Алгоритмы роста
Как мировые фармкомпании выстраивают отношения с AI
На фоне роста стоимости разработки и выхода на рынок новых препаратов фармкомпании стали искать способы удешевить этот процесс и все чаще привлекают для этого новые технологии. За последние пять лет объем венчурных инвестиций в AI-проекты в области поиска лекарств составил около $14 млрд. Десять самых показательных из них — в материале «Ъ-Здравоохранения».
Фото: Getty Images
Фото: Getty Images
По оценкам отраслевых аналитиков, средняя стоимость вывода одного препарата на рынок за последние 20 лет выросла примерно втрое (до $2,5 млрд), а вероятность успеха конкретной молекулы на поздних стадиях клинических исследований, по оценкам старшего аналитика Morgan Stanley Мэттью Харриса, так и осталась на уровне 8–12%. На этом фоне традиционная модель R&D (НИОКР, исследований и разработки), основанная на последовательных экспериментах и интуитивных гипотезах, все чаще оказывается недостаточной. Это заставило фармацевтику обратиться к искусственному интеллекту и цифровым технологиям. За последние пять лет объем венчурных инвестиций в AI-проекты в области поиска лекарств составил около $14 млрд, при этом в 2024 году после периода стагнации он составил $6,7 млрд. Количество стратегических партнерств между крупными фармкомпаниями и AI/IT-проектами во всем мире превышает 900 соглашений (на конец 2021 года их было всего 105), что отражает тенденцию к переходу от пилотных проектов к рутинному применению цифровых технологий в фарминдустрии и появлению коммерчески значимых альянсов. Несмотря на это, ни один препарат, разработанный с помощью AI/IT-инструментов, пока не прошел весь путь от разработки до регистрации без классических R&D-процедур, а регуляторы пока не принимают данные, полученные с помощью AI, как достаточные доказательства эффективности и безопасности. Очевидно, AI не стал универсальным инструментом и «волшебной кнопкой» ускорения и удешевления разработок. К 2025 году фармотрасль постепенно отошла от экспериментов ради экспериментов и перешла к более структурированным формам взаимодействия с AI/IT-компаниями, заключив ряд разрозненных на первый взгляд сделок. О десяти самых показательных из них — в материале «Ъ-Здравоохранения».
Roche-Flatiron Health (формат и объем средств: поглощение, $1,9 млрд)
Покупка платформы для сбора и обработки данных реальной клинической практики в онкологии — американской Flatiron Health — за $1,9 млрд в 2018 году стала для швейцарской Roche символом нового этапа развития, в котором данные реальной терапии ценятся не меньше, чем новые молекулы-хиты. Roche сделала ставку на real-world evidence (RWE — данные терапии, полученные вне регламентированных клинических испытаний), первой заплатив за подобный ресурс цену, сопоставимую со стоимостью прав на потенциальный блокбастер (например, в 2009 году Bristol-Myers Squibb приобрела за $2,4 млрд разработчика ипилимумаба, сейчас приносящего ей более $2 млрд выручки ежегодно). По мнению аналитика направления digital health инвестбанка Jeffries Эрика Перрота, использование RWE позволяет фармкомпаниям уменьшать стоимость поздних стадий исследований на 5–20%, особенно в онкологии. Именно поэтому сделки вокруг таких платформ превышают $1 млрд, считает эксперт. Такой же была идея Roche, однако экономический эффект от приобретения оказался растянутым во времени, трудноизмеримым и косвенным, и Flatiron стал скорее стратегическим активом. Глобальные амбиции Roche оказались ограничены чисто географически: платформа глубоко интегрирована в американскую систему онкологической помощи и с трудом масштабировалась за пределы США из-за регуляторных барьеров, различий в инфраструктуре и правилах работы с данными. Кроме того, владение платформой создало конфликт интересов. В частности, Flatiron, ранее воспринимавшаяся как нейтральный поставщик данных для всей отрасли, после сделки оказалась в сложной позиции: конкуренты Roche начали сомневаться в независимости платформы, а сама Roche — балансировать между стратегическим использованием данных и репутационными рисками.
