Czy AI może zastąpić 50% całych badań nad odkrywaniem leków poprzez autonomiczne projektowanie i testowanie nowych cząsteczek in silico z wykorzystaniem generatywnej AI i symulacji komputerowych opartych na obliczeniach kwantowych ?

Farmaceutyczny B+R jest notorycznie powolny i kosztowny, ale AI już przyspiesza odkrywanie leków. Jeśli AI mogłoby nie tylko generować cząsteczki, ale także symulować ich interakcje z ludzką biologią na niespotykaną dotąd skalę, mogłoby uczynić tradycyjne badania laboratoryjne przestarzałymi. Pytanie nie brzmi, czy AI może projektować leki – lecz czy może to robić lepiej niż ludzie, nie wymagając interpretacji wyników przez naukowców.

Generatywna AI potrafi obecnie proponować nowe struktury małocząsteczkowe o wysokim przewidywanym powinowactwie wiązania do celów białkowych, a in-silico wysokowydajne przesiewanie na klasycznym sprzęcie obejmuje już miliony kandydatów. Jednak w pełni autonomiczne, kompleksowe odkrywanie, łączące projektowanie generatywne, kwantowe dokowanie i walidację laboratoryjną, pozostaje poza zasięgiem: dokładność dokowania wciąż jest poniżej ~1 kcal/mol niepewności potrzebnej do wiarygodnego rankingu powinowactwa, kwantowe symulacje dla dużych białek są podatne na błędy na urządzeniach krótkoterminowych, a wąskie gardła związane z syntezą i walidacją w warunkach laboratoryjnych nadal występują. Obecne demonstracje osiągają częściową automatyzację (projektowanie → wstępna selekcja in-silico → częściowa synteza), ale żadna grupa nie osiągnęła progu 50% redukcji przepustowości w szerokim zakresie celów.
ŹRÓDŁO: McKinsey & Company — https://www.mckinsey.com/capabilities/quantumblack/our-insights/quantum-computing-in-drug-discovery

— Wzbogacono 10 maja 2026