Jak sztuczna inteligencja skraca drogę do nowych leków

Prace nad lekiem potrafią ciągnąć się latami. I nie chodzi wyłącznie o to, że „naukowcy długo myślą”, tylko o twardą rzeczywistość: mnóstwo etapów, kosztownych eksperymentów, testów bezpieczeństwa, prób klinicznych, dokumentacji i rozmów z urzędami. W USA często mówi się o okresie rzędu 10–15 lat od rozpoznania celu biologicznego do uzyskania zgód na dopuszczenie leku do obrotu. To nie jest fanaberia systemu, tylko cena, jaką płacimy za bezpieczeństwo.

Ja patrzę na to jeszcze z innej strony: od lat zajmujemy się wdrożeniami AI i automatyzacjami w biznesie, więc widzę, jak bardzo wygrywa ten, kto szybciej przechodzi od hipotezy do weryfikacji. W farmacji ta zasada działa tak samo, tylko stawka jest większa. Ty pewnie kojarzysz AI głównie z tekstem, obrazami albo chatbotami, ale w badaniach nad lekami sztuczna inteligencja potrafi zrobić coś bardzo praktycznego: skrócić czas poszukiwań i zmniejszyć liczbę ślepych uliczek.

W tym artykule pokazuję, jak AI przyspiesza powstawanie nowych leków na poziomie discovery i badań przedklinicznych, gdzie zwykle „ucieka” najwięcej czasu i pieniędzy. Dorzucę też perspektywę, jak to wygląda od strony procesów i automatyzacji (tak, make.com i n8n też mają tu swoje pięć groszy), bo sama technologia to jedno, a porządek w danych i działaniach zespołów to drugie.

Dlaczego opracowanie leku trwa tak długo

Zanim AI w ogóle wejdzie do gry, warto zrozumieć, skąd biorą się te długie harmonogramy. Czasem słyszę: „Skoro mamy komputery, to czemu to tyle trwa?”. Odpowiedź bywa przyziemna: bo biologia nie czyta prezentacji i nie respektuje deadlinów.

Etapy, które rozciągają harmonogram

Proces (w dużym uproszczeniu) często wygląda tak:

Identyfikacja i walidacja celu – znalezienie „czegoś” w organizmie (białka, szlaku, receptora), co ma sens terapeutyczny.

Poszukiwanie cząsteczek – szukanie kandydatów, którzy na ten cel działają (np. hamują aktywność enzymu).

Optymalizacja leadów – poprawianie „parametrów” cząsteczki: siły działania, selektywności, rozpuszczalności, stabilności itd.

Badania przedkliniczne – testy bezpieczeństwa i mechanizmu działania zanim w ogóle wpuścisz lek do badań na ludziach.

Badania kliniczne – kilka faz, rosnąca liczba pacjentów, twarde wymogi metodologiczne.

Rejestracja i dopuszczenie – formalności, dokumentacja, kontrola jakości, produkcja.

Każdy z tych punktów ma setki „małych punktów”, które zabierają czas.

Największa bolączka: niepewność i koszt pomyłek

W marketingu, jak źle ustawisz kampanię, to tracisz budżet i dzień-dwa. W farmacji pomyłka oznacza czasem miesiące pracy i ogromne pieniądze. A co gorsza, porażka często ujawnia się późno: cząsteczka „ładnie działa” w modelu laboratoryjnym, a potem przegrywa na bezpieczeństwie, metabolizmie albo skuteczności u ludzi.

I tu właśnie AI może pomóc: zwiększyć trafność decyzji wcześniej, kiedy koszt korekty jest jeszcze znośny.

Gdzie AI realnie skraca drogę do leku

Sztuczna inteligencja przyspiesza badania nie tylko przez „szybsze liczenie”. Najciekawsze jest to, że potrafi podpowiadać kierunki, których człowiek nie zauważy w gąszczu danych. Tak jak w naturze: zwierzęta czasem „czują” zmianę pogody wcześniej, zanim my zobaczymy ją w prognozie. Ja lubię to porównanie, bo dobrze oddaje istotę: wczesny sygnał zmienia wszystko.

Poniżej masz obszary, gdzie w praktyce najczęściej widać przewagę AI.

1) Wybór celu (target discovery) i jego walidacja

Wybór celu biologicznego to fundament. Jeśli cel jest błędny, to reszta procesu jedzie w złą stronę, choćbyś miał najlepszą chemię medyczną na świecie.

AI pomaga, gdy masz dużo danych naraz:

dane genetyczne i genomowe,

dane z proteomiki, metabolomiki,

wyniki badań populacyjnych i epidemiologicznych,

opisy mechanizmów chorób w literaturze naukowej,

informacje o szlakach sygnałowych i interakcjach białek.

