GenAI automatyzuje i skaluje procesy badawczo-rozwojowe

Sztuczna inteligencja staje się katalizatorem największej transformacji w historii biotechnologii. Radykalnie skraca cykl odkrywania leków, obniża koszty badań i otwiera drogę do terapii będących wcześniej poza zasięgiem. Dzięki generatywnym modelom AI proces projektowania molekuł i badań przedklinicznych ulega skróceniu nawet o 50%.

Według BioPharmaTrend, narzędzia GenAI mogą wygenerować dla sektora farmaceutycznego nawet 410 mld USD rocznej wartości dodanej już do końca 2025 roku. Firmy, które integrują AI w procesach badawczo-rozwojowych, zyskują znaczącą przewagę, a rozwój branży coraz mocniej zmierza w stronę automatyzacji i skalowalności tych procesów.

Badanie Statista z 2023 roku pokazuje, że 75% najbardziej innowacyjnych firm biotechnologicznych stosuje AI w odkrywaniu leków. Jednocześnie poziom wdrożeń tej technologii w tradycyjnych firmach farmaceutycznych i biotechnologicznych jest 5-krotnie niższy. Mimo tego szacuje się, że do końca 2025 roku 30% nowych leków zostanie odkrytych przy użyciu sztucznej inteligencji.

Skrócenie czasu i obniżenie kosztów wprowadzenia nowych cząstek

Wykazano również, że procesy badawczo-rozwojowe oparte na sztucznej inteligencji skracają czas i obniżają koszty rozwoju nowej cząsteczki na etapie przedklinicznym W przypadku złożonych celów terapeutycznych ta efektywność może zaoszczędzić nawet do 40% czasu i 30% kosztów.

Z kolei w przypadku rozwoju przeciwciał monoklonalnych, gdzie tradycyjna metoda hybrydowa wymagała miesięcy analiz, AI wskazuje i typuje najlepszych obecnie kandydatów w ciągu kilku tygodni, skracając cykl badawczo-rozwojowy nawet o 50%. Umożliwia to znaczne oszczędności finansowe i szybsze przechodzenie do badań przedklinicznych.

AI działa więc jak akcelerator – przesiewa ogromne ilości danych, generuje hipotezy i okresla kandydatów do dalszych badań, redukując obciążenie zespołów naukowych. Dzięki temu zespoły R&D mogą być mniejsze o 30-50%, przy jednoczesnym zwiększeniu liczby projektów prowadzonych równolegle. To zmienia modele biznesowe firm biotechnologicznych: jedne reinwestują oszczędności w rozwój kolejnych projektów, inne koncentrują się na automatyzacji i redukcji kosztów operacyjnych.

Według PwC, już 53% CFO w farmacji traktuje AI jako kluczowy element automatyzacji oraz optymalizacji procesów. Dodatkowo 79% dyrektorów firm farmaceutycznych uważa, że ​​inteligentna automatyzacja będzie miała znaczący wpływ na ich branżę w ciągu następnych 5 lat. Markets&Markets prognozuje natomiast, że do 2029 roku rynek AI w biotechnologii przekroczy wartość 7,7 mld dolarów.

Kluczowe obszary zastosowań Generative AI

AI najgłębiej wnika dziś w trzy strategiczne segmenty biotechnologii:

• Biologia strukturalna

Modele takie jak choćby AlphaFold 3 potrafią przewidywać trójwymiarowe struktury białek na podstawie sekwencji aminokwasowych z dokładnością zbliżoną do metod eksperymentalnych. Możliwe jest nie tylko modelowanie pojedynczych białek, ale też mapowanie interakcji między nimi, co jest krytyczne w projektowaniu przeciwciał, inhibitorów enzymatycznych i leków biologicznych.

• Genomika i proteomika

AI wspiera analizę wariantów genetycznych (Variant Calling), przyspiesza sekwencjonowanie nowej generacji (NGS) i pozwala na efektywniejsze integrowanie danych z multi-omiki. Dzięki temu możliwe jest szybkie wykrywanie biomarkerów i projektowanie terapii celowanych.

• Biologia syntetyczna

Algorytmy uczenia maszynowego pomagają projektować szlaki metaboliczne do biosyntezy związków o potencjale terapeutycznym w tym nowych lekow biologicznych.

