ШІ генерує тисячі молекул, але які з них стануть ліками?

Ще кілька років тому головною обіцянкою штучного інтелекту в біомедицині було вміння знаходити нові молекули швидше за людей. Але тепер галузь зіткнулася з новою проблемою: ШІ навчився генерувати кандидатів на ліки швидше, ніж лабораторії здатні зрозуміти, які з них узагалі мають сенс. Саме на цю “пляшкову шийку” націлився стартап 10x Science, про який повідомив TechCrunch: компанія залучила $4,8 млн посівного фінансування, щоб допомагати фармацевтичним дослідникам не просто створювати нові молекули, а визначати, які з них справді варті дорогого й тривалого шляху до клініки.

Що відомо коротко

• стартап 10x Science заснували у грудні 2025 року Девід Робертс, Ендрю Райтер і Вішну Теджас
• за даними TechCrunch, компанія залучила $4,8 млн seed-інвестицій
• раунд очолив фонд Initialized Capital, також долучилися Y Combinator, Civilization Ventures і Founder Factor
• стартап будує платформу, що допомагає характеризувати складні молекули та білкові препарати, аби краще відбирати найперспективніших кандидатів
• головна ідея: проблема сучасної AI-фармацевтики полягає вже не в дефіциті молекул, а в надлишку кандидатів і браку надійного відбору
• ключовий висновок: наступний етап революції в розробці ліків може залежати не від того, хто генерує більше молекул, а від того, хто краще відсіює шум

Як ШІ змінив правила гри у створенні ліків

У класичній фармацевтиці пошук нової молекули — це довгий і дорогий процес. Потрібно знайти біологічну мішень, підібрати сполуку, перевірити її властивості, токсичність, стабільність, поведінку в організмі, а далі роками вести її через доклінічні та клінічні етапи. Саме тому обіцянка ШІ звучала майже революційно: машини можуть переглядати величезні простори хімічних структур, прогнозувати взаємодію з білками та пропонувати варіанти, які людина ніколи не перебрала б вручну.

Цей етап уже реально настав. Великі фармкомпанії дедалі активніше вкладаються в AI-інфраструктуру. Наприклад, як повідомляв Reuters, у лютому 2026 року японська Takeda уклала з Iambic багаторічну угоду на суму понад $1,7 млрд для створення малих молекул за допомогою ШІ. А в січні 2026 року, за даними Reuters, компанія Variant Bio запустила платформу Inference, яка використовує агентний ШІ та геномні дані для пошуку нових кандидатів на ліки.

На перший погляд це означає, що головну проблему вирішено: тепер молекули можна генерувати масово. Але тут і виникає новий парадокс. Генерувати — ще не означає розуміти. Молекула може виглядати багатообіцяльно на екрані, але провалитися в реальному експерименті через неправильну структуру, нестабільність, небажані модифікації або непередбачувану поведінку в біологічному середовищі.

Де саме виникає вузьке місце

Саме тут у гру вступає 10x Science. Компанія фокусується не на красивій стадії “генерації” молекул, а на менш гламурній, але критично важливій стадії — характеризації. Простими словами, йдеться про спробу глибоко зрозуміти, що саме являє собою молекула або білковий препарат, які властивості він має, наскільки він однорідний, чи не містить небажаних варіантів і чи взагалі придатний для подальшої розробки.

Це особливо важливо для складних біологічних препаратів — антитіл, інженерних білків, клітинних терапій та інших сучасних форматів ліків. На відміну від відносно простих малих молекул, такі препарати набагато важче аналізувати. У них може бути кілька структурних станів, мікроскопічні варіації, складні посттрансляційні модифікації та інші особливості, які різко впливають на безпечність і ефективність.

На сторінці Y Combinator стартап прямо формулює цю проблему: сучасний pipeline створення ліків уже переповнений новими кандидатами, але downstream-етапи — тобто глибокий аналіз і перевірка — не встигають за швидкістю AI-генерації. Це схоже на ситуацію, коли фабрика навчилася друкувати тисячі деталей на хвилину, але відділ контролю якості досі працює майже вручну.

Саме тому нинішній бум AI у біології все більше зміщується від питання “як створити більше молекул?” до питання “як швидко й надійно зрозуміти, які з них не є сміттям?”. У цьому сенсі 10x Science працює не на етапі фантазії, а на етапі перевірки реальності.

Як це може працювати на практиці

З відкритих описів компанії випливає, що 10x Science поєднує аналіз експериментальних даних, зокрема даних мас-спектрометрії, з AI-моделями та агентними інструментами. Мас-спектрометрія — це метод, який дозволяє дуже точно вивчати молекулярний склад речовини. У біофармі це один із ключових інструментів для того, щоб зрозуміти, чи відповідає препарат очікуваній структурі і які відхилення в ньому присутні.

Але проблема в тому, що такі дані складні, громіздкі й потребують багато ручного аналізу. Саме на це натякає опис 10x Science у LinkedIn-профілі компанії: вона позиціонує себе як AI-native платформу, що пришвидшує drug development і витягує критично важливі інсайти з “сирих” даних, які інакше залишаються непоміченими.

Тобто ідея стартапу полягає не просто в тому, щоб ще раз “навчити ШІ думати про молекули”, а в тому, щоб зробити інтерпретацію лабораторних даних масштабованою, швидкою та відтворюваною. Це принципово інше завдання, ніж генерація нових структур. Воно ближче до ролі інтелектуального фільтра, який стоїть між тисячами кандидатів і реальною дорогою до ліків.

