Команда исследователей превратила десятки тысяч ИИ-агентов в виртуальную биотехнологическую компанию и поручила им разбирать данные о разработке лекарств. Система проанализировала 55 984 клинических испытания и обнаружила статистический признак, связанный с успешностью препаратов: лекарства против мишеней, характерных для определённых типов клеток, заметно чаще доходили до рынка и реже вызывали нежелательные явления.
Платформа получила название Virtual Biotech. По замыслу разработчиков, она повторяет устройство настоящей биотехнологической компании: виртуальный научный директор разбивает большую задачу на части, распределяет работу между специализированными ИИ-агентами, а затем собирает результаты в общий вывод. Основная структура включает четыре научных направления, одиннадцать специализированных ролей и более 100 инструментов для работы с генетическими, клеточными, химическими и клиническими данными.
Во время самой крупной части эксперимента система создала 37 075 параллельных агентов для обработки клинических испытаний II и III фаз. Каждому агенту досталось одно испытание, поэтому агент мог сосредоточиться на документах одного исследования и не переполнять контекст посторонними данными.
Сначала агент проверял запись в ClinicalTrials.gov, при нехватке сведений искал научные публикации, а затем обращался к регуляторным сообщениям и другим открытым материалам. Так система собирала результаты испытаний, основные и дополнительные показатели эффективности, причины досрочного прекращения исследований и сведения о нежелательных явлениях в едином формате. По расчётам авторов, обработка 37 075 испытаний заняла около шести часов, тогда как последовательная работа одного агента потребовала бы примерно 1 839 часов, или 76,6 дня.
После объединения результатов агенты стали искать свойства лекарственных мишеней, связанные с удачным прохождением клинических испытаний. Самой заметной оказалась клеточная специфичность. Препараты против генов, особенно активно работающих лишь в определённых типах клеток, на 40% чаще переходили из I фазы испытаний во II и на 48% чаще доходили до IV фазы, которая проводится уже после выхода лекарства на рынок. Частота нежелательных явлений у таких препаратов оказалась на 32% ниже.
Причина выглядит логично: белок, встречающийся преимущественно в нужной группе клеток, потенциально позволяет лекарству действовать точнее и меньше затрагивать остальные ткани. Однако полученная зависимость остаётся статистической связью, а не универсальным правилом создания успешного препарата. На судьбу лекарства влияют токсичность, эффективность, дозировка, устройство испытаний, особенности заболевания и множество других факторов.
Virtual Biotech проверили и на более конкретной задаче. Системе предложили оценить белок CD276, также известный как B7-H3, в качестве мишени против рака лёгкого. Агенты сопоставили генетические, клеточные и клинические сведения и предложили использовать конъюгат антитела с лекарством: антитело распознаёт B7-H3 на опухолевой клетке и доставляет к ней противоопухолевое вещество.
Авторы ограничили доступ системы сведениями, появившимися до января 2025 года. Позднее фармацевтические разработчики независимо продвинули аналогичный подход. Созданный Daiichi Sankyo и разрабатываемый совместно с Merck препарат ифинатамаб дерукстекан также представляет собой конъюгат антитела с лекарством, нацеленный на B7-H3. В августе 2025 года американский регулятор присвоил препарату статус прорывной терапии для пациентов с распространённым мелкоклеточным раком лёгкого после предшествующего лечения.
Совпадение стратегии стало интересной независимой проверкой направления, выбранного ИИ, но не доказательством того, что Virtual Biotech самостоятельно создала работающий препарат. Ифинатамаб дерукстекан разрабатывался отдельно, а предложения самой системы не проходили лабораторные и клинические испытания. В апреле 2026 года заявка на препарат получила приоритетное рассмотрение в США, решение регулятора ожидается к 10 октября 2026 года.
В третьем тесте агенты разбирали прекращённое испытание препарата против язвенного колита. Вместо простого вывода о неудаче система попыталась восстановить возможный биологический механизм слабого эффекта и предложила иначе отбирать пациентов по биомаркерам. Такой сценарий показывает главное назначение платформы: не генерировать готовые лекарства по одной команде, а быстро соединять разрозненные данные и находить гипотезы, которые человеку пришлось бы проверять вручную по множеству источников.
Разработчики подчёркивают, что Virtual Biotech предназначена прежде всего для ранних этапов поиска лекарств. Качество выводов напрямую зависит от полноты исходных данных, поэтому система хуже подходит для малоизученных заболеваний и новых мишеней. Найденные закономерности и предложенные варианты терапии всё равно требуют проверки в лаборатории, а затем в клинических испытаниях. Пока главный результат работы заключается в демонстрации того, насколько сильно параллельные ИИ-агенты могут ускорить разбор огромных массивов биомедицинской информации.
