37 000 AI-агентов вместо отдела R&D? Stanford собрал виртуальную биотехнологическую компанию

В Science вышла работа команды Stanford о Virtual Biotech — системе AI-агентов, организованной примерно по принципу настоящей фармкомпании.
Здесь нет одного универсального «ИИ-учёного». Виртуальный Chief Scientific Officer получает исследовательский вопрос, разбивает его на задачи и передаёт специализированным агентам: одним — генетику, другим — single-cell данные, фармакологию, клинические исследования и т. д. Отдельный AI-reviewer проверяет качество доказательств и при необходимости отправляет анализ на доработку.

📝 Чтобы проверить, способен ли такой «виртуальный biotech» работать над реальной задачей разработки, исследователи дали ему данные 55 984 клинических исследований. Для их обработки система развернула более 37 тысяч AI-агентов.

📊 В ретроспективных данных нашлась интересная закономерность: препараты, направленные на мишени с более специфичной экспрессией в определённых типах клеток, чаще проходили клиническую разработку. Они на 40% чаще переходили из I во II фазу, на 48% чаще доходили до рынка и были связаны с меньшей частотой нежелательных явлений (на 32%).

🤔 Звучит впечатляюще, но здесь важно не перепутать корреляцию с предсказательной силой. Это анализ уже завершившихся программ, а значит, пока неизвестно, поможет ли такой критерий действительно выбирать более успешные мишени проспективно. Кроме того, клеточная специфичность может быть связана с множеством других факторов — особенностями класса мишени, заболевания, модальности или самой стратегии разработки.

🩻 Систему проверили на задаче оценки B7-H3/CD276 как мишени при раке лёгкого.

🦠 Virtual Biotech объединил данные генетики, single-cell и пространственной транскриптомики. В первую очередь была подтверждена высокая экспрессия B7-H3 в опухоль-ассоциированных фибробластах. B7-H3-положительные области опухоли при этом были связаны с иммунно-«холодным» микроокружением. В качестве терапевтической стратегии система выбрала B7-H3-направленный ADC — антитело, доставляющее цитотоксический payload к клеткам, экспрессирующим мишень.

⏳ Весь анализ занял менее суток и обошёлся примерно в $46 API-расходов (именно как стоимость LLM-токенов для одного уже настроенного аналитического кейса).

❗️Здесь есть существенное «но». B7-H3 не была новой мишенью, а ADC против неё уже разрабатывались. То есть AI не открыл неожиданную биологию и не создал новую молекулу с нуля. Скорее, он очень быстро собрал уже существующие данные, связал их между собой и пришёл к направлению, которое фарминдустрия и так считала перспективным.

💡 Позднее клинические данные B7-H3 ADC при мелкоклеточном раке лёгкого действительно подтвердили активность этого подхода. Но это ещё не доказывает, что именно рассуждения Virtual Biotech способны надёжно предсказывать успех новых программ: для этого нужны проспективные кейсы, где система предложит гипотезу до появления подтверждающих клинических данных, а затем эта гипотеза выдержит экспериментальную проверку.

✨ Важно не очаровываться: основной результат работы нельзя сформулировать в емкое «AI нашёл лекарство». Он этого не сделал.
Интереснее другое: AI-системы постепенно переходят от автоматизации одной узкой задачи к попытке воспроизвести целую цепочку научного принятия решений — поиск литературы, omics-анализ, оценку мишени, выбор модальности и формирование гипотезы.
Пока это скорее очень быстрый и дешёвый интегратор уже существующих знаний, чем полноценная замена R&D-команды.

Может ли AI систематически предлагать такие гипотезы, которые люди ещё не сформулировали — и которые затем выдержат реальный эксперимент?
Вот это уже будет настоящим тестом для виртуального biotech.