Kiedy badacz OpenAI odchodzi z firmy, żeby założyć startup wyceniany na 2 miliardy dolarów jeszcze przed startem - to nie jest zwykła zmiana pracy. Miles Wang, jeden z czołowych naukowców OpenAI, zbiera właśnie miliardowe finansowanie na firmę zajmującą się odkrywaniem leków za pomocą sztucznej inteligencji. Dla polskiej branży biotech to sygnał, którego nie można zignorować.
Odkrywanie nowych leków to jeden z najdroższych i najdłuższych procesów w biznesie. Średni koszt wprowadzenia jednego leku na rynek to około 2,6 miliarda dolarów, a cały proces trwa od 10 do 15 lat. Większość kandydatów na leki odpada na etapie badań klinicznych - według danych Tufts Center for the Study of Drug Development, tylko około 12% substancji wchodzących do fazy I badań klinicznych ostatecznie trafia na rynek. AI obiecuje skrócić ten czas i obniżyć koszty nawet o połowę. I to nie jest już teoria - to się dzieje właśnie teraz.
Polskie firmy biotechnologiczne operują w zupełnie innej skali niż amerykańskie giganty, ale to nie znaczy, że ta rewolucja je ominie. Wręcz przeciwnie - demokratyzacja narzędzi AI sprawia, że mniejsze firmy mogą konkurować z koncernami farmaceutycznymi na polu, na którym jeszcze kilka lat temu nie miałyby żadnych szans.
Co właściwie robi AI w odkrywaniu leków?
Żeby zrozumieć skalę zmian, trzeba wiedzieć, jak wygląda tradycyjny proces odkrywania leku. Najpierw naukowcy identyfikują cel biologiczny - białko lub receptor, który odgrywa rolę w chorobie. Potem szukają cząsteczki, która na ten cel zadziała. To trochę jak szukanie jednego pasującego klucza w hali pełnej milionów kluczy, z tą różnicą, że większość tych kluczy jeszcze nie istnieje i trzeba je zaprojektować od zera.
AI zmienia ten proces na kilka sposobów. Po pierwsze, modele uczenia maszynowego potrafią analizować ogromne bazy danych molekularnych i przewidywać, które struktury chemiczne mają największe szanse na interakcję z danym celem. Narzędzia takie jak AlphaFold od DeepMind (które przewiduje struktury białek) czy Recursion Pharmaceuticals (która łączy biologię z uczeniem maszynowym) już dziś skracają etap wstępnego przeszukiwania z lat do tygodni.
Po drugie, AI pomaga w optymalizacji cząsteczek - modyfikowaniu ich struktury tak, żeby były skuteczniejsze, bezpieczniejsze i łatwiej wchłanialne przez organizm. Firma Insilico Medicine, która wykorzystuje generatywną AI do projektowania leków, wprowadziła swojego kandydata na lek przeciw włóknieniu płuc do fazy II badań klinicznych w niecałe 30 miesięcy od identyfikacji celu. Tradycyjnie ten etap zajmuje od 4 do 6 lat.
Po trzecie, i to jest szczególnie istotne dla mniejszych firm - AI umożliwia tak zwane "repurposing" leków, czyli znajdowanie nowych zastosowań dla istniejących substancji. To znacznie tańsza ścieżka niż projektowanie leku od zera, bo wiele danych o bezpieczeństwie jest już dostępnych. Baricitinib, lek na reumatoidalne zapalenie stawów, został zidentyfikowany przez algorytmy AI firmy BenevolentAI jako potencjalny lek na COVID-19 - i rzeczywiście okazał się skuteczny w badaniach klinicznych.
Polska scena biotech - gdzie jesteśmy i co możemy zyskać
Polska branża biotechnologiczna rośnie, choć wciąż jest daleko od skali amerykańskiej czy brytyjskiej. Według raportu BioInMed i Polskiego Związku Innowacyjnych Firm Biotechnologicznych, w Polsce działa ponad 300 firm biotechnologicznych, z czego kilkadziesiąt prowadzi prace nad nowymi lekami lub terapiami. Firmy takie jak Selvita (dziś część Selvita-Ryvu), Ryvu Therapeutics, Celon Pharma czy OncoArendi Therapeutics (obecnie Molecure) mają już doświadczenie w wykorzystywaniu metod obliczeniowych we wczesnych fazach odkrywania leków.
