Může umělá inteligence nahradit 50 % veškerého výzkumu objevování léků autonomním navrhováním a testováním nových molekul in silico pomocí generativní AI a kvantových výpočetních simulací ?

Farmaceutický výzkum a vývoj je notoricky pomalý a drahý, ale AI již urychluje objevování léků. Pokud by AI dokázala nejen generovat molekuly, ale také simulovat jejich interakce s lidskou biologii v nebývalém měřítku, mohla by učinit tradiční laboratorní výzkum zastaralým. Otázka není, zda AI dokáže navrhovat léky—jde o to, zda to dokáže lépe než lidé, aniž by potřebovala vědce k interpretaci výsledků.

Background

Generative AI can today propose novel small-molecule structures with high predicted binding affinity to protein targets, and in-silico high-throughput screening on classical hardware already covers millions of candidates. However, fully autonomous, end-to-end discovery that combines generative design, quantum-grade docking, and lab validation remains out of reach: docking accuracy is still below the ~1 kcal/mol uncertainty needed for reliable affinity ranking, quantum simulations for large proteins are error-prone on near-term devices, and wet-lab synthesis/validation bottlenecks persist. Current demonstrations achieve partial automation (design → in-silico triage → partial synthesis), but no group has reached the 50% throughput reduction threshold across a broad set of targets. SOURCE: McKinsey & Company — https://www.mckinsey.com/capabilities/quantumblack/our-insights/quantum-computing-in-drug-discovery