AI в поиске лекарств часто подают как короткий путь от модели к таблетке. На практике ценность возникает в гораздо более сложной цепочке: выбрать мишень, понять биологию, оценить кандидатов, проверить их в экспериментах и пройти через длинный путь клинической неопределённости.
Модели уже помогают сортировать гипотезы быстрее человека. Они ускоряют дизайн молекул, работу со структурой белков, анализ литературы и приоритизацию направлений. Но почти в каждой точке выясняется одно и то же: слабые данные остаются слабыми, даже если над ними стоит очень сильный AI.
Для биологии особенно болезненны смещение выборок и плохая воспроизводимость. Если лабораторные измерения неоднородны, а реальные биологические системы слишком сложны, модель легко выглядит умной на демонстрации и быстро теряет силу в следующем экспериментальном контуре.
Поэтому зрелые команды строят не культ модели, а цикл. AI предлагает гипотезу, лаборатория проверяет, данные возвращаются назад, критерии пересобираются. Это медленнее рекламных обещаний, но именно так технология становится научным инструментом, а не красивой презентацией.
Статус темы — TESTING. Эффект уже заметен, особенно в раннем этапе исследований, но путь до массового снижения стоимости и времени вывода лекарств на рынок ещё не пройден.