Modele uczą się zależności i potrafią wskazać cele, które wyglądają obiecująco, bo pojawiają się w wielu niezależnych źródłach i „pasują” do biologii choroby.

Co to daje tobie jako czytelnikowi? Prosty efekt: mniej projektów startuje od złych założeń. Nie ma róży bez kolców, ale lepiej się pokłuć na początku niż po 6 latach.

2) Przeszukiwanie przestrzeni chemicznej

„Przestrzeń chemiczna” to w praktyce ogrom możliwych cząsteczek. Tego nie da się przetestować „ręcznie”. Klasyczne podejście opiera się m.in. na screeningu wielu związków i stopniowym dochodzeniu do lepszych kandydatów.

AI wnosi tu dwie przewagi:

Wirtualne przesiewanie – szybciej typujesz związki, które mają sens, zanim zlecisz syntezę i drogie testy.

Projektowanie cząsteczek – modele potrafią proponować nowe struktury w oparciu o wzorce aktywności i dopasowanie do celu.

Efekt? Zespół szybciej przechodzi do „obiecujących” cząsteczek. A ponieważ biologia bywa przewrotna, skrócenie tej fazy potrafi zdjąć z projektu długie miesiące.

3) Lepsze przewidywanie właściwości (ADMET) na wcześniejszym etapie

Wartościowe cząsteczki przegrywają nie dlatego, że nie działają, tylko dlatego, że:

słabo się wchłaniają,

źle się rozprowadzają po organizmie,

są zbyt szybko metabolizowane,

mają toksyczność,

wchodzą w niepożądane interakcje.

To wszystko zbiera się w obszarze ADMET (absorpcja, dystrybucja, metabolizm, wydalanie, toksyczność). AI potrafi wyłapywać ryzyka wcześniej, zanim projekt wpadnie w kosztowny etap.

I tu konkretnie widać „skrót drogi”: mniej cząsteczek trafia do laboratorium „bo może się uda”, a więcej trafia dlatego, że ma sens na papierze, w danych i w ryzykach.

4) Rozumienie literatury i danych (NLP w nauce)

Jest masa publikacji. Codziennie. Nawet bardzo dobry zespół nie przeczyta wszystkiego. AI potrafi:

wyciągać fakty i zależności z tekstów naukowych,

łączyć informacje rozproszone po wielu pracach,

podpowiadać, gdzie są luki w wiedzy,

porządkować hipotezy i argumenty „za i przeciw”.

Ja w firmie widzę podobny problem w marketingu: dane są wszędzie, a wnioski w praktyce nigdzie, bo nikt nie ma czasu tego poskładać. W badaniach nad lekami to samo, tylko skala i konsekwencje większe.

5) Lepsze planowanie eksperymentów

Rzecz, o której mówi się za rzadko: nie chodzi o to, żeby robić więcej eksperymentów. Chodzi o to, żeby robić mądrzejsze eksperymenty. AI może wspierać projektowanie kolejnych kroków w stylu:

które warunki testu dadzą najwięcej informacji,

które cząsteczki warto porównać,

jak zoptymalizować sekwencję zadań w laboratorium.

W praktyce skraca to liczbę rund „prób i błędów”. A jakby nie patrzeć, właśnie te rundy najczęściej rozpychają harmonogram.

AI nie zastępuje badań klinicznych, ale wpływa na nie pośrednio

Wiele osób myśli: „Dobra, AI wymyśli lek i po sprawie”. Nie. Badania kliniczne nadal muszą się odbyć, bezpieczeństwo nadal trzeba wykazać, a wymogi formalne nadal są surowe.

AI robi coś innego: zwiększa szanse, że kandydat, który trafia do kliniki, ma lepszy profil. Czyli mniej projektów odpada późno. A to jest ogromna oszczędność czasu w skali całej branży.

Lepsza selekcja pacjentów i projektowanie prób

Na poziomie klinicznym AI może wspierać:

analizę danych pacjentów i podgrup (np. różne fenotypy tej samej choroby),

wykrywanie sygnałów skuteczności i działań niepożądanych,

planowanie kryteriów włączenia/wyłączenia w badaniu.

Ujmę to po ludzku: jeśli lepiej dobierzesz populację, to szybciej zobaczysz efekt albo szybciej uczciwie uznasz, że go nie ma. Oba scenariusze są cenne, bo marnowanie czasu to najdroższy luksus.

Co to oznacza dla firm i zespołów R&D w praktyce

Sama AI nie wystarczy. Jeśli dane są rozrzucone po dyskach, a wiedza siedzi w głowach pojedynczych osób, to nawet najlepszy model ma „związane ręce”.

Ja mam tu trochę „skrzywienie” automatyzacyjne, ale powiem wprost: największe przyspieszenia pojawiają się wtedy, gdy firma porządkuje przepływ pracy i informacji.

