Тихая революция: как «АстраЗенека» внедряет ИИ в фармпроизводство и разработку лекарств
Отбор молекул, клинические испытания и производство требуют десятилетий и миллиардов долларов. Искусственный интеллект здесь не панацея и не замена ученых, а инструмент, меняющий логику работы. «АстраЗенека» демонстрирует, как алгоритмы помогают обрабатывать данные, находить новые мишени для лекарств и обеспечивать качество на производстве, сохраняя за человеком окончательное решение.
# Тихая революция: как «АстраЗенека» внедряет ИИ в фармпроизводство и разработку лекарств
Разработка одного нового лекарства — это марафон, который в среднем длится 10–15 лет и требует инвестиций в размере 1–2 млрд долларов. Статистика сурова: из тысяч кандидатов, дошедших до стадии клинических испытаний, лишь один получает регистрацию и выходит на рынок. В индустрии, где цена ошибки исчисляется жизнями пациентов и судьбами компаний, риторика «внедрили ИИ — всё стало быстрее» часто звучит как клише. В реальности изменения происходят глубже: они затрагивают саму логику поиска решений, управления данными и контроля качества.
Корпорация «АстраЗенека» в своей практике показывает, что искусственный интеллект в фармацевтике — это не волшебная таблетка, а сложный инженерный слой, требующий прозрачности, валидации и, что важно, участия человека в критических моментах (human-in-the-loop).
Поиск в океане данных: от молекул к мишеням
Самый трудоемкий этап создания препарата — его поиск. Ученые должны выбрать биологическую мишень и найти молекулу, способную на неё воздействовать. Пространство возможных химических соединений огромно, поэтому классический перебор методов уже не работает. В «АстраЗенека» эту проблему решают с помощью знаний, закодированных в графах.
Компания использует knowledge graphs (знания графы), которые объединяют генетические, клинические и молекулярные данные. Наверх этих графов работают нейросети, способные находить неочевидные связи между веществами и болезнями. Результат: вместо поиска единственной «идеальной» молекулы, алгоритмы ранжируют тысячи кандидатов по вероятности успеха. Это позволяет быстрее отбрасывать слабые гипотезы и экономить ресурсы на экспериментировании с неперспективными веществами.
Конкретный пример успеха — сотрудничество с компанией BenevolentAI. В январе 2021 года в портфель препаратов «АстраЗенека» вошла первая мишень для лечения хронической болезни почек, найденная с помощью искусственного интеллекта. Позже эта методология помогла добавить в портфель и другие AI-таргеты. В случае с идиопатическим легочным фиброзом от идентификации мишени до получения рабочего кандидата-препарата прошло всего 18 месяцев, а синтезировано было менее 80 соединений, тогда как обычно на этом этапе работают с тысячами молекул на протяжении нескольких лет.
Однако стоит отметить: это успех единичный, а не отраслевая норма. Конкурентное преимущество здесь не в самой модели, а в уникальности и качестве данных. «АстраЗенека» тратит колоссальные усилия на очистку, валидацию и обогащение данных, создавая слой, который превращает сырые датасеты в воспроизводимые научные знания.
Диагностика как вспомогательный инструмент
Использование алгоритмов распространяется и на стадию диагностики. В России, в частности в Санкт-Петербурге и Нижнем Новгороде, запущены пилотные проекты, где ИИ помогает анализировать снимки КТ. Важно понимать разницу в подходах: модель здесь выступает «вторым контуром», обрабатывая данные и подсвечивая области риска, но финальное решение всегда принимает врач.
Результаты пилота обещают повышение эффективности диагностики рака легких примерно на 10%. Однако появление такой модели требует сложного подпайплайна обработки данных, который часто остается внутри компаний из соображений безопасности и этики. Именно поэтому глобальные игроки активно открывают часть своих инструментов для сообщества.
Один из ярких примеров — проект CellAtria. Это open-source (с открытым исходным кодом) агентная система, которая автоматизирует работу с данными в исследованиях single-cell. Пользователь может сформулировать задачу на естественном языке, и система сама проведет путь от документа до финального анализа, используя графовый фреймворк. Инструмент работает с соблюдением всех требований воспроизводимости и этики, сохраняя при этом контроль человека над процессом. Репозиторий с проектами «АстраЗенека» открыт на GitHub, позволяя научному сообществу изучать и использовать реальные инструменты биоинформатики.
ИИ в операционных процессах и на производстве
Если в研发 (R&D) ИИ помогает искать новое, то в операционной деятельности и на производстве он решает задачи контроля и эффективности. Российское подразделение «АстраЗенека» активно развивает направление Data & Digital, где штат специалистов по данным вырос в 3,5 раза с 2024 года.
Система AIRIS 2.0 позволяет сотрудникам задавать вопросы на естественном языке о содержании внутренних документов, регламентов и научных публикаций. Главное требование к такой системе — прозрачность: ответ должен сопровождаться ссылкой на источник, чтобы специалист мог проверить факты. Будущее системы видится в мультиагентном подходе, когда оркестратор направляет запросы к специализированным агентам для выполнения сложных многошаговых задач.
На заводе «АстраЗенека» в Калужской области (парк «Ворсино») искусственный интеллект внедряется в отдел обеспечения качества. Здесь требования жестче: производство должно соответствовать стандартам GMP. Модель не может быть «черным ящиком» — она должна фиксировать все параметры, сопровождать прогнозы метрикой уверенности и оставлять полный аудиторский след.
Внедрение проходит строго по этапам Assess → Govern → Deploy → Validate → Operate. ИИ-ассистенты помогают сотрудникам анализировать отклонения и документы. Например, один агент находит похожие инциденты за последние 12 месяцев, а другой проверяет качество описания отклонения, оценивая его соответствие стандартным операционным процедурам (СОП). Но ключевым принципом остается human-in-the-loop: ИИ дает рекомендации, а финальное решение и ответственность остаются за специалистом. Система обучает сотрудников, начиная от базового понимания технологий до уровня бизнес-партнеров, способных перестраивать процессы на основе данных.
Заключение
Искусственный интеллект в фармацевтике не отменяет долгих циклов разработки и тщательной проверки. Он меняет ландшафт: ускоряет поиск перспективных направлений, помогает обрабатывать гигантские массивы данных и усиливает контроль качества. Но успех зависит не от наличия алгоритма, а от качества данных, культуры открытости и готовности людей сотрудничать с машиной, оставаясь в центре принятия решений.
*Вспоминая старую морскую мудрость: в штормовое море инноваций надежнее всего тот маяк, который не гаснет, а просто светит точно и не отвлекает капитана от руля.*