AI в разработке лекарств: переход от лабораторных исследований к клинической практике и индустриализации в 2026 году

Оглядываясь на период 2023–2025 годов, можно отметить, что AI в разработке лекарств прошёл через цикл «капитального ажиотажа и последующего охлаждения». В тот период большинство компаний находились на стадии технологической валидации, а «лекарства, разработанные с помощью AI», в основном оставались на уровне лабораторных исследований.

К 2026 году отрасль AI в разработке лекарств подошла к ключевому переломному моменту:

• Ускорение клинического внедрения: в мире уже около 15 препаратов, разработанных с применением AI, находятся на стадиях II–III клинических испытаний; сотрудничество между международными фармацевтическими компаниями и AI-компаниями переходит от отдельных проектов к построению экосистем.
• Драйверы политики и рынка: государственная поддержка цифровой трансформации усиливается; глобальный рынок AI в разработке лекарств демонстрирует среднегодовой рост более 35%, при этом доля Китая стабильно увеличивается, а CAGR превышает 15%, что делает его ключевым драйвером глобального роста.

Консенсус в отрасли также меняется: AI в разработке лекарств уже не рассматривается как инструмент локального повышения эффективности, а становится ключевой основой трансформации модели разработки лекарств. Технологическая реализация, клиническая валидация и коммерциализация становятся тремя основными направлениями прорыва.

Ключевые области применения: AI трансформирует всю цепочку фармацевтики

Индустриализация AI в разработке лекарств основана на его практическом внедрении. От открытия молекул до оптимизации производства — на каждом этапе наблюдается значительное повышение эффективности и снижение затрат.

(I) Открытие лекарств: сокращение сроков и затрат, решение проблемы скрининга

Открытие лекарств является отправной точкой фармацевтики и одним из самых затратных этапов. В традиционной модели путь от идентификации мишени до отбора предклинического кандидата (PCC) занимает в среднем 4,5 года и требует скрининга десятков тысяч соединений.

С внедрением AI ситуация существенно изменилась:

• Поиск мишеней и дизайн молекул: глубокое обучение анализирует геномные и протеиновые данные для быстрого выявления мишеней и генерации новых молекул.
• Прогноз кристаллической формы: AI моделирует структуры соединений, повышая стабильность и биодоступность препаратов.
• Кейсы:
  • Insilico Medicine с использованием GAN вывела препарат против лёгочного фиброза на II фазу всего за 18 месяцев, сократив затраты до 1/10 от традиционных.
  • XtalPi совместно с Pfizer при разработке PAXLOVID определила оптимальную кристаллическую форму всего за 6 недель.

✨ AI существенно сокращает цикл открытия лекарств и снижает затраты, создавая основу для дальнейших клинических и коммерческих этапов.

👉 Таким образом, на этапе открытия лекарств AI становится ключевым инструментом повышения эффективности и снижения рисков.

(II) Клиническая разработка: оптимизация процессов и повышение успешности

Клинические испытания остаются главным барьером индустриализации: медленный набор пациентов, высокая доля неудач и длительные сроки.

К 2026 году AI играет ключевую роль в трёх направлениях:

• Интеллектуальный подбор пациентов: анализ медицинских и генетических данных ускоряет набор более чем на 50%.
• Оптимизация протоколов: моделирование сценариев снижает вероятность неэффективных испытаний.
• Прогноз клинических конечных точек: ранняя оценка эффективности и безопасности.
• Кейсы:
  • CytoReason привлекла $80 млн инвестиций от Pfizer благодаря модели прогнозирования успеха II фазы.
  • Китайская компания METiS Pharmaceuticals довела AI-препарат MTS-004 до III фазы клинических испытаний.

✨ AI повышает эффективность клинических испытаний и увеличивает вероятность успеха.

👉 В результате AI становится важным инструментом снижения рисков и ускорения вывода препаратов на рынок.

(III) Производство и цепочки поставок: интеллектуализация и повышение эффективности

На этапе производства AI обеспечивает точный контроль процессов и снижение издержек.

