2026. július 24., péntek · Kutatás

Az AI forradalmasítja a biológiai gyógyszerjelöltek tervezését és felgyorsítja a gyógyszerfejlesztést

A gépi tanulás egyre meghatározóbb szerepet tölt be a biológiai gyógyszerek fejlesztésében: a modellek képesek a lehetséges molekulajelöltek hatalmas teréből kiválogatni a legígéretesebb variánsokat, ezzel jelentősen rövidítve a fejlesztési ciklusidőt. Az AstraZeneca szerint a vállalatnál minden lépés – tervezés, előállítás, tesztelés, elemzés – számítógépes támogatással működik, és az AI-alapú tervező-mérő-tanuló ciklus kevesebb zsákutcával jár. Puja Sapra, az AstraZeneca kutatási vezetője a MIT Technology Review-nak elmondta, hogy az AI nemcsak gyorsít, hanem korábban gyógyíthatatlannak tartott célpontok elérését is lehetővé teszi. A forrás szerint a következő generációs biológiai gyógyszerek egyszerre több célpontot képesek támadni, ami a hagyományos módszerekkel nem volt megvalósítható.

Miért fontos?

Az AI-alapú molekulatervezés a gyógyszerfejlesztés idejét és költségeit csökkentheti, miközben korábban elérhetetlen terápiás célpontokat nyit meg.

Források

MIT Technology Review

Kapcsolódó témák

Napi összefoglaló

Ez a hír a 2026. július 24., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Az AI felgyorsíthatja a gondolkodást, de a tudományos bizonyítékok továbbra is a laborból származnak

A Nature szerkesztőségi véleménycikkéhez kapcsolódó levélben Kristina Katsemonova, egy londoni biotechnológiai startup alapítója amellett érvel, hogy a mesterséges intelligencia a tudományos munkában nem helyettesítheti, csak segítheti az emberi kutatókat. Katsemonova saját tapasztalata alapján ír arról, hogyan vált AI-rajongóból realistává: az MI-eszközök ugyan felgyorsítják a gondolkodási folyamatokat, a tényleges tudományos bizonyítékok továbbra is a laboratóriumi munkából származnak. Ezt a megközelítést erősíti a Financial Times elemzése is, amely szerint az AI alapvetően képes átformálni a gyógyszerfejlesztést, de a természet tempóját – a klinikai vizsgálatok és biológiai folyamatok idejét – nem lehet megkerülni. Mindkét forrás arra a következtetésre jut, hogy az MI a kutatás eszköze, nem pedig a kísérletes tudományt kiváltó megoldás.

FORCE-Bench: új mérce az ágens MI-rendszerek vállalati pénzügyi értékelésére

Kutatók egy nem lektorált tanulmányban mutatták be a FORCE-Bench értékelési keretrendszert, amely 251 szakértő által annotált lekérdezéssel méri az ágens MI-rendszerek teljesítményét vállalati pénzügyi munkafolyamatokban. A benchmark nyolc dimenzióban – többek között pontosság, hivatkozások, megalapozottság és naprakészség – értékel három feladattípust: ERP-alapú kötelezettségkutatást, nyilvános jelentéseken alapuló entitáselemzést és többforrásos üzleti összefoglalók készítését. A szerzők állítása szerint az általános célú ágens rendszerek valós üzemeltetési korlátok mellett nem teljesítik megbízhatóan a pénzügyi minőségi elvárásokat, míg a Microsoft 365 Copilothoz épített célzott ágens stabilabb eredményeket mutat. Az adatkészletet és a kódot nyílt forráskódúként teszik elérhetővé.

Bizalmas GPU-inferencia teljesítményvizsgálata NVIDIA H100-on Intel TDX környezetben

Kutatók összehasonlító mérést végeztek az NVIDIA H100 GPU-n futó nagy nyelvi modellek hagyományos és bizalmas számítástechnikai módú inferenciája között Intel TDX környezetben. A nem lektorált tanulmány a Mistral-7B és a Qwen3-30B-A3B modelleket vizsgálta. A szerzők szerint a bizalmas mód 21,8–27,8%-kal növelte az első token előállítási idejét, a globális áteresztőképesség pedig 17,7–21,1%-kal csökkent. Zárt hurkú tesztekben a veszteség 11,5–20,2% maradt, de a nagyobb modell hamarabb telítődött. Az eredmények szerint a bizalmas inferencia használható marad, de a kapacitástervezésnek számolnia kell a többletköltséggel.

Orvosi mesterséges intelligencia biztonságosságát torzítja az értékelő személye – hiányzó információ mellett

Egy nem lektorált kutatás négy nagy nyelvi modell (Claude Opus 4.8, GPT-5.5, Grok 4.3 és Gemini 3.5 Flash) orvosi biztonságosságát vizsgálta nyílt végű klinikai beszélgetésekben, ahol szándékosan hiányos információt kaptak a modellek. A szerzők szerint az értékelő megválasztása érdemben befolyásolja az eredményt: a négy LLM-bíró közötti egyezés csak közepes (Fleiss-kappa 0,65), és kimutatható pozitív torzítás, ha egy modellt saját szolgáltatójának bírája értékel. Az LLM-bírák ráadásul szignifikánsan engedékenyebbek voltak, mint a vakított klinikai szakértők: 66–84%-ban ismerték el a megfelelő bizonytalanságot, szemben a klinikus 52%-ával. A kutatók hangsúlyozzák, hogy a biztonsági rés nem tudáshiányból, hanem a kalibrációból ered, amit egy zárt végű MedQA-teszttel is alátámasztanak. A csoport a teljes tesztkeretrendszert, promptokat és annotációs protokollt nyilvánosan elérhetővé tette.