Przejdź do treści

Praktyczne zastosowania

Retargeting leków z AI: co przyspiesza, a czego nie zastąpi

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

AI przyspiesza retargeting leków na etapie hipotez, ale nie zastępuje badań klinicznych. Sprawdzamy, co potwierdzają źródła, a które liczby pozostają szacunkami.

Retargeting leków z AI: co przyspiesza, a czego nie zastąpi
Spis treści
  1. Czy AI naprawdę skraca badania nad nowym zastosowaniem leku?
  2. Czym różni się retargeting od odkrywania nowej cząsteczki?
  3. Co wiadomo o pracach Adamedu nad AI?
  4. Ile miejsca zajmuje retargeting w badaniach nad Alzheimerem?
  5. Skąd biorą się liczby o 40–70% oszczędności?
  6. Jakie ograniczenia mają modele AI w typowaniu leków?
  7. Czy patenty i regulacje blokują retargeting?
  8. Od czego zacząć analizę repurposingową z AI?
  9. Najczęstsze pytania
  10. Źródła

Czy AI naprawdę skraca badania nad nowym zastosowaniem leku?

Tak, ale nie na całej długości procesu. Algorytmy pozwalają przetestować wirtualnie miliony kombinacji i odrzucić najsłabsze hipotezy jeszcze przed laboratorium, dzięki czemu zespół rzadziej wchodzi w ślepe uliczki [1]. Samo badanie kliniczne w nowym wskazaniu pozostaje konieczne, bo AI nie zmienia reguł rejestracji leku. W 2025 r. analiza pipeline'u choroby Alzheimera wykazała 182 aktywne badania kliniczne obejmujące 138 kandydatów [2].

Skala wyjaśnia, dlaczego skrócenie choćby wstępnego etapu ma znaczenie. Statystycznie tylko jedna na 10 tys. cząsteczek testowanych w laboratoriach firm farmaceutycznych przechodzi pomyślnie wszystkie fazy badań [3]. Przy takiej selekcji wartość ma każda metoda, która taniej odrzuca złe kierunki.

Retargeting, nazywany też repurposingiem lub repositioningiem, to wykorzystanie istniejącego leku w nowym wskazaniu. Metoda nie jest nowa. AI zmienia w niej głównie tempo analizy danych, nie zasady dopuszczania leku do obrotu.

Czym różni się retargeting od odkrywania nowej cząsteczki?

Retargeting startuje od substancji o znanej farmakologii, dawkowaniu i profilu bezpieczeństwa. Odkrywanie nowej cząsteczki zaczyna się od projektu chemicznego i pełnego pakietu badań. Ta różnica obniża ryzyko na wczesnym etapie i pozwala czasem ominąć część badań nieklinicznych lub fazę I, ale nie usuwa obowiązku wykazania skuteczności w nowej chorobie [4][5].

KryteriumNowa cząsteczkaRetargeting istniejącego leku
Punkt wyjściaprojekt chemiczny od zeraznana farmakologia, dawkowanie i profil bezpieczeństwa [4]
Wczesne badaniapełny pakiet niekliniczny i faza Iczęść badań nieklinicznych lub fazę I można pominąć [5]
Dowód skutecznościbadanie w docelowym wskazaniurównież badanie w nowym wskazaniu [4]
Bariera komercyjnaochrona patentowa nowej substancjiwygasłe patenty i finansowanie utrudniają późne fazy [4]
Główne ryzykoniepowodzenie na którymkolwiek etapiebrak skuteczności w nowej chorobie mimo znanego profilu

Różnica jest więc praktyczna, nie fundamentalna. Znana farmakologia skraca drogę do pierwszego podania człowiekowi, nie do rejestracji. Retargeting przesuwa ciężar kosztów i ryzyka w stronę późniejszych faz, gdzie decyduje wynik badania klinicznego, a nie jakość modelu.

Co wiadomo o pracach Adamedu nad AI?

Adamed to polska, rodzinna firma farmaceutyczno-biotechnologiczna założona w 1986 r. [6]. Firma podaje blisko 2,6 mld zł skumulowanych inwestycji w badania i rozwój, co jest sumą wielu lat i wielu projektów, a nie budżetem jednego programu [6].