BioNTech-InstaDeep (поглощение, около €500 млн)
BioNTech, получив в пандемию COVID-19 беспрецедентные финансовые ресурсы (в частности, компания в партнерстве с американской Pfizer выпускала одну из самых успешных вакцин от коронавируса, в 2021 году ее продажи составили $36 млрд, в прошлом году — $5,35 млрд), решила инвестировать средства в собственную технологическую платформу, а не развиваться как классическая фармкомпания. Как часть этой стратегии в 2023 году ею был приобретен британский AI-стартап InstaDeep, который первоначально не фокусировался только на фармацевтических R&D, но после 2019 года занялся также моделированием молекул белков, РНК и прогнозированием их взаимодействий, что может быть полезным в поиске антител и вакцин, в том числе против рака. Изначально InstaDeep специализировалась не на «витринном» применении машинного обучения, а на фундаментальных алгоритмах. Для BioNTech это означало возможность встроить AI не как внешний сервис, а как ядро собственного R&D, работающее на всех этапах: от разработки до производства и логистики препарата — и не зависящее от внешних подрядчиков. Однако покупка AI-компании целиком несет и структурные риски. В отличие от данных, алгоритмы быстро теряют уникальность: модели воспроизводимы, сотрудники мобильны, а технологическое преимущество требует постоянных инвестиций. BioNTech фактически взяла на себя задачу непрерывного обновления AI-платформы — функцию, к которой фармбизнес традиционно не привык. Успех такого решения будет зависеть от способности BioNTech поддерживать темпы развития, характерные для IT-проектов, а также от того, оправдается ли ставка на AI как на ядро, а не надстройку в разработке лекарств. Впрочем, аналитики Boston Consulting Group дают оптимистичные прогнозы: по их оценкам, использование генеративного AI способно ускорить выявление терапевтических мишеней, оптимизацию молекул-кандидатов и сократить объем документальных задач на 25% и более, а рынок таких продуктов в здравоохранении может вырасти до $27 млрд к 2027 году.
Pfizer-CytoReason (до $110 млн)
На фоне конкурентов инвестиция Pfizer в израильский стартап CytoReason в 2022 году может показаться скромной. Однако Pfizer сознательно не стала покупать AI-компанию целиком и не пыталась превратить данные или алгоритмы в отдельный актив, вместо этого выбрав точечный доступ к вычислительной биологии. CytoReason разрабатывает цифровые модели заболеваний, прежде всего в области иммунологии и воспалительных заболеваний. Эти модели позволяют связывать параметры конкретных молекул, клинические наблюдения и реальные исходы лечения в единую вычислительную конструкцию. Для Pfizer это способ глубже понять биологию болезни до того, как начать дорогостоящие клинические испытания. Ключевое отличие стратегии Pfizer — отказ от идеи универсальности AI. Pfizer использует CytoReason как аналитическую машину, которая помогает принимать решения о выборе терапевтических мишеней, биомаркеров и дизайне исследований, но не претендует на роль автономной R&D-платформы и драйвер трансформации всего бизнеса. Такой подход снижает риски: инвестиции распределены во времени, партнерство привязано к конкретным терапевтическим областям, а технологическая эволюция остается задачей AI-партнера, что сохраняет за Pfizer свободу смены инструментов по мере развития рынка. В условиях, где биология по-прежнему остается главным источником неопределенности и лимитирует долю успешных разработок, именно такой баланс между алгоритмами и научной интуицией может оказаться наиболее устойчивым.
Sanofi-Exscientia (партнерство, потенциальные выплаты до $5,2 млрд)
Партнерство Sanofi с британской Exscientia, заключенное в начале 2022 года, стало одной из самых громких AI-сделок в истории фармацевтики. Прежде всего из-за потенциальной стоимости соглашения свыше $5 млрд при реальном upfront-платеже всего в $100 млн. Exscientia предлагает то, что особенно привлекательно для крупной фармы,— ускорение ранних этапов R&D. С помощью алгоритмов машинного обучения компания автоматизирует дизайн малых молекул, сокращая путь от гипотезы к молекуле-кандидату. Для Sanofi, как и других ведущих фармкомпаний, сокративших расходы на R&D с 2010 года, это был способ быстро перезапустить инновационный конвейер без радикальной перестройки бизнеса. Однако, несмотря на то что AI может значительно ускорить генерацию молекул-кандидатов, более быстрый вход в клинику не гарантирует более высокий процент успеха на поздних стадиях, где по-прежнему доминируют биологические и регуляторные факторы. По мнению старшего аналитика по биотехнологиям и цифровым инструментам агентства Pharmaceutical Technology Аллена Таунсенда, кейсы типа Sanofi-Exscientia с потенциальным размером до $5,2 млрд безусловно демонстрируют готовность инвестировать значительные ресурсы в AI-инструменты. Но, по его же словам, для понимания истинного влияния искусственного интеллекта на скорость вывода лекарств на рынок и экономическую эффективность может потребоваться до семи лет. Этим отчасти объясняется отказ от покупки Exscientia: если технология перестанет давать конкурентное преимущество, ее можно заменить без потери актива. Для Exscientia же это означает постоянное давление — необходимость доказывать ценность не концепцией, а выходом конкретных молекул в клинику.