Ryvu Therapeutics, notowane na GPW, od lat stosuje metody obliczeniowe i cheminformatykę w swoich programach badawczych. Firma prowadzi kilka programów w onkologii i publicznie komunikuje, że narzędzia obliczeniowe pomagają jej zawężać pulę kandydatów na leki. Ale to wciąż nie jest pełne wykorzystanie potencjału nowoczesnej AI, szczególnie modeli generatywnych.
Dla polskich firm biotech - zwłaszcza tych mniejszych, zatrudniających od 10 do 50 osób - AI może być wyrównywaczem szans. Zamiast budować zespoły setki chemików prowadzących syntezę i testy w laboratorium, mała firma może użyć narzędzi AI do wstępnej selekcji i optymalizacji cząsteczek, a dopiero najbardziej obiecujących kandydatów testować eksperymentalnie. To redukuje koszty wczesnej fazy badań nawet o 40-60%, według szacunków Boston Consulting Group z raportu opublikowanego w 2023 roku.
Jest jeszcze jeden aspekt, o którym mało się mówi w kontekście polskiego rynku. Polska ma silną tradycję w matematyce, informatyce i bioinformatyce. Uczelnie takie jak Uniwersytet Warszawski, Politechnika Wrocławska czy Uniwersytet Jagielloński kształcą specjalistów, którzy mogą pracować na styku biologii i sztucznej inteligencji. Problem polega na tym, że wielu z nich wyjeżdża za granicę lub trafia do sektora IT, bo tam są lepsze zarobki. Firmy biotech, które chcą wykorzystać AI, muszą konkurować o tych ludzi z bankami i firmami technologicznymi.
Konkretne narzędzia i podejścia dostępne już dziś
Nie trzeba budować własnego modelu AI od zera, żeby korzystać z tej technologii. Na rynku istnieje coraz więcej narzędzi dostępnych w modelu SaaS (oprogramowanie jako usługa) lub jako platformy otwarte, z których mogą korzystać nawet niewielkie zespoły badawcze.
- AlphaFold (DeepMind/EMBL-EBI) - baza przewidywanych struktur białek, dostępna za darmo. Polskie firmy mogą z niej korzystać do identyfikacji celów terapeutycznych bez konieczności prowadzenia kosztownej krystalografii rentgenowskiej.
- Chemspace i Enamine - ukraińska firma Enamine, z którą wiele polskich laboratoriów współpracuje od lat, udostępnia ogromne biblioteki wirtualnych cząsteczek, które można przeszukiwać algorytmami AI. To ponad 40 miliardów wirtualnych związków chemicznych.
- Schrödinger - platforma do modelowania molekularnego, która integruje metody fizyczne z uczeniem maszynowym. Licencja nie jest tania (rzędu kilkudziesięciu tysięcy dolarów rocznie), ale dla firmy prowadzącej program odkrywania leków to ułamek kosztów tradycyjnego podejścia.
- PostEra - platforma wykorzystująca AI do projektowania syntez chemicznych i optymalizacji cząsteczek. Podczas pandemii COVID-19 koordynowała otwarty projekt COVID Moonshot, w którym uczestniczyły laboratoria z całego świata.
- Modele językowe do analizy literatury - narzędzia takie jak Elicit czy Consensus pozwalają przeszukiwać miliony publikacji naukowych i wyciągać z nich strukturalne informacje. Dla małego zespołu badawczego, który nie ma budżetu na dedykowany dział analizy literatury, to ogromna oszczędność czasu.
Trzeba jednak uczciwie powiedzieć o ograniczeniach. AI nie zastępuje badań laboratoryjnych ani klinicznych. Żaden algorytm nie sprawi, że lek ominie wymogi regulacyjne EMA czy FDA. Modele AI mogą generować fałszywe pozytywne wyniki - cząsteczki, które wyglądają obiecująco w symulacji, ale nie działają w praktyce. Według analizy opublikowanej w Nature Reviews Drug Discovery, wskaźnik sukcesu kandydatów na leki zidentyfikowanych przez AI w badaniach klinicznych nie jest jeszcze statystycznie istotnie wyższy niż w podejściu tradycyjnym. Branża jest wciąż na wczesnym etapie zbierania twardych dowodów na skuteczność AI w tym obszarze.