1) Dane: porządek zamiast chaosu

AI lubi dane:

spójne,

opisane metadanymi,

z wersjonowaniem,

z jasną historią pochodzenia (co, kiedy, jak zebrano).

Jeśli tego nie ma, to model będzie zgadywał na śmieciach. A jak mówi stare porzekadło: z pustego i Salomon nie naleje.

2) Procesy: powtarzalność i ślad decyzyjny

W farmacji i biotechnologii bardzo liczy się dokumentowanie decyzji. AI potrafi wspierać, ale proces powinien zostawiać ślad:

dlaczego wybrano taki cel,

dlaczego odrzucono inne,

jakie dane to uzasadniały,

kto zatwierdził kolejny krok.

To przydaje się zarówno „na co dzień”, jak i przy audytach oraz współpracy z partnerami.

3) Ludzie: interdyscyplinarny zespół i wspólny język

AI w discovery leków nie jest zabawką dla jednego działu. Potrzebujesz współpracy:

biologów,

chemików,

bioinformatyków i data science,

specjalistów od jakości danych,

osób od regulacji i dokumentacji.

Problem w tym, że każdy mówi trochę innym językiem. Dobrze zrobione narzędzia AI mogą działać jak „tłumacz” i „sekretarz”, ale ktoś musi to sensownie ułożyć.

Automatyzacje procesów wokół AI: gdzie make.com i n8n bywają bezcenne

Tu wchodzimy na teren, który znamy w Marketing-Ekspercki od podszewki. Ty możesz pomyśleć: „Make i n8n? Przecież to narzędzia od automatyzacji, a nie od chemii”. Jasne. Tylko że w praktyce w R&D masa czasu ucieka na powtarzalne rzeczy: zbieranie danych, generowanie raportów, przeklejanie wyników, pilnowanie wersji, powiadomienia.

Ja nieraz widziałem, jak świetni specjaliści robią robotę „jak w urzędzie”: kopiuj-wklej, pliki „final_v7_poprawione”, a potem wszyscy szukają, co jest prawdą. Automatyzacja porządkuje ten bałagan.

Przykładowe przepływy pracy (bez wchodzenia w tajemnice laboratoriów)

Poniżej masz przykłady, które nie zakładają cudów, tylko normalną organizację pracy:

1) Zbieranie danych i ich walidacja

Pobierasz dane z repozytorium (np. wyniki testów, pliki CSV, metadane).

Automat sprawdza kompletność: czy są wszystkie pola, daty, identyfikatory próbek.

System zapisuje wynik w bazie i generuje powiadomienie do zespołu.

To brzmi skromnie, ale oszczędza mnóstwo „drobnych” przestojów.

2) Raporty okresowe i paczki dla interesariuszy

Automatycznie składasz raport tygodniowy z postępów (wyniki, wykresy, komentarze).

Wysyłasz go do wybranych osób z kontrolą dostępu.

Archiwizujesz wersję i sygnujesz datą.

I nagle znika problem „a gdzie jest raport?” oraz „czy to jest aktualne?”.

3) Alerty o anomaliach

Jeśli w danych pojawia się nietypowy wynik (np. poza zakresem), automat wysyła alert.

Wpisuje zdarzenie do rejestru i podbija priorytet zadania w systemie pracy.

To nie zastąpi naukowca, ale pozwoli szybciej reagować.

4) „Dziennik decyzji” i zgodność procesowa

Po każdym etapie pipeline zapisuje: co zatwierdzono, na podstawie jakich danych, kto zaakceptował.

Dołącza odnośniki do plików i wyników obliczeń.

W badaniach nad lekami „pamięć instytucjonalna” jest na wagę złota. Automatyzacja ją wzmacnia.

Ryzyka i ograniczenia: gdzie trzeba zachować zimną krew

Sztuczna inteligencja potrafi przyspieszać, ale potrafi też wprowadzić w błąd, jeśli potraktujesz ją jak wyrocznię. Ja zawsze powtarzam w projektach: model jest tak dobry, jak dane i sposób użycia.

Jakość danych i stronniczość

Jeśli dane są niepełne albo pochodzą z wąskiego wycinka populacji, wnioski też będą ułomne. AI może „ładnie” uogólniać coś, co wcale się nie uogólnia.

Wyjaśnialność i zaufanie

W nauce i medycynie nie wystarczy stwierdzić: „Model tak powiedział”. Potrzebujesz uzasadnienia, testów, walidacji. W praktyce zespoły łączą modele z metodami, które dają wgląd w to, skąd wzięła się rekomendacja.