W oficjalnym opisie prac Adamed deklaruje modelowanie in silico, uczenie maszynowe i AI do analizy danych oraz projektowania i optymalizacji nowych cząsteczek w onkologii, neuropsychiatrii i diabetologii [7]. Zespół CNS zajmuje się selekcją wskazań i celów biologicznych oraz projektowaniem nowych cząsteczek, a wśród obszarów zainteresowania wymienia behawioralne objawy demencji, głównie związane z chorobą Alzheimera [8].

Dwie cząsteczki zostały przeniesione do rozwoju klinicznego. Obie dotyczą onkologii: jedna rozpoczęła w 2025 r. badanie fazy I, druga jest rozwijana przez partnera [7]. Publiczne materiały firmy nie opisują konkretnego leku przeciw Alzheimerowi w fazie II ani programu retargetingu z podanym budżetem i oszczędnościami.

Ile miejsca zajmuje retargeting w badaniach nad Alzheimerem?

Analiza opublikowana w 2025 r. wykazała 182 aktywne badania kliniczne i 138 kandydatów. Leki repurposed stanowiły około jednej trzeciej kandydatów i badań [2][9]. To realna część pipeline'u, nie margines.

Przykład z 2025 r. pokazuje, jak wygląda typowe wskazanie AI. Badacze z UCSF wykorzystali model do wskazania letrozolu i irinotekanu jako potencjalnej kombinacji w Alzheimerze [10]. Opierali się na danych przedklinicznych i obserwacyjnych, więc wynik nie jest dowodem skuteczności u ludzi.

Skąd biorą się liczby o 40–70% oszczędności?

Przegląd z 2026 r. szacuje koszty repurposingu na 40–60% niższe niż w klasycznym odkrywaniu leku [11]. Według Forbesa, cytowanego przez mamstartup.pl, firmy farmaceutyczne wyceniają udział AI w odkrywaniu nowych leków na nawet 70% niższe koszty [12].

Obie liczby są szacunkami lub deklaracjami rynkowymi, nie wynikiem pomiaru. Żeby miały wartość, trzeba doprecyzować, czego dotyczą: kosztów odkrywania, fazy przedklinicznej, rekrutacji czy całego rozwoju. Trzeba też wskazać grupę porównawczą. Bez tego pozostają twierdzeniami marketingowymi, nawet gdy brzmią precyzyjnie.

Jakie ograniczenia mają modele AI w typowaniu leków?

AI generuje hipotezy, nie dowód skuteczności. Przeglądy wskazują na problemy z jakością danych, stronniczością, interpretowalnością wyników oraz przenoszeniem wniosków z modeli komputerowych lub zwierzęcych na ludzi [11]. Kandydaci wytypowani przez model wymagają walidacji laboratoryjnej i klinicznej.

Drugie ograniczenie jest organizacyjne. Platformy AI do odkrywania leków są dziś warstwą wspierającą decyzje zespołu badawczego, nie samodzielnym źródłem kandydatów do rejestracji [13]. Wartość narzędzia zależy więc od tego, kto i na jakich danych interpretuje jego wynik.

Czy patenty i regulacje blokują retargeting?

Częściowo. Znana farmakologia i profil bezpieczeństwa mogą skrócić wczesną fazę, ale trzeba wykazać skuteczność w nowym wskazaniu. Problemy z patentami i finansowaniem często utrudniają przejście do późnych faz [4][5].

Wygasły patent na stary lek nie przeszkadza w badaniach, bywa jednak przeszkodą w komercjalizacji. Firma musi mieć podstawę do poniesienia kosztów rejestracji, a ta podstawa często zależy od okresu wyłączności i przewidywanego zwrotu.

Od czego zacząć analizę repurposingową z AI?

Polecamy zacząć od pytania badawczego, nie od narzędzia. Model dobiera się do danych i do decyzji, którą ma wspierać, a nie odwrotnie. Poniższa kolejność ogranicza ryzyko wydania budżetu na analizę, której wyniku nie da się wykorzystać.

