Anthropic показали, чем Claude заняты в фарме💊, и это уже не «помогает писать письма», а вполне лабораторные результаты: у Generate Biomedicines фрагмент для CAR-T терапии рака, предложенный через Claude Code, оказался на 70% короче стандартного и при этом эффективнее убивал опухоль, у Divergence Labs Claude почти сам нагенерил 35 тысяч дизайнов антител против пищевой аллергии за месяц, а у Enveda проверил 1 061 страницу производственной документации, нашёл все ошибки, которые нашли люди, и ещё семь, которые люди пропустили. Регуляторный документ, который обычно пишут три месяца, ушёл в черновик за четыре часа. Самая показательная история про Mithril Medicine: компания из одного человека с Claude за 18 месяцев довела лекарство от редкой детской мышечной дистрофии от идеи до результатов на мышах, координируя 11 лабораторий, после чего Anthropic её просто купила. Испытания на людях обещают не раньше конца 2028 года

Ребятки учили Qwen 3.5 35B A3B молекулы дизайнить. Надеюсь молекулярные на месте дальше от ллмки тк что именно за датасеты и фреймворки молекулярные и как они работают я не особо понимаю: Как устроен процесс трена 1. Создают 200k задач, которые относительно просто генерить на молекулах из ZINC. Из ZINC берут исходную молекулу, через RDKit и OpenEye считают 116 молекулярных свойств. Случайно выбирают одно свойство, которое нужно улучшить, ещё 2–4 превращают в ограничения, а через BRICS задают каркас молекулы, который должен сохраниться. Так автоматически получают задачи вида: увеличить QED, но удержать молекулярную массу и TPSA в заданных пределах и сохранить исходный каркас. В статье публичную реализацию их генератора задач не дают. 2. Qwen сама генерирует новую молекулу. Модель получает исходную молекулу + цель + ограничения и предлагает новый SMILES. Затем через инструменты проверяет, что получилось, меняет структуру и повторяет. То есть ЛЛМ — генератор, а RDKit/OpenEye здесь играют роль верификатора. 3. После этого переходят к реальным экспериментально определённым структурам белок–лиганд. Для второго этапа берут 999 комплексов из PLINDER. Информацию о кармане связывания переводят в текст: какие водородные связи уже есть, где есть стерические столкновения, какие полярные участки свободны, какие аминокислотные остатки окружают лиганд. LLM уже редизайнит молекулу с учётом конкретного кармана белка. В статье публичную реализацию этого преобразования 3D-структуры в текст тоже не дают. 4. Каждый перспективный SMILES проверяется в 3D. POSIT размещает новую молекулу в кармане белка, используя экспериментальное положение исходного лиганда как шаблон. Затем Chemgauss4 быстро оценивает получившуюся форма. Оценка возвращается обратно LLM, и она решает, как изменить следующую молекулу. Этот дорогой оценщик можно вызвать максимум пять раз за один цикл — модель должна научиться не тупо перебирать варианты, а выбирать, что действительно стоит проверять. 5. Весь этот агентный цикл обучают через RL. Для этого используется открытый prime-rl: одни процессы генерируют цепочки действий модели, обучающий процесс параллельно обновляет её веса. Награда учитывает улучшение целевой характеристики, соблюдение ограничений, валидность молекулы и количество вызовов инструментов. На Tier-1 целью является одно из молекулярных свойств, а на Tier-2 — улучшение предсказанного связывания с белком. Сначала RL идёт на дешёвом Tier-1, затем — на более дорогом Tier-2. В конце модель проверяют на 40 новых системах белок–лиганд, которых не было в обучении. Вместо Chemgauss4 используют SQM2.20 — более дорогой и физически детальный метод оценки связывания на основе полуэмпирической квантовой механики. Один такой расчёт занимает уже десятки минут, поэтому масштабировать RL напрямую на нём слишком дорого. Именно здесь проверяют, перенёсся ли навык, выученный на дешёвых упрощённых задачах, на более качественный оценщик. Tier-2 берут из официального train split PLINDER, а эти 40 систем — из test split, чтобы не было утечки между train и evaluation. Training Large Language Models for Small-Molecule Design with Synthetic Task Scaling https://arxiv.org/abs/2609.04735 https://www.alphaxiv.org/ru/abs/2609.04735

Все обсуждают, как ИИ ускоряет разработку лекарств, а Китай тем временем сделал ставку менее заметную, но, возможно, более важную - он начал ускорять самого регулятора. Исторически конкурентным преимуществом фармы были деньги, учёные и доступ к данным. Теперь к этому добавился ещё один фактор - скорость принятия регуляторных решений. В мае 2026 года китайский регулятор NMPA запустил программу AI + Drug Regulation. К 2030 году они хотят использовать ИИ и специализированных агентов практически на всех этапах работы, от проверки регистрационных досье до постмаркетингового надзора. Требования к безопасности при этом не снижают, убирают бюрократическое трение. Та же философия видна и в существующих процессах. Для инновационных препаратов уже действует ускоренный 30-дневный канал рассмотрения, а IND-заявки работают по принципу implicit approval: если в течение 60 дней регулятор не выдвинул возражений, испытания можно начинать. В результате путь от подачи документов до первых испытаний на людях сократился примерно до 87 дней. Ещё десять лет назад это занимало больше 500. Неудивительно, что Китай становится одним из мировых центров AI-биотеха. По последним оценкам, китайские компании подают около 70% мировых патентных заявок в области AI-driven drug discovery, а их доля в глобальных лицензионных сделках выросла с 8% в 2021 году примерно до 32%. Западные регуляторы тоже умеют работать быстро, но обычно в экстренных ситуациях. Во время пандемии COVID-19, когда появилась реальная необходимость, FDA и EMA перестроили процессы буквально за несколько месяцев. FDA запустила механизм Emergency Use Authorization, EMA - rolling review, при котором данные анализировались по мере поступления, а не только после полного пакета исследований. Сроки одобрения сократились в несколько раз, и требования к безопасности при этом никто не отменял. Тогда же регуляторы фактически легитимизировали виртуальные клинические испытания: удалённые визиты, электронное согласие пациентов и дистанционный мониторинг стали частью нормальной практики. Мы в Customertimes как раз разрабатывали для одного из клиентов платформу для таких виртуальных исследований. На ней тестировали основные вакцины, которые дошли до рынка в рекордные сроки. Хороший пример того, как изменения в регулировании за пару месяцев открывают дорогу новым продуктам и целому классу цифровых решений. Самое интересное, что сейчас США снова начинают ускоряться. В июне американские регуляторы объявили о планах сократить сроки ранних этапов исследований на 6–12 месяцев. То есть соревнуются уже не только биотех-компании, но и сами регуляторные системы. Мне кажется, это и есть главный тренд: AI добрался до государственных институтов и выигрывать будут страны, которые быстрее перестроят под него свои регуляторные процессы, а не просто компании с лучшими моделями для поиска молекул. Так что скорость государства оказывается таким же ресурсом, как вычислительные мощности, данные и таланты. @maxvotek | linkedin | substack

За 2025 год продажи всего ДВУХ лекарств от похудения превысили продажи ВСЕХ ИИ-проектов вместе взятых. Если же взять только два лидирующих по выручке ИИ-вендора (Openai и Antrophic), то парочка Оземпика с Монжаро принёсли почти в 2,5 раза больше бабла. Это к вопросу что людям важнее. А мне важно всё. Благодаря Claude я за полгода смог сократить миллион расходов в месяц, а с помощью Monjaro сбросить 8 кг за тот же период. И кстати да, Monjaro мне обошёлся дороже, чем Claude. Правда, Claude ещё требовал кучу времени и сил на освоение, а Monjaro уколол раз в неделю - и всё. Когда ИИ тоже научится у фармы просто решать проблему клиента не напрягая ему мозги, он станет зарабатывать на порядки больше бигфармы.