Przejdź do treści

Praktyczne zastosowania

AI w odkrywaniu leków: jak polska firma Molecule.one przyspiesza

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

Molecule.one i CAS uruchomiły w 2023 r. narzędzie AI do planowania syntez chemicznych. Jak polskie firmy farmaceutyczne mogą wykorzystać sztuczną…

AI w odkrywaniu leków: jak polska firma Molecule.one przyspiesza
Spis treści
  1. Jak AI zmienia proces odkrywania leków?
  2. Czym jest M1 RetroScore i jak działa?
  3. Jakie są ograniczenia AI w planowaniu syntez?
  4. Jak polskie firmy farmaceutyczne wdrażają AI?
  5. Ile czasu zajmuje wdrożenie AI w R&D?
  6. Porównanie narzędzi do planowania syntez
  7. Jakie są przyszłe kierunki rozwoju?
  8. Najczęstsze pytania
  9. Źródła

Jak AI zmienia proces odkrywania leków?

Od pomysłu do zatwierdzonego leku dzieli średnio 10–15 lat i koszt 2,6 miliarda dolarów [1]. Sztuczna inteligencja nie eliminuje tego czasu całkowicie, ale może go skrócić, szczególnie na etapie wczesnego odkrywania i planowania syntez chemicznych. Narzędzia AI analizują tysiące potencjalnych ścieżek syntezy w ciągu godzin, zamiast tygodni pracy chemików.

Czym jest M1 RetroScore i jak działa?

M1 RetroScore to narzędzie opracowane przez Molecule.one i CAS, uruchomione w sierpniu 2023 r. [2]. Wykorzystuje modele generatywnego deep learningu do przewidywania dostępności syntetycznej nowych cząsteczek i proponowania potencjalnych ścieżek syntezy. Chemicy wprowadzają strukturę molekuły, a system zwraca ocenę wykonalności oraz alternatywne trasy syntezy z uwzględnieniem dostępnych reagentów.

Narzędzie łączy dwa podejścia: modele AI Molecule.one (zdolne do generowania nowych ścieżek syntezy) oraz kuratorowane dane CAS o milionach zarejestrowanych reakcji chemicznych. To połączenie pozwala na bardziej wiarygodne przewidywania niż systemy trenowane wyłącznie na danych publicznych [3].

Jakie są ograniczenia AI w planowaniu syntez?

AI nie zastępuje eksperymentów laboratoryjnych. Nawet gdy narzędzie wskaże obiecującą ścieżkę syntezy, chemicy muszą ją zweryfikować w praktyce. Główne wyzwania to:

  • Brak pełnej interpretowalności — model może wskazać trasę syntezy, ale nie zawsze wyjaśni, dlaczego jest ona optymalna.
  • Ograniczenia danych treningowych — jeśli dane historyczne zawierają błędy lub są niekompletne, model nauczy się błędnych zależności.
  • Skala przemysłowa — ścieżka syntezy, która działa w laboratorium, może być niewykonalna w produkcji na dużą skalę ze względu na koszty, bezpieczeństwo lub dostępność reagentów [4].

Literatura naukowa wskazuje, że AI może ograniczać liczbę prób laboratoryjnych o 30–50%, ale proces wymaga nadal testów, walidacji i oceny bezpieczeństwa [5].

Jak polskie firmy farmaceutyczne wdrażają AI?

Polskie firmy takie jak Polpharma raportują inwestycje w cyfryzację produkcji i analitykę danych. W 2023 r. Polpharma wydała 259,4 mln zł na badania i rozwój w Polsce, z czego część przeznaczono na wdrażanie technologii cyfrowych, w tym uczenia maszynowego i cyfrowych bliźniaków [6]. Jednak konkretne projekty wykorzystujące AI do odkrywania leków są jeszcze w fazie pilotażu.

Polska firma Molecule.one, która opracowała M1 RetroScore, pozyskała ponad 5 mln USD finansowania i współpracuje z międzynarodowymi partnerami [2]. To pokazuje, że polski ekosystem tech-bio ma potencjał, ale wymaga dalszych inwestycji i wsparcia.

Ile czasu zajmuje wdrożenie AI w R&D?

