт на платформу, совместная программа и собственный препарат показывают разные виды успеха: в них по-разному распределены доход, риск и ответственность за проверку.

Следующий барьер находится в данных. Сунь Юаньюань указывает на нехватку качественных биологических наборов и разобщённость молекулярных баз, клинических записей и сведений реальной практики. Ли Дун предлагает объединять физически разделённые ресурсы через отраслевые стандарты и технологии конфиденциальных вычислений, не допуская усиления исходных перекосов алгоритмом.

Представитель Sino Biopharmaceutical (中国生物制药) ставит управление выше технологии: в контроле производства и фармаконадзоре ИИ может быть только помощником, а ключевые решения должны оставаться за человеком.

Отдельное ограничение — дефицит людей, совмещающих медицину и алгоритмы. Даже в ведущих фармкомпаниях они составляют более 20% ИИ-команд, но, по оценке источника, отрасли всё равно не хватает таких специалистов. Для замкнутой системы нужны надёжная инфраструктура данных, строгая методология, обязательная клиническая проверка, согласованное регулирование и подготовка междисциплинарных кадров. Лишь тогда данные реальной практики смогут замкнуть предложенный Ли Дуном контур между клиникой, вычислениями и новыми гипотезами для лекарств.