Представьте, что биология больше не является наукой «наблюдения», где ученые годами смотрят в микроскоп, пытаясь угадать функции генов. Вместо этого она превращается в дисциплину «программирования». К середине 2026 года развитие базовых моделей (Foundation Models) достигло точки, когда ИИ обучается на «словах» природы — последовательностях ДНК, формах белков и структурах клеток — так же легко, как обычный чат-бот обучается на человеческих текстах.
Что это такое и почему это важно
Базовые модели в биологии — это не просто алгоритмы, а огромные нейросети, «прочитавшие» миллиарды биологических данных. Если ChatGPT предсказывает следующее слово в предложении, то такие модели, как Evo 2 или ESM3, предсказывают следующую «букву» в цепочке ДНК или следующий атом в структуре белка. Это позволяет ученым не просто анализировать существующую жизнь, но и проектировать биологические системы с заданными свойствами.
Это критически важно для медицины. Традиционная разработка лекарств похожа на поиск ключа к замку в темной комнате: ученые перебирают тысячи соединений в надежде, что одно из них сработает. ИИ-модели позволяют «увидеть» замок и «напечатать» идеально подходящий ключ на компьютере, экономя десятилетия работы и миллиарды долларов.
Дизайн геномов: автодополнение для ДНК
Одним из самых значимых событий весны 2026 года стала публикация в журнале Nature исследования модели Evo 2 от Arc Institute. Это открытая модель, обученная на 9 триллионах нуклеотидов. Она показала, что ИИ способен «автодополнять» геномы так же, как текстовый редактор дополняет фразы. В ходе экспериментов Evo 2 смогла спроектировать функциональные вирусы-бактериофаги, способные уничтожать супербактерии, устойчивые к антибиотикам.
Этот успех подтверждает, что мы находимся на пороге создания программируемых генетических программ. Однако важно понимать: пока это происходит преимущественно в стенах лабораторий. Создание синтетических фагов — это демонстрация возможностей, а не готовое средство, доступное в аптеках.
Проектирование белков, которых не было в природе
Если ДНК — это чертеж, то белки — это рабочие инструменты организма. Модель ESM3 от EvolutionaryScale, представленная ранее, продемонстрировала способность симулировать эквивалент 500 миллионов лет эволюции для создания новых белков. Ученые смогли сгенерировать флуоресцентные белки, которые никогда не существовали в естественной среде.
Параллельно с этим компания Isomorphic Labs (подразделение Google DeepMind) представила систему IsoDDE. Это наследник знаменитого AlphaFold 3, который специализируется на поиске «карманов» в белках, куда должно попасть лекарство. По заявлениям компании, точность этого поиска на сложных мишенях выросла в два раза. Это открывает путь к лечению заболеваний, которые раньше считались «неподдающимися воздействию лекарств».
Главное: ИИ сократил время от поиска биологической цели до создания прототипа лекарства с типичных 5–6 лет до 18 месяцев. Это радикально меняет экономику фармацевтики.
Кто создает технологию: основные игроки
Рынок био-ИИ в 2026 году четко разделился на открытые исследовательские институты и гигантские корпорации, вкладывающие миллиарды в закрытые системы.
| Компания / Проект | Специализация | Статус |
|---|---|---|
| Isomorphic Labs | Комплексный дизайн лекарств | Лидер по инвестициям ($2.1 млрд) |
| Arc Institute / Nvidia | Открытые модели ДНК (Evo 2) | Доступно для ученых всего мира |
| Insilico Medicine | Клиническая разработка препаратов | Лекарства на финальных стадиях (Фаза III) |
| EvolutionaryScale | Генерация новых белков (ESM3) | Коммерческий доступ через API |
Реальные успехи в клинике
Многие ИИ-разработки все еще остаются теорией, но есть и исключения. Препарат Rentosertib от компании Insilico Medicine, полностью разработанный с помощью ИИ для лечения фиброза легких, успешно прошел фазу IIa клинических испытаний в апреле 2026 года. Исследование показало реальное улучшение функций легких у пациентов, и теперь препарат переходит в финальную фазу тестирования.
Общая статистика отрасли также выглядит оптимистично: доля ИИ-препаратов, успешно проходящих I фазу клинических исследований (где проверяется безопасность), достигла 90%. Для сравнения, раньше этот показатель составлял около 50%. Это означает, что ИИ гораздо лучше предсказывает, как вещество будет вести себя в организме человека, еще до начала тестов.
Мы переходим от случайных открытий к направленному конструированию жизни, где единственным ограничением становится наша фантазия и вычислительная мощность суперкомпьютеров.
Ограничения и «биологические галлюцинации»
Несмотря на впечатляющие цифры, технология сталкивается с серьезными барьерами. Главная проблема — так называемые «биологические галлюцинации». Модели могут сгенерировать последовательность ДНК, которая выглядит идеально правильной с точки зрения алгоритма, но оказывается абсолютно нежизнеспособной («не заводится») при попытке внедрить ее в живую клетку. В сырых моделях до 99% результатов могут быть таким «биологическим мусором».
Существует острый дефицит качественных данных о неудачных экспериментах. Фармацевтические гиганты охотно публикуют данные об успехах, но скрывают провалы, из-за чего ИИ-модели обучаются на искаженной картине реальности. Кроме того, сохраняются высокие риски двойного назначения: те же инструменты, что создают лекарства, теоретически могут быть использованы для разработки новых патогенов. Это привело к вступлению в силу новых норм регуляции в ЕС, классифицирующих био-ИИ как системы высокого риска.
Что пока остается мечтой
Важно разделять текущие достижения и долгосрочные обещания. Пока не существует полноценного «цифрового двойника человека», который мог бы заменить клинические испытания. Сейчас ученые способны моделировать лишь отдельные клетки или фрагменты тканей. Полное моделирование организма — это цель, которая, по самым оптимистичным прогнозам, будет достигнута только к 2030-м годам.
Также на стадии прототипов остаются «автономные лаборатории». Хотя Nvidia и Thermo Fisher уже демонстрируют роботов, управляемых ИИ-агентами, массовое внедрение систем, где ИИ сам ставит опыты и анализирует результаты без участия человека, еще впереди.
Что это значит для нас
Для обычного человека прогресс в области биологических моделей означает, что через 5–10 лет медицина может стать более персонализированной и дешевой. Речь идет не только о лечении редких генетических заболеваний, но и о борьбе с привычными проблемами, такими как онкология или устойчивость к антибиотикам. Граница между компьютерным кодом и биологической жизнью становится все более тонкой, но на этом пути науке еще предстоит научиться справляться с непредсказуемостью живой природы.