Co to oznacza dla polskich firm - praktyczne kroki
Wiadomość o startupie Milesa Wanga i miliardowych inwestycjach w AI dla farmacji to nie jest abstrakcyjna informacja z Doliny Krzemowej. To sygnał rynkowy, który powinien wpłynąć na strategię polskich firm biotech na kilku poziomach.
Po pierwsze, partnerstwa zamiast budowania od zera. Polskie firmy biotech nie muszą tworzyć własnych zespołów AI. Mogą nawiązywać współpracę z firmami technologicznymi - zarówno polskimi (np. Ardigen z Krakowa, który specjalizuje się w AI dla nauk o życiu), jak i zagranicznymi. Model CRO (Contract Research Organization) rozszerza się o usługi AI - firmy takie jak Evotec czy Charles River Laboratories oferują już platformy łączące usługi laboratoryjne z analizą AI.
Po drugie, granty i finansowanie. Narodowe Centrum Badań i Rozwoju (NCBiR) oraz programy unijne (Horyzont Europa) coraz częściej wspierają projekty łączące AI z naukami o życiu. Firma, która potrafi pokazać, że używa AI do przyspieszenia swoich badań, ma lepszą pozycję w aplikacjach grantowych. W ramach programu Horyzont Europa na lata 2021-2027 przeznaczono ponad 8 miliardów euro na klaster „Zdrowie", z wyraźnym naciskiem na technologie cyfrowe w medycynie.
Po trzecie, budowanie kompetencji wewnętrznych. Nawet jeśli firma korzysta z zewnętrznych narzędzi AI, potrzebuje ludzi, którzy rozumieją zarówno biologię, jak i podstawy uczenia maszynowego. Inwestycja w szkolenie istniejącego zespołu - choćby przez kursy z bioinformatyki czy analizy danych - zwraca się szybciej niż rekrutacja specjalistów od zera. Platformy takie jak Coursera czy edX oferują kursy z "AI for Drug Discovery" prowadzone przez MIT czy Stanford, dostępne za kilkaset dolarów.
Po czwarte, dane jako aktywo strategiczne. Firmy, które przez lata prowadziły badania, mają ogromne zasoby danych eksperymentalnych. Te dane - odpowiednio ustrukturyzowane i oczyszczone - mogą być paliwem dla modeli AI. Problem polega na tym, że w wielu polskich firmach dane leżą w rozproszonych arkuszach kalkulacyjnych, notatnikach laboratoryjnych i starych bazach danych. Uporządkowanie tych zasobów to inwestycja, która może się okazać jedną z najważniejszych decyzji strategicznych w nadchodzących latach.
Podsumowanie
Ruch Milesa Wanga - odejście z OpenAI i pozyskanie miliardowego finansowania na startup łączący AI z odkrywaniem leków - to kolejny dowód na to, że sztuczna inteligencja w farmacji przestaje być eksperymentem, a staje się standardem. Dla polskich firm biotechnologicznych to zarówno szansa, jak i wyzwanie. Szansa, bo narzędzia AI obniżają bariery wejścia i pozwalają mniejszym firmom konkurować z globalnymi graczami. Wyzwanie, bo wymaga nowych kompetencji, inwestycji w infrastrukturę danych i zmiany sposobu myślenia o procesie badawczym.
Polskie firmy biotech nie muszą od razu budować własnych modeli generatywnych. Ale muszą zacząć traktować AI jako element swojej strategii badawczej - nie za pięć lat, ale teraz. Firmy, które tego nie zrobią, ryzykują, że zostaną w tyle nie dlatego, że ich nauka jest gorsza, ale dlatego, że ich konkurenci będą po prostu szybsi.
Źródło: OpenAI researcher Miles Wang in talks to launch AI drug discovery startup valued at $2B - TechCrunch