К 2026 году его применение охватывает весь производственный цикл:

• Оптимизация производства: Shanghai Henlius сократила число кандидатов до 20 и ускорила разработку до 5 месяцев.
• Онлайн-контроль качества: AI снижает производственные риски и затраты.
• Цепочки поставок:китайский фармацевтический дистрибьютор Dengyue Pharmaceutical использует интеллектуальное управление запасами и эффективную дистрибуцию, обеспечивая быстрое выведение AI-препаратов на рынок.

✨ AI охватывает весь производственный цикл, а синергия с цепочками поставок обеспечивает эффективную коммерциализацию.

👉 Таким образом, именно взаимодействие производства и дистрибуции становится ключом к индустриализации.

Возможности индустриализации: тройная поддержка со стороны политики, капитала и технологий

Индустриализация ИИ в разработке лекарств в 2026 году невозможна без тройной поддержки политики, капитала и технологий — это основная логика экспоненциального роста отрасли и ключевые возможности, которые могут использовать специалисты отрасли.

• Поддержка политики: страны мира расширяют поддержку политики в области ИИ в разработке лекарств, а Китай incluso включил это направление в список стратегически важных новых отраслей.
  • В ноябре 2025 года Министерство здравоохранения и другие ведомства совместно опубликовали Рекомендации по содействию и регулированию развития применения «искусственный интеллект + здравоохранение», определив этапные цели на 2027 и 2030 годы.
  • В начале 2026 года Министерство промышленности и информационных технологий и другие восемь ведомств совместно выпустили План действий «искусственный интеллект +», подчеркивая необходимость создания платформ для поиска новых лекарств на основе искусственного интеллекта для снижения затрат и сроков разработки.
• Оживление капитала: с начала 2026 года в сфере ИИ в разработке лекарств начался бум капитальных инвестиций: за более чем 20 дней в мире было подписано более 10 крупных соглашений о сотрудничестве на общую сумму более 6 млрд долларов США.
  • Eli Lilly и NVIDIA совместно инвестировали 1 млрд долларов США в создание совместной лаборатории по фармацевтике с ИИ, а такие транснациональные фармацевтические компании, как Sanofi, Takeda и GlaxoSmithKline, увеличили инвестиции, перейдя от разрозненного развития к совместному созданию инфраструктуры для разработки лекарств нового поколения.
  • На рынке капитала Insilico Medicine провела IPO на Гонконгской фондовой бирже в конце 2025 года, причем спрос на акции при публичном размещении превысил предложение в 1427 раз, что свидетельствует о признании потенциала отрасли капиталом.
• Координация экосистемы: индустриализация фармацевтики с ИИ не только зависит от разработки и производства, но и требует соответствующей поддержки цепочки поставок.
  • Harbour BioMed возглавил создание «экосистемы «ИИ + биомедицина»», интегрировав данные фармацевтических компаний, больниц и научных учреждений, что эффективно решило проблему «изоляции данных» и обеспечило поддержку для технологической реализации.
  • Оптовые поставщики, такие как Dengyue Pharmaceutical, играют ключевую роль в управлении цепочкой поставок, поддерживая выход новых лекарств на рынок.

👉 Ориентация и поддержка политики, постоянное увеличение капитальных инвестиций и многоплановые прорывы в технологии сформировали благоприятную модель совместного взаимодействия, совместно обеспечивая основную движущую силу для индустриализации ИИ в разработке лекарств в 2026 году.

Сохраняющиеся вызовы: «препятствия» на пути к индустриализации и пути их преодоления

Несмотря на стремительный рост фармацевтики с ИИ, индустриализация все еще сталкивается с рядом вызовов. Эти проблемы являются основными болевыми точками для специалистов отрасли и задачами, которые необходимо решить для достижения качественного развития отрасли.

