Какво стана
Изследователи от Stanford Medicine, ръководени от Джеймс Зоу и Харисън Джан, са разработили виртуална биотехнологична рамка, която използва до 37 000 автономни агенти с изкуствен интелект, за да симулира тръбопровода за разработване на лекарства. Публикувана в Science на 17 септември, системата организира агентите в йерархична структура, включително виртуален главен научен служител, за изпълнение на задачи, вариращи от анализ на клинични изпитвания до терапевтичен дизайн. Агентите обработиха 50 000 клинични изпитвания за по-малко от седмица, идентифицирайки специфични биологични маркери - специфичност на клетъчния тип и бимодалност на генната активност - които корелират с по-високи нива на успех при разработването на лекарства. Системата допълнително предложи конюгат антитяло-лекарство за рак на белия дроб, насочен към протеина B7-H3, стратегия, която беше независимо разработена и получила FDA обозначение за пробивна терапия от фармацевтична компания месеци по-късно.
Изследователският екип на Stanford Medicine, ръководен от доцент Джеймс Зоу и студент Харисън Джанг, създаде архитектура на виртуална биотехнологична компания, захранвана от 37 000 агенти с изкуствен интелект. Тази система имитира организационната структура на традиционна фармацевтична фирма със специализирани агенти, натоварени с отделни роли като извличане на данни, анализ на клинични изпитвания и терапевтичен дизайн.
В демонстрация на възможностите на системата, агентите анализираха 50 000 клинични изпитвания за по-малко от седмица. Анализът установи, че целевите лекарства, показващи висока специфичност на клетъчния тип и подобна на превключване генна активност (бимодалност), са с 40% по-вероятно да преминат от фаза 1 към фаза 2, с 48% по-вероятно да достигнат до пазара и са свързани с 32% по-малко нежелани събития.
Системата също така предложи специфичен конюгат антитяло-лекарство, насочен към протеина B7-H3 за лечение на рак на белия дроб. Това предложение се основава на данни, налични преди януари 2025 г. През август 2025 г. независима фармацевтична компания разработи подобна стратегия, която впоследствие получи обозначение за пробивна терапия от FDA, предоставяйки външно валидиране за резултатите от AI.
Детайли за източника: businesstoday.in ↗
Защо има значение
Това развитие бележи преход в полезността на AI от пасивна изследователска помощ към автономни, мултиагентни изследователски екипи, способни да разлагат сложни научни проблеми. Чрез паралелизиране на анализа на огромни набори от данни, системата значително ускорява идентифицирането на жизнеспособни мишени за лекарства, потенциално намалявайки годините ръчен труд, обикновено необходими за първоначалния скрининг. Успешното независимо валидиране на предложението B7-H3 на системата предполага, че агентните работни потоци могат да генерират висококачествени, приложими научни хипотези. Въпреки това, изследователите подчертават, че тази система не замества физическите лаборатории или клиничните изпитвания върху хора; той служи като машина за откриване с висока производителност, която все още изисква емпирично валидиране. Практическото значение е потенциално намаляване на високия процент неуспехи на ранен етап от разработването на лекарства чрез филтриране на кандидати чрез строг анализ на данни, управляван от агенти, преди да започне физическото тестване.
Изследването демонстрира, че AI агентите могат да бъдат организирани в автономни екипи за решаване на сложни, многоетапни научни проблеми, надхвърляйки възможностите на асистентите в изследването с един модел.
Способността да се обработват 50 000 клинични изпитвания за по-малко от седмица предлага значително предимство в скоростта пред ръководените от хора екипи, които обикновено изискват години за извършване на подобни изчерпателни прегледи на литература и данни.
Чрез идентифициране на специфични биологични модели, които корелират с клиничния успех, системата осигурява базиран на данни метод за филтриране на високорискови кандидати за лекарства в началото на процеса на разработка, потенциално спестявайки значително време и капитал.
Валидирането на мишената B7-H3 от независима фармацевтична компания служи като критично доказателство за концепцията за надеждността на откриването на агентни лекарства, което предполага, че тези системи могат да дадат резултати, сравними с ръководените от хора изследователски екипи.
Интерактивен механизъм: как всъщност работи
Разгледайте интерактивно основната технология зад тази разработка.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Какво да гледате след това
Екипът на Станфорд понастоящем планира да премине отвъд виртуалните симулации, като вземе допълнителни идентифицирани от AI мишени за лекарства във физически лабораторни настройки. Основният фокус ще бъде определянето на степента на експериментален успех на тези прогнози, генерирани от AI. Наблюдателите трябва да наблюдават дали този агентски подход може последователно да повтори първоначалния си успех в различни категории заболявания и дали рамката може да бъде мащабирана или адаптирана от други изследователски институции, за да се справи с по-широки терапевтични области. Бъдещите актуализации вероятно ще се съсредоточат върху резултатите от тези експерименти за физическо валидиране и потенциалното интегриране на тези агентни работни потоци в стандартни фармацевтични тръбопроводи за научноизследователска и развойна дейност.
Изследователският екип преминава от виртуален анализ към физически лабораторни тестове. Успехът на тези предстоящи експерименти ще бъде основният показател за полезността на системата в реалния свят.
Бъдещите разработки ще се съсредоточат върху това дали резултатите, генерирани от AI, издържат на емпиричен контрол, което е необходима стъпка, преди някой от тези кандидати да може да премине към клинични изпитвания върху хора.
По-широкото възприемане на тази агентна рамка от други изследователски институции може да сигнализира за промяна в начина, по който се провежда откриването на лекарства на ранен етап в биотехнологичната индустрия.