Традиционно открытие лекарств представляло собой медленный, ручной процесс проб и ошибок. Однако появление агентного ИИ меняет парадигму: от простых предсказательных инструментов к автономным «соучёным», способным управлять сложными исследовательскими рабочими процессами [1].
В отличие от стандартных моделей ИИ, которые дают один ответ на запрос, AI‑агенты могут рассуждать, действовать и обучаться независимо [1]. Они объединяют большие языковые модели (LLM) со специализированными инструментами для вычислений, памяти и восприятия, последовательно уточняя научные гипотезы [1].
Как агентный ИИ автоматизирует лабораторию
AI‑агенты работают, координируя серию задач, которые ранее требовали участия человека. Эти системы способны синтезировать огромные объёмы литературы, предсказывать токсичность и генерировать автоматизированные протоколы экспериментов [1].
Некоторые агенты разрабатываются для решения конкретных технических задач. Например, MDCrow позволяет исследователям настраивать и выполнять симуляции молекулярной динамики с помощью естественного языка, устраняя необходимость вручную писать подверженные ошибкам входные скрипты [3]. Другие, такие как Virtual Lab, используют шаблон «агент‑PI», где один основной агент координирует несколько специализированных исследовательских агентов для разработки нанотелец, снижая когнитивную нагрузку и избыток контекста, характерные для монолитных моделей [3].
Такой архитектурный сдвиг позволяет реализовать исследование замкнутого цикла. Инструменты вроде OriGene автоматизируют анализ механизмов заболеваний и идентификацию мишеней, предлагая гипотезу, проверяя её в существующей литературе и уточняя запрос на основе полученных результатов [3].
Влияние на сроки и масштаб открытий
Главная ценность агентного ИИ заключается в способности сокращать время. Ранние реализации продемонстрировали возможность преобразовать рабочие процессы, ранее занимавшие месяцы, в задачи, выполненные за часы [1].
Эта скорость сопровождается повышенной воспроизводимостью и масштабируемостью [1]. Автоматизируя «трубопровод» науки (например, конвейеры HPC‑кластеров через ChemGraph), исследователи могут сосредоточиться на стратегических решениях, а не на ручном вводе данных или отладке скриптов [3].
В практических условиях эти системы сохраняют научную прослеживаемость, гарантируя, что, хотя ИИ действует автономно, путь к открытию остаётся прозрачным и поддаётся аудиту [1].
Разрыв между техническими возможностями и клиническим успехом
Несмотря на технические прорывы в дизайне белков и предсказании их структуры, существует напряжённость между «технологическим толчком» и «научным спросом» [2]. Хотя ИИ теперь может проектировать белки с конкретными функциями, их перевод в одобренные препараты остаётся ограниченным [2].
Многие проекты по открытию лекарств, ориентированные на ИИ, остаются на доклинической стадии, и лишь немногие достигают фазовых III испытаний [2]. Критики утверждают, что некоторые ранние клинические успехи, приписываемые ИИ, могут на самом деле быть результатом использования уже известной биологии заболеваний, что естественно снижает риск проблем с безопасностью [2].
Чтобы преодолеть этот разрыв, отрасль переходит к оценке ИИ‑инструментов по их способности улучшать реальные человеческие решения, а не только по проверке математической точности модели [2].
Как выбрать подходящий агентный инструмент
Для исследователей и разработчиков экосистема разделилась на специализированные открытые агенты и комплексные платформы [S3, S4].
Практический выбор зависит от конкретного этапа конвейера:
- Поиск мишеней: OriGene для открытий, ориентированных на механизмы, или BenevolentAI для идентификации мишеней на основе графов знаний [S3, S4].
- Молекулярный дизайн: Virtual Lab для разработки белков/нанотелец или Insilico Medicine для генерации новых молекул [S3, S4].
- Скрининг и ADMET: DrugClaw (org) для высокопроизводительного скрининга на Rust или DrugClaw (QSong) для взаимодействий лекарств с мишенями [3].
- Симуляция: MDCcrow для разговорных симуляций молекулярной динамики [3].
По мере развития этих инструментов цель состоит в переходе от изолированных задач к полной оркестрации конвейера, где единая агентная система управляет процессом от идентификации мишени до оптимизации лидов [3].
