W czerwcu 2025 roku japoński gigant farmaceutyczny Takeda zobowiązał się wypłacić nawet 600 milionów dolarów firmie Insilico Medicine za dostęp do algorytmów, które mają samodzielnie projektować nowe leki — zanim jakikolwiek naukowiec dotknie pipety. To nie jest eksperyment badawczy prowadzony w akademickim zaciszu: to twarda decyzja biznesowa jednej z największych firm farmaceutycznych świata, która stawia sztuczną inteligencję w centrum swojego procesu odkrywania terapii. Skala finansowania i zakres wyłącznych praw sugerują, że Takeda widzi w AI nie narzędzie pomocnicze, lecz fundament przyszłej strategii R&D.
Co to jest platforma Pharma.AI i jak działa odkrywanie leków?
Pharma.AI to zintegrowany pakiet narzędzi opracowany przez Insilico Medicine, zaprojektowany do automatyzacji trzech kluczowych etapów wczesnego odkrywania leków: identyfikacji celów biologicznych, projektowania cząsteczek oraz prognozowania przebiegu badań klinicznych.
Platforma składa się z trzech głównych modułów. PandaOmics analizuje dane omiczne i literaturę naukową w celu wskazania potencjalnych celów terapeutycznych — białek lub szlaków biologicznych, których modulacja może przynieść efekt leczniczy. Chemistry42 generuje de novo cząsteczki małocząsteczkowe, czyli projektuje od podstaw nowe związki chemiczne bez konieczności przeszukiwania istniejących bibliotek. Trzeci moduł, InClinico, prognozuje prawdopodobieństwo powodzenia przejścia leku między kolejnymi fazami badań klinicznych, co pozwala wcześnie eliminować kandydatów o niskim potencjale.
Cały cykl — od wskazania celu do selekcji kandydata spełniającego predefiniowane kryteria naukowe — ma przebiegać znacznie szybciej niż w tradycyjnym modelu odkrywania leków, który trwa przeciętnie od czterech do sześciu lat tylko na etapie przedklinicznym.
Jak skonstruowana jest umowa warta 600 milionów dolarów?
Finansowanie podzielono na kilka warstw, co odzwierciedla charakterystyczny dla branży model „milestone payments”. Insilico Medicine otrzyma około 60 milionów dolarów w postaci opłat inicjujących projekt i płatności krótkoterminowych — ta kwota jest gwarantowana niezależnie od wyników badań.
Pozostałe 540 milionów dolarów uzależnione jest od osiągnięcia kolejnych kamieni milowych: przedklinicznych, klinicznych, komercyjnych i sprzedażowych. Insilico jest ponadto uprawnione do otrzymywania tiered royalties, czyli stopniowanych tantiemów od przyszłej sprzedaży leków, których poziom rośnie proporcjonalnie do wolumenu przychodów.
Takeda uzyska wyłączne, ogólnoświatowe prawa do opracowywania, wytwarzania i komercjalizacji nowych terapii wyselekcjonowanych w ramach współpracy. Podział ról jest wyraźny: Insilico prowadzi pracę odkrywczą napędzaną przez AI, natomiast Takeda przejmuje odpowiedzialność za kliniczne i komercyjne dalsze losy kandydatów.
Redakcja IWD Partner: Model finansowania tej umowy przypomina bardziej kontrakt na dostawę oprogramowania przemysłowego niż klasyczną współpracę farmaceutyczną — Insilico sprzedaje dostęp do maszyny generującej kandydatów, a nie konkretną cząsteczkę. To fundamentalna zmiana w tym, co tak naprawdę jest „produktem” w przemyśle farmaceutycznym: coraz częściej jest nim proces i algorytm, nie substancja chemiczna. Pytanie otwarte brzmi, czy regulatorzy i systemy refundacyjne są gotowi na leki, których rodowód intelektualny jest tak głęboko nieludzki.
Dlaczego Takeda inwestuje w AI w odkrywaniu leków tak agresywnie?
Umowa z Insilico Medicine to druga duża transakcja AI Takedy w ciągu zaledwie kilku miesięcy 2025 roku. W lutym 2025 roku firma ogłosiła wieloletnią współpracę z Iambic Therapeutics wartą ponad 1,7 miliarda dolarów, obejmującą projektowanie leków małocząsteczkowych na nowotwory i choroby przewodu pokarmowego z wykorzystaniem modelu NeuralPLexer — systemu AI do przewidywania wiązania cząsteczek leków z białkami.
