Россия
Фармкомпания вместе с лабораторией ИИ банка сократила этап разработки структуры антител с примерно 3 лет до 2 месяцев, лаборатория подтвердила гипотезы, цикл от идеи до валидированной структуры сократился в 3 раза (2024). Другая компания построила конвейер: лабораторный этап анализа молекул за недели вместо 7–14 месяцев, у компании 78 зарегистрированных препаратов по итогам 2024 года, клинических исследований на 32% больше. Третья по собственной оценке сократила сроки разработки в 2 раза и подняла долю успешных кандидатов минимум в 2,5 раза. Курчатовский институт нашел более 100 геномных локусов, связанных с инсультом.
Схема у российских кейсов общая: модель предлагает варианты, специалисты отбирают перспективные, лаборатория подтверждает. В одном проекте ИИ из миллиардов фрагментов антител к белку PD-1 выбрал десятки перспективных молекул, и лабораторная проверка это подтвердила. Платформа той же компании объединяет скрининг, синтез генов и моделирование структур и дообучается на новых данных: это конвейер, а не разовый проект.
Мир
Молекула-кандидат против легочного фиброза, найденная с помощью генеративного ИИгенеративный ИИ. Генеративный ИИ (generative AI) это нейросети, которые создают новый контент: тексты, изображения, музыку, видео и программный код по описанию на обычном языке., прошла фазу IIa на 71 пациенте: на максимальной дозе функция легких в среднем +98,4 мл против -20,3 мл на плацебо; путь до кандидата, по словам компании, занял около 18 месяцев против обычных 4,5 лет (Nature Medicine, 2025). Впереди следующие фазы испытаний и регистрация.
Открытая модельмодель с открытыми весами. Модель с открытыми весами (open-weights model) это нейросеть, файлы параметров которой можно скачать и запустить на своем оборудовании. предсказания структуры белков: более 200 млн структур, более 3 млн исследователей в 190 странах, Нобелевская премия 2024 года, более 30% работ с ней посвящены болезням. Сервер модели выдал более 8 млн предсказаний, и ученые пользуются им бесплатно.
Где ИИ ускоряет разработку, а где нет
В кейсах этой страницы ИИ работает до клиники. Одна российская компания применяет машинное обучениемашинное обучение. Машинное обучение (machine learning, ML) это раздел ИИ, в котором программа находит правила в данных сама, а не получает их готовыми от разработчика. для поиска мишеней, виртуального скрининга библиотек молекул, прогноза фармакокинетики и токсичности, оптимизации синтеза и систем доставки. Виртуальный скрининг заменяет часть дорогих лабораторных экспериментов, а свойства молекул прогнозируются на доклинической стадии.
О сокращении клинических испытаний источники этих кейсов не сообщают. Исследование препарата проводится на основании разрешения на клиническое исследование, а применять препарат можно только после государственной регистрации (61-ФЗ ст. 38, 39 и 13). Поэтому «структура за 2 месяца» не значит «лекарство за 2 месяца»: выигрыш на поиске остается выигрышем на поиске.
Как читать цифры кейсов
Прежде чем переносить чужой результат в свой план, проверьте три вещи. Кто измерял: компания о себе, независимые ученые или рандомизированное исследование с публикацией. Какой этап: структура молекулы, лабораторный анализ или весь путь до кандидата. С чем сравнивали: с прошлым проектом той же компании или с обычным сроком в отрасли.
На этой странице оценка «сроки в 2 раза короче, доля успешных кандидатов выше минимум в 2,5 раза» принадлежит самой компании. Срок 18 месяцев до кандидата назван со слов разработчика. Результат фазы IIa получен в двойном слепом плацебо-контролируемом исследовании в 22 центрах и опубликован в журнале. Это разные уровни доказательства, и складывать их в одном бизнес-плане нельзя.
Что решить фармкомпании до проекта
Первое: где у вас самая долгая очередь. В кейсах ИИ давал эффект там, где одна операция повторяется тысячи раз: скрининг, перебор структур, анализ молекул. Второе: есть ли лаборатория, которая быстро проверит предложенные варианты. Во всех российских кейсах гипотезы модели подтверждала лаборатория, без нее результат остается расчетом.
Третье: на каких данных строить. Открытая модель структуры белков бесплатна, но преимущество компании дают собственные результаты экспериментов. Их стоит хранить и обрабатывать в своем контуре, чтобы доступ к ним не зависел от чужого сервиса. Четвертое: метрика. Срок этапа до и после, доля кандидатов, прошедших лабораторную проверку, число клинических исследований в портфеле: в одной компании оно выросло с 41 в 2023 году до 54 в 2024 году.
ИИ в фарме за пределами лаборатории
Тот же подход работает в планировании. Университет построил пилотную модель прогноза спроса на лекарственные препараты для российского рынка, где цены резко меняются, а у новых дженериков короткая история продаж. На горизонте месяца ансамблевые моделиансамбль моделей. Ансамбль моделей это несколько моделей машинного обучения, чьи ответы объединяют в один прогноз, чтобы он получился точнее и устойчивее, чем у каждой модели по отдельности. ошибались на 16–17%, а при квартальном планировании ошибка к третьему месяцу росла до 23–26% (публикация 7 июля 2026 года).
Вывод для производителя и дистрибутора: горизонт прогноза важнее выбора модели, и на месяц вперед хватает простого ансамбля. Такой проект не затрагивает пациентов и регистрацию, а его точность проверяется на собственных продажах уже через месяц.
Оговорка
Во всех кейсах речь о кандидатах и этапах до клиники. Лекарством молекула становится после клинических испытаний с разрешения Минздрава (61-ФЗ) и регистрации; реклама незарегистрированных препаратов не допускается. Наше направление называется «поиск молекул», а не «создание препаратов», и на этой странице мы держим ту же границу.
Что делаем мы
Обзоры с источниками. Вычислительные эксперименты на открытых базах в подготовке: они выйдут как научные публикации с методикой и ограничениями. Ищем партнеров для лабораторной проверки. Подробнее на странице исследований.