1️⃣ Проблема с данными: дефицит и фрагментация ограничивают оптимизацию моделей

Обучение ИИ-моделей зависит от высококачественных и масштабных структурированных данных, но текущее состояние данных в фармацевтической отрасли не может удовлетворить этому требованию:

• С одной стороны, данные дефицитны и фрагментированы. Основные данные, такие как результаты клинических испытаний и библиотеки соединений традиционных фармацевтических компаний, распределены в разных системах и не имеют единого стандарта, что приводит к недостатку высококачественных данных, необходимых для обучения ИИ.
• С другой стороны, существует высокий риск невыполнения требований конфиденциальности данных. Медицинские данные находятся под строгим регулированием, отсутствует механизм совместного использования данных между учреждениями. Компании должны балансировать между использованием данных и соблюдением таких нормативных актов, как GDPR и HIPAA, что еще больше усложняет получение данных.

2️⃣ Неясность регулирования: отсутствие стандартов и недостаточная адаптивность

Стремительное развитие ИИ в разработке лекарств опередило скорость адаптации существующей регуляторной системы. На данный момент в мире еще не сформированы единые регуляторные стандарты для фармацевтики с ИИ, особенно отсутствуют четкие нормы в отношении проверки безопасности, оценки эффективности и определения ответственности для лекарств, разработанных ИИ.

3️⃣ Проблемы с реализацией: несоответствие технологии и дефицит кадров hinder масштабное применение

Индустриализация фармацевтики с ИИ в конечном итоге должна реализовываться в практической разработке и производстве компаний, но в настоящее время она сталкивается с двумя основными барьерами:

1. Проблема адаптации технологии: 80% традиционных фармацевтических компаний застряли на этапе адаптации ИИ-моделей. ИИ-технологии несовместимы с существующими системами разработки и производства компаний, а «черный ящик» модели приводит к тому, что фармацевтические компании с трудом доверяют результатам, генерируемым ИИ. Кроме того, внедрение ИИ требует крупных начальных инвестиций (покупка вычислительной мощности, создание платформ), а краткосрочный эффект не очевиден, что заставляет некоторые компании сохранять осторожность.
2. Дефицит комплексных кадров: существует большой дефицит исследователей, которые одновременно владеют знаниями в области фармацевтики и ИИ-алгоритмов. Кроме того, соединения, разработанные ИИ, могут иметь «прогнозируемые отклонения», что также заставляет некоторые компании быть осторожными при применении ИИ-технологий.

4️⃣ Коммерческие трудности: несоответствие инвестиций и результатов, незрелость бизнес-модели

Внедрение ИИ в фармацевтику требует крупных начальных инвестиций, а период окупаемости долгий, что приводит к тому, что большинство компаний сталкиваются с проблемой несоответствия инвестиций и результатов.

На ранних этапах требуются значительные средства на покупку вычислительной мощности, создание платформ и набор персонала, но предклинический этап составляет всего 10% от общей стоимости разработки, тогда как клинические испытания, которые занимают 90% затрат, все еще требуют ручного управления, поэтому краткосрочный возврат инвестиций не виден.

Кроме того, бизнес-модель фармацевтики с ИИ еще не зрела: большинство компаний все еще основывают свою деятельность на технических услугах, а комплексная бизнес-модель «высокая предоплата + платежи по достижению этапов + процент от продаж» реализована только в ведущих компаниях, что создает большой коммерческий давление на малые и средние ИИ-фармацевтические компании.

Эти вызовы требуют совместного решения в области технологии, экосистемы и регулирования для обеспечения устойчивого развития индустриализации.

Заключение

2026 год становится переломным моментом для AI в разработке лекарств.

Будущее отрасли зависит от синергии технологий, экосистемы и регулирования.

Когда AI окончательно перейдёт от лаборатории к клинике и рынку, он не только решит ключевые проблемы традиционной фармацевтики, но и полностью изменит глобальную конкурентную структуру отрасли.

В Китае DengYue Pharma, как ведущий фармацевтический дистрибьютор, играет важную роль в этом процессе, обеспечивая эффективную коммерциализацию AI-препаратов за счёт интеллектуальных цепочек поставок и быстрой дистрибуции.

FAQ: AI в разработке лекарств