Zespół badawczy z Wall Street spróbował swoich sił w poszukiwaniu leków — i przyszedł z modelem AI zamiast fartucha laboratoryjnego.

Citrini Research, we współpracy z Anthropic, użył modelu Claude Science do wyszukania potencjalnych kandydatów na antytoksynę skorpiona. Eksperyment wygenerował w ciągu kilku dni mniej więcej tyle pracy projektowej na wczesnym etapie, ile zwykle powstaje przez rok. Następnie dostarczył coś, na czym analitykom zależy jeszcze bardziej: tezę inwestycyjną.

Od 35-stronicowego promptu do wyników laboratoryjnych

Analitycy Citrini przekazali Claude Science szczegółowy prompt liczący około 35 stron. Model zwrócił około 180 kandydujących cząsteczek mających na celu neutralizację toksyn skorpiona.

Według ustaleń badania praca o takim zakresie tradycyjnymi metodami zajęłaby zwykle rok. Citrini skompresował ją do krótkiego okresu.

W tym miejscu weszła firma Twist Bioscience, spółka z zakresu biologii syntetycznej. Laboratorium zsyntetyzowało i przetestowało 211 projektów, z czego 17 z powodzeniem związano z docelowymi toksynami.

Siedemnaście trafień może nie brzmieć imponująco. W poszukiwaniu leków na wczesnym etapie, gdzie większość kandydatów kończy niepowodzeniem, to wystarczyło, by przewyższyć własne oczekiwania Citrini.

Wąskie gardło przesuwa się z oprogramowania do laboratorium

20 października 2026 r. Citrini opublikował raport przedstawiający wnioski z eksperymentu. Główny argument dotyczy mniej samej AI, a bardziej tego, co dzieje się po zakoń pracy przez AI.

Jeśli projektowanie obliczeniowe radykalnie przyspieszy, powolna część procesu ulega przesunięciu. Ograniczeniem nie jest już generowanie kandydatów — staje się nim ich testowanie. Cząsteczki można teraz proponować z prędkością oprogramowania, ale ich synteza i walidacja nadal odbywają się w tempie pracy laboratoryjnej.

Raport Citrini przedstawia to jako zmianę w narracji dotyczącej rozwoju leków. Uwaga przesuwa się z narzędzi projektowania obliczeniowego w kierunku fizycznej walidacji eksperymentalnej oraz infrastruktury laboratoryjnej, która ją wspiera. Teza firmy głosi, że spółki te prawdopodobnie zobaczą rosnący popyt na usługi walidacji eksperymentalnej.

Raport wskazał dwie spółki jako najważniejsze rekomendacje: Charles River Laboratories International Inc., organizację badawczą na kontrakcie prowadzącą testy przedkliniczne i wczesnego etapu dla producentów leków, oraz Revvity Inc., spółkę z zakresu nauk przyrodniczych i diagnostyki obsługującą badania i przepływy laboratoryjne.

Część większego ruchu farmacji w kierunku AI

Novo Nordisk, jeden z największych producentów leków na świecie, zawarł we wrześniu 2026 r. partnerstwo z Anthropic — umowa ta zasygnalizowała, że duże firmy farmaceutyczne poważnie traktują badania wspomagane przez AI.

Test Citrini dodaje inny rodzaj punktu danych. Przyszedł spoza środowiska farmaceutycznego — od analityków, których codzienną pracą jest wybieranie akcji. Jeśli firma badawcza może wygenerować zwalidowane białka wiążące za pomocą długiego promptu i modelu AI, bariera wejścia w projektowanie na wczesnym etapie wygląda na niższą niż kiedyś.

Co to oznacza dla inwestorów i branży

Oczywista strategia inwestycyjna w AI to kupowanie spółek budujących modele. Raport Citrini argumentuje za mniej oczywistą: kupowaniem firm położonych w dół łańcucha po modelach, które przejmują dodatkową pracę generowaną przez AI.

Są powody, by zachować umiarkowane oczekiwania. Wynik Citrini dotyczy jednego celu — toksyn antytoksyny skorpiona — a związanie z toksyną to wczesny kamień milowy. Od białka wiążącego w laboratorium do terapii w szpitalu jest długa droga, a kandydaci, którzy się wiążą, muszą jeszcze przejść optymalizację, testy bezpieczeństwa i badania kliniczne.

Ustalenia wskazują też, że większy nacisk na walidację fizyczną zwiększa złożoność łańcucha dostaw. Więcej cząsteczek oznacza więcej syntezy, więcej testów i większą koordynację między zespołami projektowymi a laboratoriami. To, jak rozwinie się popyt na moce syntezy i testowania, może stanowić wczesny test tezy z raportu.