Фото: Дмитрий Лебедев, Коммерсантъ
Фото: Дмитрий Лебедев, Коммерсантъ
Novartis-Relation Therapeutics (партнерство, потенциальные выплаты до $1,7 млрд)
Партнерство Novartis с британской Relation Therapeutics, заключенное в феврале 2025 года, выглядит менее зрелищным, чем сделки вокруг генеративного дизайна молекул, но стратегически оно более амбициозно. Вместо ускорения существующего R&D Novartis сделала ставку на самый ранний и наименее формализованный этап — понимание биологии заболевания. Relation Therapeutics использует машинное обучение и массивы биомедицинских данных для выявления причинно-следственных связей в заболеваниях (прежде всего в иммунологии и дерматологии). Речь идет не об оптимизации известных мишеней, а о попытке системно ответить на вопрос, почему возникает болезнь,— задаче, которая десятилетиями решалась фрагментарно и интуитивно. Для Novartis это способ повысить вероятность успеха всего пайплайна, а не отдельных проектов, поскольку именно ошибки на уровне выбора мишеней приводят к провалу на поздних стадиях разработки независимо от качества молекулы. AI здесь выступает как фильтр, снижающий фундаментальный риск еще до старта самых дорогих этапов разработки. При этом, как и в кейсе Sanofi-Exscientia, структура сделки подчеркивает осторожность подхода. Upfront-платеж относительно невелик ($55 млн), а основная часть потенциальной стоимости привязана к достижениям конкретных научных и клинических результатов и только подтвержденным гипотезам. Последнее особенно важно, когда ложные гипотезы обходятся компании все дороже.
Takeda-Nabla Bio (партнерство, upfront-платеж не раскрывается, потенциальные выплаты свыше $1 млрд)
Партнерство Takeda с американским стартапом Nabla Bio, начатое в 2022 году (в 2025 году было подписано второе соглашение), отражает один из самых радикальных сдвигов в фармацевтическом R&D — переход от оптимизации существующих молекул к их проектированию de novo (с нуля). В отличие от классических AI-инструментов разработки лекарств, Nabla Bio работает над генеративным дизайном белков и антител, где алгоритмы не ускоряют процесс, а фактически задают его направление. Для Takeda, специализирующейся на биологических препаратах, это способ выйти за пределы эволюционного улучшения антител и получить доступ к новым форматам — мультиспецифическим антителам, нестандартным и ранее трудно реализуемым молекулам. AI здесь используется как инструмент расширения биологического пространства, а не как инструмент работы с существующими библиотеками данных. В этом же заключается главный вызов этой стратегии — перенос вычислительных моделей на реальную биологию. Экспериментальное подтверждение гипотез здесь остается узким местом, поскольку занимает гораздо больше времени и ресурсов чем их генерация. В случае успеха кейса Takeda сможет открыть принципиально новые классы терапий, в случае неудачи — стать напоминанием о том, что даже самый продвинутый AI-алгоритм не способен учитывать всю сложность живых систем. В то же время, по оценкам PitchBook в 2025 году, компании, изначально фокусирующиеся на AI-разработке новых лекарств, оцениваются инвесторами вдвое дороже по сравнению с традиционными биотехнологическими компаниями.
Bayer-Ada Health (инвестиции, $90 млн)
Инвестиция Bayer в Ada Health в 2021 году через венчурное подразделение Leaps by Bayer на первый взгляд выглядит нетипичной для фармацевтического гиганта: Ada не разрабатывает лекарства, не занимается клиническими исследованиями, не продает и не обрабатывает данные. Вместо этого компания строит AI-платформу для первичной оценки симптомов и навигации пациента в системе здравоохранения — зоне, которая традиционно находилась вне фокуса Big Pharma. Именно в этом и заключается стратегический смысл сделки. Bayer все чаще позиционирует себя не только как производителя препаратов, но и как участника контура здравоохранения. Ada позволяет работать с пациентом задолго до постановки диагноза и назначения терапии, формируя точку входа в клинику. Технологически Ada опирается на вероятностные модели и клинические знания, позволяя пользователям и медицинским организациям быстрее принимать первичные решения. Для Bayer это источник не столько данных, сколько понимания моделей поведения пациентов — того, как и когда они обращаются за медицинской помощью. В отличие от сделок вокруг AI-разработчиков лекарств, здесь почти нет прогнозов радикального ускорения R&D. Ценность Ada заключается в снижении системной неэффективности здравоохранения и создании новых каналов взаимодействия с пациентами и страховщиками. Это объясняет и формат сделки: венчурная инвестиция без попытки интегрировать платформу в бизнес. Кейс Bayer—Ada Health показывает альтернативное направление цифровизации фармы, что особенно интересно в условиях перегруженных медицинского сектора.
