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…
Spis treści
- Jak AI zmienia proces odkrywania leków?
- Czym jest M1 RetroScore i jak działa?
- Jakie są ograniczenia AI w planowaniu syntez?
- Jak polskie firmy farmaceutyczne wdrażają AI?
- Ile czasu zajmuje wdrożenie AI w R&D?
- Porównanie narzędzi do planowania syntez
- Jakie są przyszłe kierunki rozwoju?
- Najczęstsze pytania
- 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:
- Audyt danych (1–2 miesiące) — sprawdzenie, jakie dane chemiczne i biologiczne firma posiada.
- Wybór narzędzia (1 miesiąc) — decyzja między open-source (RDKit, DeepChem) a rozwiązaniami komercyjnymi.
- Integracja z procesami (3–6 miesięcy) — dostosowanie AI do istniejących procedur laboratoryjnych.
- 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
| Narzędzie | Typ | Dostęp | Koszt | Interpretowalność |
|---|---|---|---|---|
| M1 RetroScore (Molecule.one + CAS) | Komercyjne | API, web | Umowa indywidualna | Średnia |
| RDKit | Open-source | GitHub | Darmowe | Wysoka |
| DeepChem | Open-source | GitHub | Darmowe | Średnia |
| Schrödinger Suite | Komercyjne | Desktop, cloud | 500 000–1 000 000 PLN/rok | Wysoka |
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
- Nowoczesne leki to lata badań i ogromne koszty. Jak tworzą je polskie firmy farmaceutyczne (Business Insider, 2024)
- CAS and Molecule.one announce a strategic collaboration to accelerate drug discovery (CAS, 2023)
- CAS and Molecule.one Announce Strategic Collaboration (NISO, 2023)
- Opportunities for Machine Learning and Artificial Intelligence to Advance Synthetic Drug Substance Process Development (ACS, 2023)
- Sztuczna inteligencja pomaga odkrywać nowe leki. Skraca czas i obniża koszty badań klinicznych (Kierunek Farmacja, 2024)
- Raport Zrównoważonego Rozwoju 2023 (Polpharma, 2024)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji