Исследователи создали виртуальную биотехнологическую компанию из десятков тысяч ИИ-агентов и дали им задачу разобрать данные о разработке лекарств. За шесть часов система обработала 55 984 клинических испытания и выявила статистический признак, связанный с эффективностью препаратов: лекарства против мишеней, активных только в определённых типах клеток, чаще успешно проходили испытания и вызывали меньше побочных эффектов.
Virtual Biotech моделирует структуру настоящей биотехнологической компании. Виртуальный научный директор разбивает задачу на части, распределяет работу между специализированными агентами, а затем обобщает результаты. Платформа включает четыре научных направления, одиннадцать специализированных ролей и более 100 инструментов для работы с генетическими, клеточными, химическими и клиническими данными.
Для анализа клинических испытаний II и III фаз система развернула 37 075 параллельных агентов — каждому досталось одно испытание. Такой подход позволял агенту сосредоточиться на одном исследовании, не перегружая контекст посторонней информацией. Агент начинал с ClinicalTrials.gov, при нехватке данных искал научные публикации, затем обращался к регуляторным сообщениям и другим открытым источникам. Результат — единая база с результатами испытаний, показателями эффективности, причинами досрочного прекращения и информацией о побочных явлениях. По расчётам авторов, 37 075 испытаний обработались за шесть часов. Последовательная работа одного агента потребовала бы примерно 1 839 часов, или 76,6 дня.
После объединения данных агенты искали свойства мишеней, связанные с успешным прохождением испытаний. Самым значимым оказалась клеточная специфичность. Препараты против генов, активных только в определённых типах клеток, переходили из I фазы во II на 40% чаще, в IV фазу доходили на 48% чаще, а побочные эффекты возникали на 32% реже. Логика очевидна: белок, встречающийся преимущественно в нужных клетках, позволяет лекарству действовать точнее и меньше повреждать здоровые ткани. Но это статистическая связь, не универсальное правило. На судьбу лекарства влияют токсичность, эффективность, дозировка, схема испытаний, особенности болезни и множество других факторов.
Систему проверили на конкретной задаче. Агентам предложили оценить белок CD276 (B7-H3) как мишень для лечения рака лёгкого. Они сопоставили генетические, клеточные и клинические данные и предложили конъюгат антитела с лекарством: антитело распознаёт B7-H3 на опухолевой клетке и доставляет туда противоопухолевое вещество.
Авторы ограничили доступ системы информацией до января 2025 года. Позднее Daiichi Sankyo и Merck независимо разработали близкий подход: препарат ифинатамаб дерукстекан — конъюгат антитела с лекарством, также нацеленный на B7-H3. В августе 2025 года американский регулятор присвоил ему статус прорывной терапии для пациентов с распространённым мелкоклеточным раком лёгкого после предшествующего лечения. Совпадение стратегии подтвердило логику, выбранную ИИ, но не означало, что система самостоятельно создала лекарство. Ифинатамаб дерукстекан разрабатывался отдельно, а предложения Virtual Biotech не прошли лабораторные и клинические испытания. В апреле 2026 года заявка получила приоритетное рассмотрение в США, решение ожидается к 10 октября 2026 года.
В третьем тесте агенты анализировали прекращённое испытание препарата против язвенного колита. Вместо констатации неудачи система восстановила возможный биологический механизм слабого эффекта и предложила иначе отбирать пациентов по биомаркерам. Этот сценарий показывает основное назначение платформы: не производить готовые лекарства по команде, а быстро соединять разрозненные данные и находить гипотезы, которые человеку пришлось бы проверять вручную по множеству источников.
Virtual Biotech рассчитана на ранние этапы поиска лекарств. Качество выводов зависит от полноты исходных данных, поэтому система слабее подходит для малоизученных заболеваний и новых мишеней. Найденные закономерности и предложенные варианты терапии всё равно требуют проверки в лаборатории и клинических испытаниях. Главный результат заключается в демонстрации того, насколько сильно параллельные ИИ-агенты ускоряют разбор огромных массивов биомедицинской информации.
