В публичном поле ИИ в медицине чаще всего показывают как диагноста — например, как он ищет рак на снимках или расшифровывает ЭКГ. Но в 2026 году главная научная революция происходит в лабораториях и отделах биоинформатики. Искусственный интеллект становится по меньшей мере драйвером клинических испытаний, он ускоряет их, делает дешевле и в целом трансформирует. Давайте разберемся как именно
Традиционные методы хорошо работают с уже известными угрозами. ИИ же позволяет сместить фокус на то, что только может стать проблемой. В 2026 году ИИ позволяет работать на опережение. Исследователи из Ливерпульского университета создали модель машинного обучения, которая анализирует геномные и биофизические характеристики вирусов (например, птичьего гриппа H5N1), чтобы предсказать их способность к межвидовому переходу — от животных к человеку .
В чем здесь прорыв для научного метода?
Если раньше ученые опирались на филогенетический анализ (изучение эволюции уже известных штаммов), то ИИ смотрит глубже — на функциональные участки белков и нуклеотидные последовательности. Система, обученная на 19 тысячах генетических последовательностей, достигла точности 91,9 % в выявлении опасных мутаций. Более того, алгоритм уже указал исследователям на малоизученные штаммы H4N6 и H4N8, которые ранее не считались приоритетными. Почему? Потому что традиционный подход — наблюдать за тем, что уже вызвало вспышку у людей или домашних животных. Эти штаммы не попадали в поле зрения просто потому, что за ними никто системно не следил. ИИ же не опирается на «историю болезни человечества» — он оценивает сам генетический потенциал вируса. И теперь лаборатории получают сигнал заранее: можно изучать H4N6 и H4N8 не постфактум, а до того, как они станут реальной проблемой. Это меняет логику эпиднадзора с реактивной на предиктивную.
Сегодняшние реалии стали переломным для индустрии клинических исследований. Главный тренд — симуляция испытаний. Сегодня исследователи могут построить цифровую модель клинического исследования «от и до» еще до набора первого пациента. ИИ позволяет стресс-тестировать критерии включения, предсказывать кривые набора добровольцев и выявлять узкие места в дизайне протокола.
Самые впечатляющие цифры приходят из области ранних фаз. Согласно отраслевым отчетам начала 2026 года, молекулы, спроектированные генеративным ИИ, демонстрируют 90 % успешность в ранней фазе клинических испытаний. Это почти вдвое выше исторического среднего уровня (около 50 %). ИИ еще на этапе in silico (в компьютере) отсеивает токсичные соединения, оптимизируя профили безопасности до того, как вещество введут человеку. Время, за которое потенциальный препарат доходит от идеи до первых испытаний на людях, сокращается с шести лет до 18 месяцев. Фактически, ИИ превратил разработку лекарств из скрининга «методом тыка» в точную инженерную дисциплину.
В настоящее время ИИ активно помогает находить биомаркеры там, где их раньше не видели.
Например, недавнее исследование австралийских ученых, опубликованное в BMJ Oncology, показало, как ИИ и методы молекулярного анализа помогли обнаружить новую роль нейропептида CGRP в развитии рака желудочно-кишечного тракта. Оказалось, что высокий уровень протеина RAMP1 в опухолях коррелирует с плохой выживаемостью пациентов. RAMP1 — это белок, который делает рецепторы опухолевой клетки более чувствительными к CGRP. Говоря иначе: если опухоль воспринимает молекулу CGRP, то она растет более агрессивно. Ученые проверили гипотезу, и оказалось, что если опухоли запретить воспринимать (т.е. выключить ген RAMP1), рост опухоли прекращается. Когда исследователи заблокировали этот путь с помощью CRISPR, рост опухоли остановился. Магия в том, что уже есть действующие препараты, которые блокируют CGRP, т.е. уже существующую лекарственную молекулу можно будет использовать в новой области, в которой она раньше не применялась. Это пример того, как ИИ и анализ больших данных помогают совершать значимые открытия.
Более прикладные примеры — анализ неструктурированных текстов. Российские исследователи из Webiomed опубликовали работу, где показали, как нейросети с механизмом внимания (Attention Pooling) могут на основе жалоб пациентов ставить предварительный диагноз с точностью Top-3 accuracy 80 %, при этом объясняя свои решения. Такие модели становятся основой для новых эпидемиологических исследований и понимания структуры заболеваемости.
Стоит признать, что искусственный интеллект не заменяет исследователя, но радикально меняет его роль в науке. Учёный всё меньше занимается перебором вариантов вручную и всё больше — постановкой задач, интерпретацией и проверкой гипотез, которые сгенерировала машина.