Czy AI może zastąpić 60% prac badawczo-rozwojowych w przemyśle farmaceutycznym, projektując i testując nowe leki in silico przy użyciu generatywnej chemii oraz modeli predykcyjnych toksyczności ?

Modele głębokiego uczenia, takie jak AlphaFold, już zrewolucjonizowały składanie białek. Generatywna sztuczna inteligencja proponuje teraz nowe cząsteczki o obiecujących powinowactwach wiązania — co rodzi pytanie, kiedy AI będzie mogła w pełni przejąć odkrywanie leków.

---

Stan na 2024 rok pokazuje, że AI napędzane generatywne modele chemii oraz modele predykcyjne toksyczności poczyniły znaczne postępy w przyspieszaniu wczesnych etapów odkrywania leków, umożliwiając szybkie projektowanie i wstępną selekcję kandydatów molekularnych *in silico*. Techniki takie jak wieloobiektowa optymalizacja z uczeniem przez wzmacnianie (np. REINVENT lub MolGen) oraz modele oparte na transformerach (np. dokowanie z informacją z AlphaFold2) mogą proponować nowe struktury o korzystnych powinowactwach wiązania i zmniejszonym ryzyku oddziaływań pozatarczycowych. Jednakże żadne opublikowane źródło nie potwierdza twierdzenia, że narzędzia te mogą samodzielnie zastąpić 60% tradycyjnych procesów badawczo-rozwojowych w branży farmaceutycznej — badania kliniczne, zgłoszenia regulacyjne oraz duże próby kliniczne pozostają prowadzone przez ludzi i wymagają intensywnej analizy danych. Obecna praktyka branżowa podkreśla rolę AI jako narzędzia wspomagającego w odkrywaniu hitów i optymalizacji leadów, a nie jako całkowitej wymiany procesów badawczo-rozwojowych.

— Wzbogacono 10 maja 2026 · Źródło: McKinsey & Company — https://www.mckinsey.com/industries/life-sciences/our-insights/artificial-intelligence-in-pharmaceutical-drug-discovery