Одна з найбільш популярних подій відбулася від ReviR Therapeutics, інкубованої компанії XtalPi. На початку січня її програма RTX-117 отримала повідомлення про клінічні випробування від Національного управління медичних продуктів Китаю. Кандидат націлений на хворобу Шарко-Марі-Тута, рідкісний спадковий неврологічний розлад.
Цей проект відомий тим, що він поєднує дизайн штучного інтелекту з цільовими дослідженнями малих молекул РНК-. XtalPi описав RTX-117 як перший у Китаї низький молекулярний конвеєр «ШІ + РНК», який почав клінічні випробування. Програма також отримала схвалення Управління з контролю за харчовими продуктами та харчовими продуктами США IND і визначення лікарських засобів-сиріт до цього клінічного прогресу в Китаї.
Це не означає, що препарат уже довів свою остаточну клінічну цінність. Схвалення клінічного випробування все ще є раннім кроком. Необхідно ретельно перевірити безпеку, дозування, реакцію пацієнта та-довгострокову користь. Але для сфери відкриття ліків ШІ це все ще є значущим знаком. Це показує, що молекулярний дизайн із -підтримкою штучного інтелекту наближається до регульованої розробки ліків, а не лише до обговорення-досліджень на ранніх стадіях.
Дослідження рідкісних захворювань може бути однією з сфер, де цьому підходу приділяється більше уваги. Багато рідкісних захворювань мають обмежену кількість пацієнтів, обмежені історичні дані та важкі шляхи розвитку. Якщо інструменти штучного інтелекту можуть допомогти дослідникам зрозуміти цілі, спроектувати молекули та ефективніше визначати пріоритети кандидатів, вони можуть стати корисними в областях, де традиційні відкриття повільні або дорогі.
Ще один січневий сигнал надійшов від співпраці між XtalPi і Sunshine Lake Pharma. Обидві сторони оголосили про стратегічне партнерство, зосереджене на моделі відкриття ліків "AI + Robotics". План включає спільне підприємство, автоматизовану лабораторну інфраструктуру, структуровані експериментальні дані та системи досліджень і розробок із -підтримкою ШІ.
Така співпраця відрізняється від простого оголошення технології. Це вказує на більш промисловий спосіб використання ШІ. Замість того, щоб лише будувати моделі, компанії намагаються об’єднати прогнозування, синтез, тестування, зворотній зв’язок даних і конвеєрні рішення в одну робочу систему.
Це важливо, оскільки пошук ліків — це не-однокрокова робота. Молекулу, яка добре виглядає на комп’ютері, ще потрібно синтезувати, протестувати, порівняти, оптимізувати та переглянути. Якщо лабораторна сторона не встигає за цим, швидкість проектування штучного інтелекту може не перетворитися на реальну ефективність досліджень і розробок.
Ось чому робототехніка та автоматизовані лабораторії стають частиною історії. Вони можуть допомогти отримати більш узгоджені експериментальні дані та зменшити кількість повторної ручної роботи. Що ще важливіше, вони полегшують моделям штучного інтелекту навчання на реальних експериментальних результатах. Чим міцнішим стає цикл даних, тим кориснішою може бути система для майбутнього відбору кандидатів.
Посилення ролі штучного інтелекту не зменшує потребу в доказах. Насправді це може зробити докази ще важливішими. Коли платформа може швидко генерувати багато дизайнерських ідей, дослідницьким групам потрібен кращий спосіб вирішити, які ідеї варто дотримуватися.
Це створює більший тиск на тестування, якість даних і документацію. Молекулярна ідентичність, чистота, стабільність, розчинність, фармакокінетична поведінка та результати аналізів стають частиною рішення. Якщо дані слабкі або суперечливі, швидкий процес проектування все одно може призвести до повільної розробки.
Фармацевтичним компаніям ШІ може допомогти скоротити частину циклу відкриття. Але це не може замінити клінічну логіку чи регулятивну дисципліну. Кандидат все ще повинен відповідати тим самим основним запитанням: чи достатньо безпечно навчатися? Чи досягає вона мети? Чи має відповідь сенс? Чи можна матеріал виробляти та контролювати стабільним способом?
Ось чому ринок стає більш обережним щодо заяв про відкриття ліків штучного інтелекту. Яскравою мовою легко писати. Справжній прогрес розвитку важчий. Програми з чіткими цілями, даними, які можна відстежити, і експериментами, що повторюються, сприйматимуться більш серйозно, ніж широкі обіцянки платформи.
Вплив відкриття ліків зі штучним інтелектом не обмежується компаніями-платформами та розробниками ліків. Це також впливає на постачальників первинної ланки, постачальників дослідницьких матеріалів і партнерів аналітичних послуг.
Коли раннє відкриття відбувається швидше, дослідницькі групи можуть потребувати більш оперативної підтримки. Це може включати еталонні сполуки, проміжні продукти, пептидні матеріали, реагенти,-пов’язані з аналізом, і невеликі-серійні поставки на замовлення. Вимога не тільки в швидкості. Покупцям також потрібні чіткі специфікації, узгодженість партій, підтвердження особи та документальна підтримка.
У старих розмовах про закупівлі деякі покупці в основному запитували про назву продукту, чистоту, ціну та час виконання. Для науково-дослідницьких проектів із -підтримкою штучного інтелекту запитання можуть бути детальнішими. Команди можуть запитувати дані ВЕРХ, підтвердження РХ-MS, примітки щодо розчинності, умови зберігання, інформацію про залишковий розчинник і порівняння--серій.
Це здорова зміна для ланцюжка поставок. Це дає технічно підготовленим постачальникам більше можливостей для демонстрації цінності. Це також ускладнює сприйняття погано визначених матеріалів. Якщо дослідницька група використовує передові інструменти проектування, але тестує нестабільні або незрозумілі матеріали, весь проект може втратити надійність на етапі перевірки.
Січень 2026 року не довів, що штучний інтелект може вирішити всі проблеми в розробці ліків. Це було б надто просто. Те, що він показав, є більш корисним: відкриття ліків зі штучним інтелектом стає все більш пов’язаним із клінічним прогресом, фармацевтичним співробітництвом, автоматизацією лабораторії та вимогами до ланцюга поставок.
Це робить поле більш заземленим. Наступний етап, ймовірно, буде присвячений не великим гаслам, а більшому виконанню. Чи може модель допомогти вибрати кращих кандидатів? Чи може лабораторія створити надійний зворотний зв'язок? Чи можна використовувати дані знову? Чи можна достатньо добре контролювати матеріал і процес для подальшого розвитку?
Для біотехнологічних компаній саме тут ШІ стає цінним. Не як заміна науковцям, випробуванням чи виробництву, а як інструмент, який допомагає організовувати рішення раніше та з більшою кількістю доказів.
Ажіотаж навколо відкриття ліків штучного інтелекту, ймовірно, триватиме в 2026 році. Але ринок може стати більш вибірковим. Проекти, які поєднують дизайн ШІ з реальними експериментами, чіткою документацією та практичними шляхами розвитку, матимуть більше шансів виділитися.
