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.
Spis treści
- Czy AI naprawdę skraca badania nad nowym zastosowaniem leku?
- Czym różni się retargeting od odkrywania nowej cząsteczki?
- Co wiadomo o pracach Adamedu nad AI?
- Ile miejsca zajmuje retargeting w badaniach nad Alzheimerem?
- Skąd biorą się liczby o 40–70% oszczędności?
- Jakie ograniczenia mają modele AI w typowaniu leków?
- Czy patenty i regulacje blokują retargeting?
- Od czego zacząć analizę repurposingową z AI?
- Najczęstsze pytania
- 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].
| Kryterium | Nowa cząsteczka | Retargeting istniejącego leku |
|---|---|---|
| Punkt wyjścia | projekt chemiczny od zera | znana farmakologia, dawkowanie i profil bezpieczeństwa [4] |
| Wczesne badania | pełny pakiet niekliniczny i faza I | część badań nieklinicznych lub fazę I można pominąć [5] |
| Dowód skuteczności | badanie w docelowym wskazaniu | również badanie w nowym wskazaniu [4] |
| Bariera komercyjna | ochrona patentowa nowej substancji | wygasłe patenty i finansowanie utrudniają późne fazy [4] |
| Główne ryzyko | niepowodzenie na którymkolwiek etapie | brak 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.
- Zdefiniuj wskazanie i populację, dla której szukasz nowego zastosowania.
- Sprawdź, jakie dane masz: dane omiczne, sieci biologiczne, dokumentację medyczną i dane o ekspozycji na leki [4].
- Zrób pilotaż na wąskim zbiorze substancji i porównaj wynik z wiedzą farmakologów.
- Zaplanuj walidację laboratoryjną przed jakąkolwiek decyzją o badaniu klinicznym.
- 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
- Zaczyna się nowa era w produkcji leków. AI zmniejsza liczbę ślepych uliczek (rp.pl, 2026)
- Alzheimer's disease drug development pipeline: 2025 (Wiley, 2025)
- Sztuczna inteligencja pomaga odkrywać nowe leki. Skraca czas i obniża koszty badań klinicznych (kierunekfarmacja.pl)
- Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Nature Communications, 2025)
- Drug repurposing for Alzheimer's disease and other neurodegenerative disorders (Johns Hopkins University, 2025)
- O firmie (Adamed)
- Rozwój leków oryginalnych (Adamed)
- CNS Team (Adamed)
- Alzheimer's disease drug development pipeline: 2025 (PubMed, 2025)
- Cancer Drugs Could Treat Alzheimer's: Drug Repurposing Win (Medscape, 2025)
- Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing (PMC, 2026)
- AI kontra odkrywanie nowych leków (mamstartup.pl)
- Leading artificial intelligence–driven drug discovery platforms: 2025 landscape and global outlook (ScienceDirect, 2025)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji