Voiko tekoäly korvata 50 prosenttia kaikesta lääketutkimuksesta autonomisesti suunnittelemalla ja testaamalla uusia molekyylejä in silico käyttäen generatiivista tekoälyä ja kvanttilaskennan simulaatioita ?

Lääketeollisuuden tutkimus- ja kehittämistoiminta on tunnettu hitaudestaan ja kalleudestaan, mutta tekoäly on jo nopeuttamassa lääkekehitystä. Jos tekoäly pystyisi paitsi luomaan molekyylejä myös simuloimaan niiden vuorovaikutuksia ihmisen biologian kanssa ennennäkemättömällä mittakaavalla, se voisi tehdä perinteisestä laboratorioissa tehtävästä tutkimuksesta tarpeetonta. Kysymys ei ole siitä, pystyykö tekoäly suunnittelemaan lääkkeitä – vaan siitä, pystyykö se tekemään sen paremmin kuin ihmiset ilman, että ihmistutkijoiden tarvitsee tulkita tuloksia.

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