Bezpieczeństwo informacji i kontrola dostępu

W projektach farmaceutycznych dane potrafią być wrażliwe. Trzeba pilnować:

kto ma dostęp,

jak szyfrujesz dane,

gdzie je przetwarzasz,

jak zarządzasz uprawnieniami i logami.

Tu nie ma miejsca na improwizację.

Jak zacząć wdrażać AI w obszarze badań i rozwoju leków (praktyczny plan)

Jeśli jesteś po stronie firmy, która myśli o AI w R&D, to podejście „kupimy model i będzie” zwykle kończy się rozczarowaniem. Lepszy jest plan krok po kroku.

Krok 1: wybierz jeden wąski przypadek użycia

Przykłady:

priorytetyzacja kandydatów do syntezy,

automatyczna analiza literatury dla konkretnej jednostki chorobowej,

wczesne wykrywanie ryzyk ADMET na podstawie dotychczasowych danych.

Wąski zakres ułatwia walidację.

Krok 2: uporządkuj dane i definicje

Ustal:

co jest „źródłem prawdy”,

jak nazywacie zmienne,

jak wygląda wersjonowanie,

jakie są kryteria jakości danych.

To etap, którego nikt nie kocha, ale on robi robotę.

Krok 3: zbuduj przepływ pracy (automatyzacja)

Tu wchodzą make.com i n8n:

zbieranie danych,

kontrola jakości,

uruchamianie zadań obliczeniowych,

raportowanie i archiwizacja,

powiadomienia i rejestry.

Ja bym zaczął od automatyzacji „wokół” modeli, bo to daje szybkie efekty i porządkuje organizację.

Krok 4: waliduj wyniki jak w normalnej nauce

robisz testy na danych historycznych,

porównujesz rekomendacje modelu z decyzjami ekspertów,

sprawdzasz, gdzie model się myli i dlaczego.

Bez tego łatwo wpaść w zachwyt, a zachwyt w nauce bywa złym doradcą.

Krok 5: dopiero potem skaluj

Jeśli jeden obszar działa, dopinasz kolejne. Spokojnie, po kolei. Lepiej dowieźć jeden sensowny pipeline niż pięć rozgrzebanych prototypów.

SEO: najczęstsze pytania związane z AI w odkrywaniu leków

Ile trwa stworzenie leku i czy AI może to skrócić?

Często przytacza się przedział 10–15 lat od rozpoznania celu biologicznego do zgód na dopuszczenie leku (np. w Stanach Zjednoczonych). AI może skracać część etapów, głównie na początku (discovery i badania przedkliniczne), ponieważ pomaga szybciej wybierać cele, typować cząsteczki i przewidywać ryzyka. Nie usuwa jednak potrzeby badań klinicznych.

Czy AI sama „wymyśla” nowe leki?

AI potrafi proponować cząsteczki i kierunki, ale w praktyce liczy się współpraca człowieka, danych, laboratoriów i procesów walidacji. Traktuj AI jak narzędzie do przyspieszania selekcji i analizy, a nie jak maszynę do produkcji gotowych terapii.

W jakich etapach AI jest najskuteczniejsza?

Najczęściej widać efekty w:

wyborze celu biologicznego,

wirtualnym przesiewaniu kandydatów,

projektowaniu i optymalizacji cząsteczek,

wczesnym przewidywaniu ADMET,

analizie literatury naukowej.

Co jest potrzebne, żeby AI działała w firmie badawczej?

Najczęściej blokują to nie modele, tylko dane i organizacja pracy. Potrzebujesz:

porządku w danych i ich opisie,

powtarzalnych procesów,

kontroli dostępu i bezpieczeństwa,

zespołu, który łączy naukę z analizą danych.

Moja perspektywa: AI jako „wczesny zmysł”, a nie magia

Gdy czytam o tym, że prace nad lekiem potrafią trwać dekadę albo dłużej, to mam w głowie jeden obraz: ktoś idzie przez las we mgle, a AI daje mu latarkę i mapę. Nie przenosi na metę, ale pozwala przestać kręcić się w kółko.

Ty możesz patrzeć na to przez pryzmat pacjenta, lekarza, inwestora albo osoby z branży. W każdym przypadku sens jest podobny: jeśli AI pomaga wcześniej rozpoznać, które hipotezy są warte wysiłku, a które nie, to oszczędza czas, pieniądze i nerwy. A w medycynie czas potrafi mieć bardzo konkretną wartość.

Jeśli chcesz, mogę też przygotować wersję stricte „pod SEO” pod wybrane frazy (np. „AI w farmacji”, „odkrywanie leków sztuczna inteligencja”, „jak AI przyspiesza badania kliniczne”) oraz dopasować tekst do konkretnego profilu czytelników: bardziej naukowego albo bardziej biznesowego.

Źródło: https://x.com/OpenAI/status/2044861692555985207