Siemens: как ИИ в фарме теряет логику научных решений

Современная фармацевтика сталкивается с парадоксом: объёмы научных данных растут экспоненциально, а способность организаций сохранять и передавать знания, придающие этим данным смысл, снижается. Этот вопрос стал центральным в дискуссии с участием Джерри Кина, группового вице-президента Siemens Digital Industries Software, Марии Грам, руководителя направления Life Sciences в Siemens, и Нильса Вандерворта, директора по цифровой трансформации синтетических препаратов в Johnson & Johnson Innovative Medicine.

Сложность молекул опережает рабочие процессы

По словам Вандерворта, молекулы, разрабатываемые сегодня, могут быть в 10–20 раз сложнее тех, что выходили на рынок около 2020 года. Спектр терапий расширился: антитело-лекарственные конъюгаты, пептиды, олигонуклеотиды и другие сложные препараты. Одновременно сокращаются сроки разработки, растёт давление по себестоимости производства, устойчивости и предпочтениям пациентов.

Более сложные молекулы требуют более изощрённых экспериментов, производственных процессов и контроля качества. Каждый этап генерирует информацию, которую учёные и инженеры должны интерпретировать и передавать дальше. «Мы должны полностью переосмыслить то, как мы ведём R&D в фарме», — подчеркнул Вандерворт.

Что теряется между данными и решениями

Ключевая проблема: даже неудачный эксперимент может быть ценным — он показывает, какой подход не работает, опровергает гипотезу или направляет следующее исследование. Однако если результаты тщательно фиксируются, то обоснование решений — логика, стоящая за выбором метода, отказом от гипотезы или изменением протокола — часто остаётся неявной и теряется при передаче между командами и системами.

В эпоху ИИ это становится критичным. Алгоритмы обучаются на данных, но без контекста «почему» они не могут воспроизвести научное мышление. Компании получают модели, которые предсказывают, но не объясняют.

Связанные данные и ИИ как решение

• Интеграция экспериментальных данных с метаданными о решениях, гипотезах и условиях.
• Использование цифровых двойников процессов для сохранения контекста на всех этапах.
• Применение ИИ не только для анализа результатов, но и для извлечения и структурирования неявного знания.
• Создание единого информационного пространства, где данные, модели и обоснования связаны.

Однако остаются вызовы: стандартизация форматов, совместимость систем, культура обмена знаниями и защита интеллектуальной собственности. Без решения этих задач ИИ в фарме останется инструментом ускорения, но не усилителем научного мышления.

Применение в России

Для российских фармкомпаний и разработчиков лекарств проблема особенно актуальна: локальные R&D-центры часто работают в условиях ограниченного доступа к международным базам знаний и ПО. Внедрение связанных данных и ИИ-инструментов, сохраняющих логику исследований, могло бы повысить эффективность внутренних разработок, снизить дублирование экспериментов и ускорить вывод отечественных препаратов. Однако требуется адаптация зарубежных решений к локальным регуляторным требованиям и создание собственных стандартов обмена научными данными.