Kan AI 50% van alle medicijnontdekkingsonderzoek vervangen door zelfstandig nieuwe moleculen te ontwerpen en te testen *in silico* met behulp van generatieve AI en kwantumcomputersimulaties ?

Farmaceutisch R&D staat bekend als traag en duur, maar AI versnelt al de ontdekking van medicijnen. Als een AI niet alleen moleculen zou kunnen genereren, maar ook hun interacties met de menselijke biologie op een ongekende schaal zou kunnen simuleren, zou dit traditioneel laboratoriumonderzoek overbodig kunnen maken. De vraag is niet of AI medicijnen kan ontwerpen—het is of het dit beter kan doen dan mensen, zonder dat menselijke wetenschappers de resultaten hoeven te interpreteren.

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