Chris Arendt, dyrektor naukowy i szef działu badań Takeda, stwierdził w 2025 roku, że firma integruje automatyzację, robotykę i generatywną AI bezpośrednio w proces odkrywania leków. Oznacza to, że AI nie jest już w Takeda traktowana jako zewnętrzna usługa, lecz jako element wewnętrznej infrastruktury badawczej.
Kontekst rynkowy jest równie istotny. Według danych z 2025 roku chińskie firmy farmaceutyczne zawarły 157 umów out-licencyjnych o łącznej wartości 135,7 miliarda dolarów, co wywiera silną presję konkurencyjną na zachodnie i japońskie koncerny. Inwestycje w AI mają skrócić czas i koszt odkrywania leków na tyle, by utrzymać konkurencyjność w warunkach rosnącej globalnej presji.
Co Insilico Medicine wnosi poza platformą — własny lek w badaniach klinicznych
Insilico Medicine nie jest wyłącznie dostawcą oprogramowania — firma własną platformą zaprojektowała własny kandydat terapeutyczny i przeprowadziła go przez badania kliniczne. Rentosertib (wcześniej znany jako ISM001-055 lub INS018_055) to inhibitor kinazy TNIK przeznaczony do leczenia idiopatycznego włóknienia płuc (IPF) — rzadkiej, postępującej i śmiertelnej choroby układu oddechowego.
Rentosertib przeszedł przez fazę 2a randomizowanego badania klinicznego, co czyni go jednym z pierwszych leków w historii zaprojektowanych niemal w całości przez algorytmy AI, które dotarły do badań na ludziach. Dla przemysłu farmaceutycznego to dowód koncepcji o ogromnym ciężarze gatunkowym — platforma potrafi nie tylko generować kandydatów, ale prowadzić ich przez kolejne selekcje.
Alex Zhavoronkov, założyciel i dyrektor generalny Insilico Medicine, stwierdził w 2025 roku, że wpływy z umowy z Takeda zostaną przeznaczone na wczesne badania i rozwój w ramach programu współpracy, a późniejsze harmonogramy będą zależeć od klinicznych działań Takedy i skoordynowanej pracy obu firm.
Dlaczego AI w odkrywaniu leków ma znaczenie?
Tradycyjny proces odkrywania i zatwierdzania leku trwa średnio od 10 do 15 lat i kosztuje według szacunków Tufts Center for the Study of Drug Development ponad 2,6 miliarda dolarów na jeden zatwierdzony preparat (dane z raportu z 2022 roku). Narzędzia AI mogą skrócić etap przedkliniczny nawet o połowę, eliminując kandydatów o niskim prawdopodobieństwie sukcesu znacznie wcześniej w procesie.
Moduł InClinico firmy Insilico bezpośrednio adresuje jeden z największych problemów branży: wysoki wskaźnik niepowodzeń w badaniach klinicznych. Według danych z 2023 roku opublikowanych przez BIO Industry Analysis tylko około 7,9% kandydatów wchodzących do fazy 1 badań klinicznych ostatecznie uzyskuje zatwierdzenie regulacyjne. Jeśli AI potrafi podnieść ten wskaźnik nawet o kilka punktów procentowych, zwrot z inwestycji w platformy takie jak Pharma.AI staje się matematycznie oczywisty.
Umowy takie jak ta między Takeda a Insilico sygnalizują, że przemysł farmaceutyczny wszedł w fazę strukturalnej transformacji: od modelu opartego na chemii kombinatorycznej i przypadkowych odkryciach do modelu opartego na przewidywaniu i projektowaniu celowanym. Dla pacjentów oznacza to potencjalnie szybsze dotarcie nowych terapii do kliniki, choć pełna weryfikacja tej obietnicy wymaga jeszcze lat danych z badań klinicznych.
Powiązane pojęcia z AI i uczenia maszynowego
- Generatywna AI (Generative AI) — klasa modeli uczenia maszynowego zdolnych do tworzenia nowych danych (cząsteczek, sekwencji, obrazów) na podstawie wyuczonych rozkładów statystycznych.
- De novo projektowanie cząsteczek — komputerowe generowanie struktur chemicznych od podstaw, bez ograniczenia do istniejących bibliotek związków chemicznych.
- Tiered royalties — stopniowane tantiemy, w których procentowy udział w przychodach rośnie wraz ze wzrostem wolumenu sprzedaży produktu.
- NeuralPLexer — model AI opracowany przez Iambic Therapeutics do przewidywania sposobu wiązania cząsteczek leków z białkami docelowymi na poziomie struktury 3D.
- Milestone payments — płatności warunkowe w umowach licencyjnych, wypłacane po osiągnięciu z góry określonych kamieni milowych badawczych, klinicznych lub sprzedażowych.
Na podstawie materiałów źródłowych.
