Стэнфорд запустил виртуальный биотех с 37 000 AI-агентов: один из препаратов подтвердила Merck

Исследователи Стэнфордского университета представили проект, в котором 37 000 AI-агентов работают как виртуальная биотехнологическая компания. Система, получившая название Virtual Biotech, имитирует структуру реальной фарм-компании с отделами по поиску мишеней для лекарств, дизайну молекул и проведению клинических испытаний. Каждый агент специализируется на узкой задаче — например, анализе генетических данных или моделировании взаимодействий белков.

Ключевое преимущество подхода — способность агентов взаимодействовать и спорить друг с другом. В отличие от одиночных моделей, мультиагентная система генерирует более креативные и устойчивые к ошибкам решения. Как отметил руководитель проекта Джеймс Зоу, дебаты между AI-агентами стимулируют более глубокий анализ данных и снижают риск накопления ошибок. В тестах такая архитектура показала превосходство над традиционными методами.

Для работы с большими объёмами данных команда разработала платформу Paperclip, которая преобразует неструктурированную информацию (например, научные статьи) в формат, доступный для AI. Это позволило сократить время и стоимость обработки данных на порядок. В одном из экспериментов агенты проанализировали данные клинических испытаний и выявили биомаркеры, повышающие вероятность успеха препарата на 50%.

Самым ярким результатом стала разработка антитела против белка CD276 для лечения рака лёгких. Проект был выполнен исключительно на основе данных, опубликованных до января 2025 года. Спустя несколько месяцев фармацевтическая компания Merck независимо подтвердила тот же дизайн препарата, который позже получил статус прорывной терапии FDA. Это стало внешним подтверждением эффективности подхода.

Авторы подчёркивают, что будущее за созданием открытых сред для AI-агентов, а не жёстких рабочих процессов. Оптимизация таких систем заключается в настройке параметров взаимодействия агентов, а не в улучшении отдельных моделей. Проект демонстрирует, как AI может ускорить научные открытия, особенно в областях с высокой сложностью данных.