AiChemy: многоагентный ИИ в поиске новых лекарств

Разработка новых лекарств – один из самых сложных и дорогостоящих процессов в науке. Путь от идеи до готового препарата занимает годы, а иногда и десятилетия. На каждом этапе исследователям приходится работать с огромными массивами данных: структурами молекул, клиническими исследованиями, патентными базами, результатами лабораторных экспериментов. Всё это происходит в условиях, когда нужные знания разбросаны по сотням источников, написанных на разных «языках» различных дисциплин.

Именно для этой задачи Databricks представила систему AiChemy – многоагентный ИИ-инструмент, призванный помочь учёным быстрее ориентироваться в этом океане информации и принимать более обоснованные решения на ранних стадиях исследований.

AiChemy: принцип работы команды из нескольких ИИ-агентов

Не один агент, а команда

Проще говоря, AiChemy – это не один ИИ-помощник, а несколько специализированных агентов, работающих вместе. Каждый из них отвечает за свою область: один разбирается в химических структурах, другой анализирует биологические данные, третий умеет работать с медицинской литературой и патентами.

Такая архитектура напоминает работу исследовательской группы, где у каждого участника своя специализация, но все они координируют усилия для достижения общей цели. Когда учёный задаёт вопрос, например «какие молекулы могут взаимодействовать с конкретным белком, связанным с болезнью Альцгеймера?», система распределяет задачу между агентами, каждый из которых вносит свою часть ответа, а затем результаты объединяются в связный вывод.

Это особенно важно в фармацевтических исследованиях, где химия, биология, медицина и токсикология пересекаются настолько плотно, что ни один специалист физически не может держать в голове всё актуальное знание сразу.

Как AiChemy совмещает внутренние данные компаний с мировой наукой

Собственные данные + мировая наука

Одна из ключевых особенностей AiChemy – возможность работать не только с публичными научными базами, но и с внутренними данными конкретной организации. Это принципиальный момент для фармацевтических компаний: у них накоплены годы собственных экспериментов, неопубликованных результатов и корпоративных баз знаний, которые нельзя просто «загуглить».

AiChemy позволяет подключить эти данные к системе и использовать их наравне с общедоступными источниками. Проще говоря, ИИ-агенты могут одновременно учитывать то, что написано в научных журналах, и то, что компания накопила за годы собственных исследований, – и выдавать рекомендации с учётом обоих массивов.

Навыки как модульные блоки для выполнения задач ИИ-агентами

Навыки как строительные блоки

Ещё один важный элемент системы – так называемые навыки (skills). Это заранее подготовленные модули, которые агенты могут использовать для выполнения конкретных задач: предсказания токсичности соединения, оценки его биодоступности, поиска похожих молекул в базе данных и так далее.

Такой подход позволяет не «изобретать велосипед» каждый раз. Если задача хорошо описана и решаема известным способом – агент просто вызывает нужный инструмент. Это ускоряет работу и снижает вероятность ошибок, которые могут возникнуть, если ИИ пытается рассуждать там, где уже есть надёжный алгоритм.

Протокол MCP: как AiChemy координирует работу агентов и инструментов

Протокол, который связывает всё вместе

Для координации между агентами и внешними инструментами AiChemy использует MCP – протокол, позволяющий разным компонентам системы «разговаривать» друг с другом на одном языке. Если не углубляться в техническую сторону, это что-то вроде стандартизированного интерфейса: агенты знают, как обращаться к инструментам и базам данных, не нуждаясь в отдельной настройке для каждого источника.

На практике это означает, что систему можно расширять – подключать новые базы данных, новые инструменты анализа, новые источники – без необходимости переписывать всё с нуля. Для исследовательских организаций, чьи нужды меняются по мере продвижения проекта, это важное преимущество.

Зачем ИИ-системы нужны в разработке лекарств сегодня

Зачем это нужно прямо сейчас

Разработка лекарств переживает своеобразный кризис производительности: несмотря на рост инвестиций, число одобренных препаратов в расчёте на вложенные средства снижается уже несколько десятилетий. Одна из причин – колоссальный объём информации, который нужно учитывать на ранних стадиях, когда отсеиваются неперспективные кандидаты.

ИИ-системы вроде AiChemy не заменяют учёных, но берут на себя роль «умного аналитика» – того, кто умеет быстро переработать тысячи публикаций, сопоставить данные из разных источников и предложить направления, на которые стоит обратить внимание. Это особенно ценно на этапе так называемого hit-to-lead – когда из множества потенциальных молекул нужно выбрать те, что заслуживают углублённого изучения.

Открытые вопросы и перспективы многоагентных систем в науке

Открытые вопросы

При всей привлекательности подхода важно понимать, что многоагентные системы в научных исследованиях – это всё ещё относительно новая территория. Вопросы о воспроизводимости результатов, о том, как агенты обосновывают свои выводы, и о том, насколько их рекомендации соответствуют реальной экспериментальной практике, пока остаются открытыми.

Кроме того, интеграция корпоративных данных с публичными базами поднимает вопросы конфиденциальности и безопасности – особенно в фармацевтической отрасли, где внутренние разработки представляют значительную коммерческую ценность.

AiChemy выглядит как шаг в нужном направлении: попытка собрать разрозненные инструменты и источники в единую координированную систему, которая говорит на языке учёных, а не программистов. Насколько это работает на практике, покажет время и, главное, реальные результаты в лабораториях.