Создатель Claude запускает собственную разработку лекарств с помощью ИИ

Разработка новых препаратов остается долгим и дорогостоящим процессом. Anthropic рассчитывает, что искусственный интеллект поможет исследователям ускорить первые этапы этой работы.

Ошибочные или вводящие в заблуждение объяснения со стороны ИИ могут направить лабораторные исследования по неверному пути

Источник: Unsplash

Алгоритмы машинного обучения на каждом этапе разработки лекарств позволяют уменьшить срок разработки новых препаратов до 4−5 лет вместо 12−15. ИИ помогает экономить ресурсы — потенциальная экономия достигает 110 млрд долларов ежегодно. Ведущие технологические компании уже меняют фармацевтику, предлагая свои инновации.

Anthropic — разработчик Claude — семейства ИИ-моделей и сервисов запускает внутреннюю программу по разработке лекарств для производителей. Компания сосредоточится на поиске методов лечения «забытых» болезней, которые традиционные биофармацевтические компании не считают привлекательными объектами для исследований.

Пока разработчики не уточнили свой алгоритм действий в том случае, если их нейросеть найдет перспективные препараты. Традиционно биофармацевтические компании обычно тестируют такие разработки в ходе клинических испытаний.

Ученые призывают очень внимательно относиться к разработкам подобных препаратов и не игнорировать клинические испытания

Источник: РНФ

Нейросеть разработана в рамках инструмента Claude Science — решение для ученых в сфере медико‑биологических наук и здравоохранения (инициатива развивается с октября 2025 года). Платформа объединяет базы данных, инструменты для написания кода и исследовательские рабочие процессы в едином пространстве: она предварительно настроена более чем на 60 научных баз данных и позволяет визуализировать сложные артефакты — от 3D‑структур белков до химических рисунков. Решение базируется на проверенных моделях Claude с учетом требований к биобезопасности и ответственному масштабированию.

Ранее ученые призывали очень внимательно относиться к разработкам подобных препаратов. Достоверность результатов работы нейросетей зависит от качества данных, на которых обучают модели. Неполные, устаревшие или нерепрезентативные сведения способны исказить выводы и осложнить этапы исследований и разработок, а высокая скорость автоматизированного анализа лишь усиливает риски при отсутствии контроля специалистов.

Несмотря на значимость проектов по созданию лекарств с помощью нейросетей, критически важно проверять результаты на каждом этапе для минимизации потенциальных ошибок и не игнорировать фазу клинических испытаний. Ранее Наука рассказала про методику, которая позволяет оценить достоверность логических выводов искусственного интеллекта при разработке лекарств.