Bayer-One Drop (инвестиция, $98,7 млн)
Продолжением стратегии смещения фокуса с разработки препаратов на управление заболеванием можно считать и инвестиции Bayer в американскую компанию One Drop в 2019 году. Эта IT-платформа работает с тем, что происходит после назначения терапии,— с повседневными решениями пациента. One Drop объединяет данные о показателях здоровья, поведении и образе жизни пациентов с хроническими заболеваниями, прежде всего диабетом. Алгоритмы анализируют эти данные и формируют персонализированные рекомендации, направленные на повышение приверженности лечению и улучшение реальных исходов. Для Bayer, активно работающего в области диабета и сердечно-сосудистых заболеваний, это способ усилить эффективность уже существующих продуктов. Принципиально важно, что Bayer вошел в One Drop не через поглощение, а через серию инвестиций и коммерческих соглашений. Такая структура подчеркивает понимание ограничений цифровых терапий: их ценность проявляется не мгновенно и сильно зависит от вовлеченности пользователей. Тем не менее поддержка хронических пациентов между визитами к врачу может оказаться не менее эффективной, чем создание нового продукта.
GlaxoSmithKleine-Tempus (партнерство, $70 млн + долгосрочное финансирование)
Сотрудничество GSK с американской компанией Tempus, начавшееся в 2020 году, стало примером того, как крупная фармацевтическая компания учится работать с большими медицинскими данными, не превращая их в тяжелый актив (в отличие от кейса Roche-Flatiron). Это партнерство ограничено по времени, задачам и объему инвестиций. Tempus специализируется на анализе клинико-геномных данных в онкологии и прецизионной медицины. Платформа объединяет молекулярную информацию, клинические данные и реальные исходы лечения, превращая их в инструменты для отбора пациентов и оптимизации клинических исследований. Для GSK это способ повысить точность R&D без необходимости собирать и обрабатывать собственные массивы данных. При этом GSK не пытается использовать Tempus как универсальную платформу на уровне всей компании: данные применяются там, где они действительно создают ценность,— в конкретных программах, биомаркерных стратегиях и дизайне исследований. Финансовая архитектура сделки подчеркивает эту логику. Инвестиции распределены во времени, а сотрудничество сохраняет возможность пересмотра или завершения без серьезных потерь. Это, уверен руководитель направления Healthcare & Life Sciences Amazon Web Services Дэн Ширан, отражает новый этап цифровизации фармы после периода энтузиазма и крупных покупок: прагматичный подход и доступ к данным и аналитике важнее формального владения технологией.
AstraZeneca-BenevolentAI (инвестиция и партнерство около €390 млн + дополнительные платежи)
Участие AstraZeneca в 2019 году в инвестировании в BenevolentAI стало отражением переходного момента в фармацевтической индустрии, когда ожидания от искусственного интеллекта достигли пика, а практическая ценность еще только начинала проверяться реальностью. В отличие от прямых поглощений или классических R&D-партнерств, AstraZeneca приобрела миноритарную долю в платформе, чья ключевая ценность заключалась не в данных и не в молекулах, а в способе работы с информацией. BenevolentAI строит платформу, которая связывает научную литературу, биологические данные и клинические наблюдения в единую вычислительную модель. Алгоритмы формируют гипотезы о новых терапевтических мишенях и возможных применениях препаратов. Для AstraZeneca это было способом увеличить число идей на самом раннем этапе R&D, не вмешиваясь напрямую в собственные исследовательские процессы. Однако, как и в случае с Takeda-Nabla Bio, этот подход не снимает временных и финансовых ограничений проверки гипотез. Кроме того, в отличие от уникальных массивов данных, сами алгоритмы BenevolentAI трудно защитить от воспроизводства, а технологическое преимущество быстро размывается по мере развития рынка. Кейс AstraZeneca—BenevolentAI показывает, что AI в фарме все еще может рассматриваться не как гарантированный инструмент повышения эффективности, а как эксперимент. Тем не менее беглый анализ крупнейших за последние десять лет сделок между фармкомпаниями и IT показывает несколько явных трендов: во-первых, Big Pharma готова платить больше за данные и инфраструктуру, чем за абстрактные, пусть и большие, перспективы внедрения AI в бизнес, во-вторых, среди фармкомпаний доминирует модель партнерств с оплатой конечных результатов посредством milestone-платежей, что снижает риски и растягивает инвестиции во времени, в-третьих, AI чаще используется на самых ранних этапах — в понимании биологии и механизма заболевания и дизайне молекул, а не только в оптимизации самих R&D-процессов.