Warto jednak podkreślić, że w każdym z tych obszarów AI nie zastępuje naukowców, lecz działa jako „symulator” i system rekomendacyjny przyspieszający iteracje. „AI rzeczywiście przekształca modele biznesowe biotechnologii, ale ważne jest, aby być realistą. Branża nie jest jeszcze na tym etapie, aby jakikolwiek proces decyzyjny całkowicie zastąpić sztuczną inteligencję” – komentuje Paweł Szczepański, prezes JJP Biologics.

„Nadal każdy z tych trzech obszarów wymaga walidacji oraz weryfikacji przez człowieka i dopiero w oparciu o te działania może być podjęta właściwa decyzja. Powiem więcej, w najbliższym czasie – powiedzmy dekadę wprzód – nie widzę potencjału na to, aby w takich działaniach sztuczna inteligencja zastąpiła człowieka” – dodaje.

Technologie AI stosowane w polskim sektorze biotechnologii

Polskie firmy BioTech i ośrodki badawcze aktywnie korzystają już z globalnych rozwiązań, takich jak np. Google AlphaFold 3, ale też z narzędzi open-source. Dzięki nim determinacja struktury białka nie wymaga już kosztownych i powolnych metod, takich jak krystalografia rentgenowska czy krioEM, choć wciąż stanowią one niezbędny element walidacji.

Modele AI skracają czas od sekwencjonowania do modelu 3D, co przyspiesza projektowanie leków biologicznych i badania nad mechanizmami chorób. Nowsze modele, jak choćby Genie, nie tylko przewidują struktury białek, lecz także projektują nowe, niewystępujące w naturze. Przyspiesza to odkrywanie leków i rozwój spersonalizowanych terapii.

Na radarze branży są także DNA Foundation Models – modele bazowe dla genomiki, analogiczne do modeli LLM zajmujących się przetwarzaniem języka naturalnego. Ich zasadnicza różnica jest jednak taka, że przedmiotem analizy nie są teksty a sekwencje DNA.

„Modele AI analizują i generują sekwencje DNA, wspierając m.in. projektowanie genów syntetycznych i analizę regulacji genów. Dzięki nim rozwój medycyny spersonalizowanej – np. dobór odpowiednio skutecznych terapii dla konkretnych subpopulacji pacjentów – może przyspieszyć, a oszczędności czasu i zasobów w projektach R&D sięga 50-75%” – tłumaczy Paweł Szczepański.

AI rewolucjonizuje także badania kliniczne, umożliwiając analizę danych w czasie rzeczywistym. Algorytmy śledzą wyniki pacjentów na bieżąco, przewidują skuteczność terapii i pozwalają dynamicznie dostosowywać protokoły badań, co zmniejsza ryzyko błędów i oszczędza zasoby. Analizując dane historyczne, generatywna AI potrafi prognozować szanse powodzenia badań, co globalnej branży farmaceutycznej może przynieść nawet 25 mld USD oszczędności w rozwoju klinicznym, szacuje Avenga.

Wyzwania techniczne i regulacyjne modeli AI w BioTech

Tworzenie i wdrażanie rozwiązań AI w tej branży wiąże się jednak z pewnymi barierami. Największym wyzwaniem pozostaje oczywiście jakość danych, które mogą być przecież ograniczone lub stronnicze. Natomiast modele AI wymagają dużych, zróżnicowanych i dobrze opisanych zbiorów danych biologicznych. Ich brak lub niska jakość może bowiem prowadzić do błędnych predykcji.

Problemem jest również transparentność i interpretowalność modeli. W przypadku krytycznych decyzji medycznych, konieczne jest wyjaśnienie, jak model doszedł do danej rekomendacji.

Z jednej strony największa wartość AI tkwi w analizie dużych zbiorów danych i wyszukiwaniu korelacji, z drugiej pojawia się pokusa, aby powierzać jej podejmowanie decyzji. Dlatego niezbędne są mądre regulacje, które jasno określają granice zastosowań AI i pozwalają wykorzystywać tę technologią tam, gdzie rzeczywiście wnosi ona wartość, minimalizując ryzyko pogorszenia jakości procesów.

Branża biotechnologiczna jest świadoma tych zagrożeń, a regulacje Europejskiej Agencji Medycznej i FDA wyznaczają właściwy kierunek. Podkreślają mianowicie, że AI jest cennym narzędziem przyspieszającym rozwój i dostępność leków, ale jednocześnie wymagają ścisłej kontroli procesu oraz mechanizmów ciągłego monitorowania efektów i skutków jej zastosowania.

