Nature Biotechnology prati AI utrku u lijekovima koju biologija još usporava

Farmaceutska industrija voli riječ "ubrzanje", ali biologija rijetko poštuje tempo investicijskih prezentacija. Zato je tekst koji je 26. svibnja 2026. objavio Nature Biotechnology zanimljiv upravo zbog napetosti koju ne skriva: nova generacija AI tvrtki privlači milijarde dolara kako bi ubrzala razvoj lijekova, dok najtvrđi dio posla i dalje počinje ondje gdje model završava.

Ovo više nije samo stara ideja da algoritam pronađe molekulu koja se dobro veže za poznatu metu. Ambicija je šira: AI se postavlja kao radni sloj za brže otkrivanje kandidata, optimizirani dizajn molekula i programabilne terapije. Drugim riječima, biologija se pokušava tretirati kao prostor dizajna, s ulaznim podacima, pravilima, ograničenjima i predviđenim ishodima. U teoriji, takav sustav može brže povezati biološke signale, kemijske prostore i eksperimentalne rezultate.

Ali farmaceutski R&D ne zapinje zato što nema dovoljno elegantnih hipoteza. Zapinje zato što su biološki sustavi neuredni, podaci fragmentirani, eksperimenti skupi, a razvojni ciklusi dugi. Čak i kada AI predloži uvjerljiv smjer, taj smjer mora proći laboratorijsku potvrdu, proizvodnu izvedivost, sigurnosnu procjenu i kliničku provjeru. Regulatorni kontekst, uključujući FDA raspravu o AI-ju i strojnom učenju u razvoju lijekova, jasno povlači granicu: model može pomoći u odlučivanju, ali nije zamjena za dokaz.

Zbog toga su milijarde u ovoj priči dvostruki signal. S jedne strane, kapital prepoznaje da AI može promijeniti rane faze istraživanja, osobito ondje gdje treba pretražiti velike biološke skupove podataka i brzo usporediti mnogo dizajnerskih opcija. S druge strane, toliko novca stvara pritisak da se demonstracije pretvore u terapije koje preživljavaju razvojni put. U medicini vrijednost ne nastaje zato što sustav zvuči uvjerljivo. Nastaje tek kada kandidat pokaže učinak i sigurnost u stvarnim uvjetima.

Širi kontekst već postoji. Strukturne baze i prediktivni modeli, uključujući javne resurse poput AlphaFold Protein Structure Database, promijenili su način na koji istraživači gledaju proteine i biološke mete. No između predviđene strukture, dizajnirane molekule i odobrene terapije stoji niz vrata koja se ne mogu otvoriti samo računalnom snagom. Podaci moraju biti dovoljno dobri, eksperiment ponovljiv, proizvodnja izvediva, a klinički signal stvaran.

Tu je najvažnija urednička crta: AI u razvoju lijekova nije hype kada se koristi kao infrastruktura za bolja pitanja, bržu iteraciju i preciznije eksperimente. Postaje hype kada se ponaša kao da je biološka validacija administrativna formalnost. I translacijski okviri poput NIH NCATS pristupa translacijskoj znanosti naglašavaju isti problem: teškoća nije samo u otkriću, nego u prijenosu otkrića prema terapiji.

Zato pitanje nije hoće li AI zamijeniti farmaceutski R&D. Neće. Može, međutim, promijeniti raspored rada: manje slijepog pretraživanja, više računalno vođenih hipoteza, brže učenje iz neuspjelih eksperimenata i jasnije povezivanje dizajna s razvojnim rizikom. Ako ovaj val uspije, rezultat neće biti jedan spektakularan algoritam, nego tiša promjena u načinu na koji lijekovi nastaju.