  1. Zdefiniuj wskazanie i populację, dla której szukasz nowego zastosowania.
  2. Sprawdź, jakie dane masz: dane omiczne, sieci biologiczne, dokumentację medyczną i dane o ekspozycji na leki [4].
  3. Zrób pilotaż na wąskim zbiorze substancji i porównaj wynik z wiedzą farmakologów.
  4. Zaplanuj walidację laboratoryjną przed jakąkolwiek decyzją o badaniu klinicznym.
  5. Ustal ścieżkę regulacyjną i sprawdź sytuację patentową, zanim policzysz oszczędności.

Jeśli dopiero budujesz kompetencje analityczne, więcej o przechodzeniu od pilotażu do produkcji znajdziesz w artykule Praktyczne zastosowania AI: od pilotażu do produkcji. Ocenie narzędzi i benchmarków poświęcony jest tekst Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw, a pracy modeli na danych — Codex w data science.

Najczęstsze pytania

Czy AI może zastąpić badania kliniczne w nowym wskazaniu?

Nie. Model wskazuje kandydatów i porządkuje hipotezy, ale skuteczność leku u ludzi potwierdza badanie kliniczne. Przeglądy podkreślają, że kandydaci wytypowani przez AI wymagają walidacji laboratoryjnej i klinicznej, a wnioski z modeli komputerowych lub zwierzęcych nie przenoszą się automatycznie na pacjentów [11].

Czy retargeting jest tańszy niż opracowanie nowej cząsteczki?

Zwykle tak, ale oszczędność zależy od etapu. Przegląd z 2026 r. szacuje koszty na 40–60% niższe [11]. Znana farmakologia pozwala pominąć część badań nieklinicznych lub fazę I, nie eliminuje jednak kosztu badania w nowym wskazaniu ani rejestracji [4][5].

Czy Adamed prowadzi badanie leku na chorobę Alzheimera?

Publiczne materiały Adamedu tego nie potwierdzają. Zespół CNS firmy zajmuje się projektowaniem nowych cząsteczek i interesuje się behawioralnymi objawami demencji, głównie związanymi z chorobą Alzheimera [8]. Dwie cząsteczki w rozwoju klinicznym dotyczą onkologii, a oficjalny opis nie wskazuje leku przeciw Alzheimerowi w fazie II [7].

Jakie dane są potrzebne do analizy repurposingu z AI?

W badaniach nad Alzheimerem modele AI wykorzystują dane omiczne, sieci biologiczne, dokumentację medyczną i dane o ekspozycji na leki [4]. Jakość tych zbiorów decyduje o wartości wskazań. Braki i stronniczość danych są jednym z głównych ograniczeń opisywanych w przeglądach [11].

Czy wynik modelu AI jest dowodem, że lek działa?

Nie. Wynik modelu to hipoteza do sprawdzenia. Dopiero walidacja laboratoryjna i badanie kliniczne mogą potwierdzić skuteczność w nowym wskazaniu [11][13]. Przykład letrozolu i irinotekanu w Alzheimerze opierał się na danych przedklinicznych i obserwacyjnych, a nie na dowodzie skuteczności u ludzi [10].

Źródła

  1. Zaczyna się nowa era w produkcji leków. AI zmniejsza liczbę ślepych uliczek (rp.pl, 2026)
  2. Alzheimer's disease drug development pipeline: 2025 (Wiley, 2025)
  3. Sztuczna inteligencja pomaga odkrywać nowe leki. Skraca czas i obniża koszty badań klinicznych (kierunekfarmacja.pl)
  4. Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Nature Communications, 2025)
  5. Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Johns Hopkins University, 2025)
  6. O firmie (Adamed)
  7. Rozwój leków oryginalnych (Adamed)
  8. CNS Team (Adamed)
  9. Alzheimer's disease drug development pipeline: 2025 (PubMed, 2025)
  10. Cancer Drugs Could Treat Alzheimer's: Drug Repurposing Win (Medscape, 2025)
  11. Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing (PMC, 2026)
  12. AI kontra odkrywanie nowych leków (mamstartup.pl)
  13. Leading artificial intelligence–driven drug discovery platforms: 2025 landscape and global outlook (ScienceDirect, 2025)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji