W 2025 roku firma Insilico Medicine ogłosiła, że jej kandydat na lek — rentosertib — zaprojektowany w całości przez algorytmy sztucznej inteligencji, wchodzi w fazę III badań klinicznych na pacjentach z idiopatycznym włóknieniem płuc. To nie jest kolejny proof-of-concept ani symulacja laboratoryjna: mówimy o pierwszym leku odkrytym przez AI, który przeszedł wstępne badania bezpieczeństwa i skuteczności na ludziach, a teraz staje do najtrudniejszego egzaminu w medycynie. Skala tego kroku może zmienić sposób, w jaki przemysł farmaceutyczny patrzy na rolę maszyn w odkrywaniu terapii.
Czym jest idiopatyczne włóknienie płuc i dlaczego to choroba bez dobrego leczenia?
Idiopatyczne włóknienie płuc (IPF, z ang. idiopathic pulmonary fibrosis) to postępująca, nieuleczalna choroba, w której tkanka płucna ulega stopniowemu, nieodwracalnemu bliznowaceniu, odbierając pacjentowi zdolność oddychania. Słowo „idiopatyczne” oznacza dosłownie: nie wiemy, co ją wywołuje — i to właśnie sprawia, że jej leczenie jest tak trudne.
Mediana przeżycia po diagnozie wynosi od dwóch do czterech lat — gorszy wynik niż wiele nowotworów. Dostępne leki spowalniają postęp choroby, ale żaden nie odwraca uszkodzeń. Istniejące terapie antyfibrotyczne celują głównie w receptorowe kinazy tyrozynowe, a ich skuteczność pozostaje ograniczona, zaś profil działań niepożądanych — uciążliwy dla pacjentów.
IPF dotyka przede wszystkim osoby starsze, powyżej 60. roku życia, co czyni ją klasycznym przykładem choroby związanej z procesem starzenia. Przewlekłe zapalenie, przebudowa macierzy zewnątrzkomórkowej i starzenie się komórek (senescencja) nakładają się tutaj na siebie w sposób, który konwencjonalne metody odkrywania leków bardzo trudno rozplatają.
Jak AI znalazła cel biologiczny, który pominęła medycyna konwencjonalna?
Za odkryciem rentosertib stoi platforma obliczeniowa Pharma.AI, zbudowana przez Insilico Medicine, składająca się z kilku specjalizowanych modułów. Kluczowym na etapie odkrycia celu terapeutycznego jest silnik PandaOmics — system przetwarzający dane genomiczne, wyniki badań klinicznych, literaturę naukową i patenty w celu budowania wielowarstwowych modeli biologicznych sieci.
PandaOmics zastosował mechanizmy wnioskowania przyczynowego (causal inference), by zidentyfikować ukryte powiązania w danych. Wynik: kinaza TNIK (TRAF2- and NCK-interacting kinase) jako główny węzeł regulacyjny procesów fibrotycznych i zapalnych. Co istotne — TNIK nie jest celem żadnego z zatwierdzonych leków na IPF. Algorytm pominął utarte szlaki i zaproponował coś, czego żaden ludzki badacz nie wskazał jako priorytet.
TNIK reguluje sygnalizację przez pięć kluczowych szlaków biologicznych: Wnt, TGF-β, Hippo/YAP-TAZ, JNK oraz NF-κB. Wybór celu integrował też ramy tzw. hallmarks of aging — punktację biologicznych celów pod kątem ich roli w wielokrotnych mechanizmach starzenia, co dało AI dodatkowe kryterium selekcji niedostępne w tradycyjnym procesie.
Feng Ren, PhD, współdyrektor generalny i główny naukowiec Insilico Medicine, stwierdził w 2025 roku: „Rentosertib nie został odkryty przez typowe podejście — wzięcie gotowego celu i przescreenowanie kolejnych cząsteczek. Pochodzi z przepływu pracy opartego na biologii i starzeniu, który połączył TNIK z mechanizmami chorób fibrotycznych i zapalnych.”
Co pokazały badania kliniczne fazy II?
Randomizowane badanie fazy II objęło 71 pacjentów w 22 ośrodkach klinicznych w Chinach. Uczestników podzielono na grupy: placebo, dawka 30 mg dziennie i dawka 60 mg dziennie. Obserwację prowadzono przez 12 tygodni.
| Grupa | Zmiana FVC (wymuszona pojemność życiowa) |
|---|---|
| Placebo | −20,3 mL (pogorszenie) |
| Rentosertib 30 mg/dobę | dane pośrednie |
| Rentosertib 60 mg/dobę | +98,4 mL (poprawa) |
Różnica między grupą 60 mg a placebo wynosi ponad 118 mL wymuszonej pojemności życiowej płuc — klinicznie istotna wartość dla choroby, w której każdy mililitr pojemności oddechowej przekłada się na jakość życia pacjenta. Profil bezpieczeństwa oceniono jako akceptowalny: częstość działań niepożądanych w grupach aktywnych nie odbiegała znacząco od poziomu baseline w ramieniu placebo.
Amerykańska Agencja ds. Żywności i Leków (FDA) przyznała rentosertibowi status Orphan Drug Designation (leku sierocego) w lutym 2023 roku, co oznacza przyspieszoną ścieżkę regulacyjną i dodatkowe zachęty dla producenta.
Redakcja IWD Partner: Wynik +98,4 mL vs −20,3 mL w placebo robi wrażenie — ale warto pamiętać, że faza II to często najlepszy moment dla kandydata na lek, zanim zderzenie z większą, bardziej zróżnicowaną populacją w fazie III nie zweryfikuje optymizmu. Prawdziwym przełomem będzie nie to, czy rentosertib przejdzie fazę III, lecz czy PandaOmics jako metoda odkrywania celów biologicznych utrzyma swoją skuteczność w kolejnych wskazaniach — to byłoby dowodem na systemową zmianę w farmakologii, a nie jednorazowy sukces.
Jak wygląda architektura platformy Pharma.AI?
Pharma.AI to nie jeden model, lecz zintegrowany ekosystem obliczeniowy, w którym poszczególne silniki specjalizują się w konkretnych zadaniach biologicznych i chemicznych. PandaOmics odpowiada za odkrywanie celów terapeutycznych poprzez analizę danych wielopoziomowych — tzw. multi-omics — obejmujących genomikę, transkryptomikę i proteomikę jednocześnie.
Drugi kluczowy moduł, Chemistry42, przejmuje zadanie po wskazaniu celu: generuje i optymalizuje struktury cząsteczek kandydujących do roli leku, korzystając z generatywnych modeli głębokiego uczenia. Tradycyjne odkrywanie leków w tym etapie wymaga lat przesiewania bibliotek związków chemicznych; Chemistry42 robi to w skali niedostępnej dla laboratoryjnych metod wysokoprzepustowych.
Cały cykl — od wskazania celu do kandydata klinicznego — Insilico Medicine deklaruje jako zdolny do realizacji w ciągu kilkunastu miesięcy, przy kosztach znacznie niższych od branżowej średniej, która według szacunków Deloitte z 2022 roku przekracza 2 miliardy dolarów na jeden zatwierdzony lek. Jeśli dane z fazy III to potwierdzą, zmienia się całkowicie ekonomika odkrywania leków.
Dlaczego AI w odkrywaniu leków ma znaczenie?
Rentosertib jest pierwszym lekiem zaprojektowanym od podstaw przez sztuczną inteligencję, który dotarł do fazy III badań klinicznych — to punkt odniesienia dla całego sektora computational drug discovery. Dotychczasowe sukcesy AI w farmakologii ograniczały się głównie do optymalizacji istniejących cząsteczek lub przyspieszenia wstępnego screeningu; tu mówimy o wskazaniu nowego celu i stworzeniu nowej cząsteczki.
IPF dotyka na świecie szacunkowo 3 miliony osób, a w samych Stanach Zjednoczonych co roku diagnozuje się około 50 000 nowych przypadków (dane National Institutes of Health). Choroba pozostaje w znacznej mierze leczniczo zaniedbana. Nawet jeśli rentosertib okaże się tylko częściowym sukcesem, sam fakt dotarcia do fazy III otwiera dyskusję o tym, jak szybko metody obliczeniowe powinny uzupełniać, a może nawet zastępować klasyczne etapy wczesnego odkrywania leków.
Implikacje wykraczają poza IPF. Sukces platformy Pharma.AI w jednym wskazaniu dostarcza przemysłowi danych empirycznych, których brakowało do szerokiego wdrożenia AI w procesach regulacyjnych. Agencje takie jak FDA będą musiały wypracować standardy oceny „dowodów algorytmicznych” w procesie zatwierdzania leków — to wyzwanie regulacyjne, które dopiero zaczyna być poważnie dyskutowane.
Powiązane pojęcia z AI i uczenia maszynowego
- Multi-omics — zintegrowana analiza danych biologicznych z wielu poziomów molekularnych jednocześnie: genomiki, transkryptomiki, proteomiki i metabolomiki.
- Causal inference (wnioskowanie przyczynowe) — klasa metod statystycznych i algorytmicznych pozwalających odróżniać korelacje od związków przyczynowo-skutkowych w danych biologicznych.
- Generatywne modele chemiczne — modele głębokiego uczenia zdolne do tworzenia nowych struktur cząsteczek chemicznych o zadanych właściwościach, bez przeszukiwania istniejących bibliotek związków.
- Orphan Drug Designation — status nadawany przez FDA lekom przeznaczonym dla chorób rzadkich (dotykających mniej niż 200 000 osób w USA), zapewniający przyspieszoną ścieżkę regulacyjną i ulgi podatkowe dla producenta.
- Hallmarks of aging — usystematyzowany zestaw biologicznych mechanizmów starzenia (m.in. senescencja komórkowa, dysfunkcja mitochondrialna), stosowany przez Insilico Medicine jako dodatkowe kryterium oceny terapeutycznej wartości celów biologicznych.
Na podstawie materiałów źródłowych.