Тут доречно згадати і ширший контекст, який уже не раз з’являвся в наукових новинах на Cikavosti. Наприклад, у матеріалі «ШІ пришвидшив пошук ліків у 10 мільйонів разів» ішлося про системи, здатні радикально прискорювати скринінг зв’язування білок–молекула. А в публікації «ШІ з KAIST створює ліки від раку без попередніх даних» показано, як моделі дедалі краще генерують нові кандидати майже “з нуля”. Проблема в тому, що чим швидше ми генеруємо, тим сильніше зростає навантаження на етап перевірки.

Чому “більше молекул” — не завжди краще

Це одна з найцікавіших інтелектуальних змін у сучасній біотехнології. Довгий час вважалося, що головне — розширити простір пошуку. Якщо алгоритм може перевірити мільйони або мільярди структур, шанс знайти щось корисне нібито зростає автоматично. Але реальна біологія виявилася значно складнішою.

Річ у тім, що молекула-кандидат повинна пройти не одну “перевірку”, а цілий каскад. Вона має:

• добре зв’язуватися з мішенню,
• бути достатньо стабільною,
• не розкладатися надто швидко,
• не викликати неприйнятної токсичності,
• бути технологічно придатною для виробництва,
• зберігати якість від партії до партії.

Навіть якщо ШІ чудово впорався з першою умовою, провал на будь-якому наступному кроці може поховати весь проєкт. Саме тому слова співзасновника Iambic Тома Міллера в інтерв’ю Reuters звучать дуже показово: «Найважливіше — створити те, що раніше було неможливо». Але щоб це “неможливе” стало реальним препаратом, його ще треба правильно зрозуміти, охарактеризувати і не втратити на наступних етапах.

У цьому сенсі 10x Science намагається вирішити менш помітну, але фундаментальну проблему. Якщо AI drug discovery — це машина для висування гіпотез, то characterization — це механізм, який відрізняє наукову знахідку від дорогої ілюзії.

Чому інвестори вкладаються саме в такий тип стартапів

З погляду венчурного капіталу це теж показова історія. Компанії, які напряму розробляють власні ліки, несуть величезний ризик: навіть сильний кандидат може провалитися в клініці. А ось стартапи, які будують інфраструктуру для всієї індустрії, можуть заробляти незалежно від того, який саме препарат стане успішним.

Саме тому такий формат часто називають “кирки й лопати” для золотої лихоманки. Під час буму AI у фармі виграють не лише ті, хто обіцяє винайти новий блокбастер, а й ті, хто допомагає всім іншим відбирати, аналізувати, перевіряти та масштабувати результати. На цьому тлі інвестиція в 10x Science виглядає логічно: якщо біотех-ринок справді захлинається від надлишку AI-кандидатів, попит на системи розумного відбору лише зростатиме.

Це перегукується і з іншими дискусіями довкола ШІ в біології. У матеріалі «Чи слід нам турбуватися, що ШІ створить смертоносну біологічну зброю?» порушувалося питання про те, що інструменти генерації біологічних рішень стають дедалі потужнішими. Але що потужнішими стають генератори, то більш критичною стає інфраструктура перевірки, інтерпретації та контролю.

Цікаві факти

• 10x Science заснували лише в грудні 2025 року, а вже за кілька місяців компанія залучила seed-раунд.
• Стартап фокусується не на “створенні молекул з нуля”, а на характеризації білкових терапій, що робить його інфраструктурним гравцем.
• За даними Reuters, традиційна розробка препарату може тривати близько шести років до входу в клініку.
• У біофармі навіть мікроскопічні структурні відмінності білка можуть змінити безпечність або ефективність майбутнього препарату.
• Ринок AI drug discovery усе більше переходить від етапу “захоплення генерацією” до етапу відбору, валідації та доказовості.

Що це означає

Практичне значення цієї історії велике. Якщо 10x Science або подібні платформи справді навчаться швидко й точно оцінювати якість складних молекул, це може дати фармі одразу кілька переваг: менше хибних стартів, менше витрачених грошей на слабкі кандидати, швидший перехід до сильніших програм і більш надійну роботу з новими форматами терапій.

Для науки це означає ще одну важливу річ: ера “ШІ все згенерує” закінчується. Настає ера, у якій ціну матиме не лише творення варіантів, а й здатність пояснювати, чому саме цей варіант має сенс. Інакше кажучи, наступний прорив у AI-фармацевтиці може прийти не від ще одного генератора молекул, а від інструментів, які навчаться пов’язувати комп’ютерний дизайн з реальною біологією, виробництвом і регуляторними вимогами.

FAQ

Чим займається 10x Science?

Компанія будує AI-платформу для аналізу складних молекул і білкових препаратів, щоб допомогти дослідникам відбирати найперспективніших кандидатів на ліки.

Чому це важливо, якщо ШІ вже вміє створювати молекули?

Бо створити багато кандидатів — це лише перший крок. Далі треба зрозуміти, які з них стабільні, безпечні, технологічно придатні й реально варті дорогих випробувань.

У чому головне вузьке місце сучасної AI-фармацевтики?

У тому, що швидкість генерації молекул уже перевищує швидкість їхньої якісної перевірки та характеристики в лабораторіях.

Чи означає це, що ШІ скоро сам створить готові ліки?

Ні. ШІ дуже допомагає на ранніх етапах, але між комп’ютерною пропозицією і реальним препаратом лежать роки експериментів, перевірок, виробничих і клінічних випробувань.

Висновок

Найцікавіше в історії 10x Science не сам раунд на $4,8 млн, а те, що він підсвічує зміну всієї логіки ринку. Головною проблемою AI у створенні ліків стає вже не брак ідей, а надлишок слабко перевірених варіантів. І якщо перша хвиля біотех-ШІ вчила машини вигадувати молекули, то друга, схоже, навчатиме їх відрізняти справжні майбутні ліки від дуже переконливого наукового шуму.