Regulatorzy wymagają pełnej dokumentacji algorytmów, danych szkoleniowych i procesów decyzyjnych, kładąc nacisk na minimalizację uprzedzeń i ochronę danych pacjentów. W Polsce zasady te wdrażają krajowe organy ochrony zdrowia, które dodatkowo mogą wprowadzać lokalne wymogi dla zastosowań medycznych.

„Kluczowe znaczenie mają też względy etyczne – zwłaszcza w przypadku wykrycia leków, w przypadku których uprzedzenia mogą mieć wpływ na bezpieczeństwo pacjentów lub równy dostęp. Niemniej jednak, w miarę jak metodologie rozwijają się i integrują z procesami biotechnologicznymi, ograniczenia te można lepiej zrozumieć i ostatecznie rozwiązać. Z tych też powodów – szczególnie do zastosowań medycznych – ważne punkty kontrolne oceny procesów, muszą nadal pozostawać pod nadzorem człowieka” – uczula Paweł Szczepański.

Spersonalizowane terapie, także od polskich firm

Sztuczna inteligencja coraz mocniej wkracza w kluczowe obszary biotechnologii, zmieniając tempo i opłacalność rozwoju nowych terapii. Największy potencjał AI eksperci widzą w skróceniu czasu opracowywania leków nawet o kilkadziesiąt procent, co bezpośrednio przekłada się na redukcję kosztów i szybszy dostęp pacjentów do innowacyjnych terapii. Dla wielu rynków może to oznaczać różnicę między brakiem dostępności a możliwością wprowadzenia nowego leku.

Najbliższe lata przyniosą też dalszy rozwój NGS, czyli technologii masowego, równoległego sekwencjonowania DNA i RNA. AI ma potencjał znacząco obniżyć koszty NGS i przyspieszyć analizę danych genetycznych, co otworzy drogę do rozwoju medycyny spersonalizowanej.

Możliwe będzie tworzenie precyzyjnych biomarkerów, które pokażą korelacje między profilem fizykochemicznym pacjenta a prawdopodobieństwem pozytywnej odpowiedzi na terapię. „Są już polskie firmy, które rozwijają tę technologię. I myślę, że w ciągu najbliższych lat to właśnie w tym obszarze można spodziewać się najbardziej spektakularnych rezultatów” – podkreśla Paweł Szczepański.

Przyszłość AI w sektorze BioTech

Choć AI już dziś wspiera proces identyfikacji kandydatów na leki i prototypów przeciwciał, to – jak wspomniano już wcześniej – nie zastąpi kreatywności człowieka, zwłaszcza w projektowaniu zupełnie nowych terapii. W najbliższych dekadach jej rola pozostanie komplementarna. Będzie automatyzować analizy, wskazywać potencjalne ścieżki rozwoju, jednak kluczowe decyzje nadal będą wymagały wiedzy i doświadczenia badaczy.

Natomiast nie ulega wątpliwości, że technologia ta umożliwia przełomowe podejście pozwalające wprowadzać na rynek terapie uznawane wcześniej za nieopłacalne w ujęciu populacyjnym. Największą wartością jest jej zdolność do znajdowania korelacji między chorobami, szlakami molekularnymi a biomarkerami – umiejętność ta stanowi fundament rozwoju precyzyjnej, skuteczniejszej i bardziej dostępnej medycyny.

„W JJP Biologics wykorzystujemy AI w wielu obszarach – od badań nad przeciwciałami i ich humanizacji, po wsparcie działu finansowego czy project management. Kluczem jest selektywne podejście: nie wdrażamy AI tylko po to, by mieć nową technologię, lecz tam, gdzie faktycznie wspiera nasze procesy i daje realną wartość biznesową przy rozsądnych kosztach” – tłumaczy Paweł Szczepański.

„Równie istotne jest przygotowanie zespołu i rozwój kultury pracy. Inspirujemy się tzw. mądrością klucza gęsi – ich współpraca pozwala pokonywać większe dystanse, a jednocześnie pomaga omijać przeszkody na trasie. Tak samo traktujemy AI: to narzędzie, które daje nam ‘wiatr w plecy’, ale wymaga świadomego i krytycznego podejścia, by prowadziło nas we właściwym kierunku” – podsumowuje.