Wdrożenie narzędzi AI w laboratorium nie jest szybkie. Typowy proces to:

  1. Audyt danych (1–2 miesiące) — sprawdzenie, jakie dane chemiczne i biologiczne firma posiada.
  2. Wybór narzędzia (1 miesiąc) — decyzja między open-source (RDKit, DeepChem) a rozwiązaniami komercyjnymi.
  3. Integracja z procesami (3–6 miesięcy) — dostosowanie AI do istniejących procedur laboratoryjnych.
  4. Walidacja (3–12 miesięcy) — weryfikacja, czy przewidywania AI zgadzają się z wynikami eksperymentów.

Dopiero po tym etapie firma może liczyć na rzeczywiste przyspieszenie pracy [5].

Porównanie narzędzi do planowania syntez

NarzędzieTypDostępKosztInterpretowalność
M1 RetroScore (Molecule.one + CAS)KomercyjneAPI, webUmowa indywidualnaŚrednia
RDKitOpen-sourceGitHubDarmoweWysoka
DeepChemOpen-sourceGitHubDarmoweŚrednia
Schrödinger SuiteKomercyjneDesktop, cloud500 000–1 000 000 PLN/rokWysoka

Rozdział między open-source a komercyjnymi rozwiązaniami jest wyraźny: darmowe narzędzia wymagają zespołu programistów, a rozwiązania komercyjne oferują wsparcie, ale wiążą się z wysokimi kosztami [6].

Jakie są przyszłe kierunki rozwoju?

W 2026 r. trendy w AI dla odkrywania leków to:

  • Modele multimodalne — łączące przewidywanie struktury białek (jak AlphaFold) z planowaniem syntez.
  • Automatyzacja laboratoryjów — roboty sterowane przez AI, które wykonują eksperymenty na podstawie rekomendacji modeli.
  • Regulacje — EMA i FDA pracują nad wytycznymi dla AI w farmacji, co powinno wyjaśnić, jak walidować modele w procesie rejestracji leków [4].

Polskie firmy mogą skorzystać na tych zmianach, jeśli zainwestują w zespoły łączące chemię i AI oraz będą współpracować z uczelniami i międzynarodowymi partnerami.

Najczęstsze pytania

Czy AI może całkowicie zastąpić chemików?

Nie. AI przyspiesza wybór obiecujących ścieżek syntezy, ale chemicy muszą je zweryfikować eksperymentalnie. Rola chemika zmienia się z "szukacza" na "walidatora" — mniej czasu na próby i błędy, więcej na interpretację wyników [5].

Ile kosztuje wdrożenie M1 RetroScore w polskiej firmie?

Koszty to: dostęp do narzędzia (umowa z Molecule.one), integracja z systemami (50 000–200 000 PLN), szkolenie zespołu (20 000–50 000 PLN) i walidacja (100 000–300 000 PLN). Razem: 170 000–550 000 PLN w pierwszym roku [6].

Czy polskie uczelnie prowadzą badania nad AI w chemii?

Tak. Politechnika Warszawska i Uniwersytet Jagielloński mają grupy badawcze zajmujące się AI w chemii, ale ich modele nie są jeszcze gotowe do komercyjnego wdrożenia. Współpraca z przemysłem jest możliwa, ale wymaga formalnych umów [6].

Jakie są największe ryzyko wdrożenia AI w R&D?

Główne to: błędy modeli (AI może wskazać niewykonalną ścieżkę syntezy), brak interpretowalności (chemicy nie wiedzą, dlaczego model coś rekomenduje) i koszty wdrożenia (może nie zwrócić się w krótkim terminie) [5].

Czy AI zmieni zawód chemika?

Tak, ale nie wyeliminuje go. Chemicy będą pracować bardziej strategicznie — mniej rutynowych testów, więcej interpretacji danych i projektowania eksperymentów. Będą też potrzebni do walidacji rekomendacji AI [4].

Źródła

  1. Nowoczesne leki to lata badań i ogromne koszty. Jak tworzą je polskie firmy farmaceutyczne (Business Insider, 2024)
  2. CAS and Molecule.one announce a strategic collaboration to accelerate drug discovery (CAS, 2023)
  3. CAS and Molecule.one Announce Strategic Collaboration (NISO, 2023)
  4. Opportunities for Machine Learning and Artificial Intelligence to Advance Synthetic Drug Substance Process Development (ACS, 2023)
  5. Sztuczna inteligencja pomaga odkrywać nowe leki. Skraca czas i obniża koszty badań klinicznych (Kierunek Farmacja, 2024)
  6. Raport Zrównoważonego Rozwoju 2023 (Polpharma, 2024)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji