Molecule.one zwiększy moce autonomicznego laboratorium AI. Polska technologia ma przyspieszyć rozwój syntezy leków

Polska firma Molecule.one planuje zwiększenie możliwości autonomicznego laboratorium chemicznego działającego w Dziekanowie Leśnym pod Warszawą. Obiekt, którego przepustowość sięga obecnie 12 tys. eksperymentów tygodniowo, łączy modele sztucznej inteligencji, robotykę laboratoryjną i dane chemiczne. Rozwijana przez firmę platforma Maria ma wspierać przedsiębiorstwa farmaceutyczne w poszukiwaniu nowych dróg syntezy, optymalizacji reakcji oraz szybszym rozwiązywaniu problemów występujących podczas rozwoju procesów technologicznych.

Molecule.one rozwija technologię, w której sztuczna inteligencja nie ogranicza się do analizowania danych albo wskazywania reakcji chemicznych na ekranie komputera. System może formułować hipotezy, planować eksperymenty, przekazywać instrukcje do aparatury laboratoryjnej, analizować wyniki i na ich podstawie projektować kolejne próby.

Firma uruchomiła laboratorium chemiczne sterowane przez AI w 2022 r. Placówka znajduje się w Dziekanowie Leśnym pod Warszawą. Głównym operatorem środowiska badawczego jest system informatyczny, natomiast pracownicy odpowiadają m.in. za nadzór, utrzymanie infrastruktury, kontrolę bezpieczeństwa oraz działania wymagające interwencji człowieka.

Obecna przepustowość laboratorium wynosi około 12 tys. eksperymentów tygodniowo. Według informacji przekazanych przez przedstawicieli Molecule.one zainteresowanie ze strony potencjalnych klientów zbliża obiekt do granic aktualnych możliwości operacyjnych. Firma rozważa więc równoległe zwiększenie mocy placówki w Polsce oraz uruchomienie podobnego laboratorium w Stanach Zjednoczonych. Każde z tych przedsięwzięć ma mieć wartość liczoną w milionach złotych.

Ponad 10 tys. reakcji w niespełna trzy miesiące

Możliwości platformy zostały zaprezentowane podczas projektu prowadzonego wspólnie z OpenAI. System Maria, wykorzystujący model językowy, pracował nad optymalizacją reakcji sprzęgania Chana-Lama, stosowanej w chemii organicznej między innymi do tworzenia wiązań węgiel–azot.

Reakcja ta znajduje zastosowanie w syntezie złożonych związków chemicznych, w tym struktur wykorzystywanych podczas badań nad substancjami farmaceutycznymi. Jej przebieg może jednak silnie zależeć od właściwości substratów, rodzaju katalizatora, utleniacza, rozpuszczalnika, temperatury i pozostałych parametrów procesu. Warunki sprawdzające się dla jednego zestawu związków nie muszą zapewniać odpowiedniej wydajności przy innym układzie.

System otrzymał otwarte zadanie badawcze, a następnie samodzielnie wskazywał problemy wymagające weryfikacji i projektował serie eksperymentów. W czasie około trzech miesięcy przeprowadzono 10 080 reakcji. Dla porównania, wykonanie takiej liczby doświadczeń przez chemika prowadzącego trzy reakcje dziennie zajęłoby około dekady.

Jednym z rezultatów było wskazanie TEMPO jako dodatku poprawiającego efektywność reakcji. Według danych przedstawionych przez Molecule.one w przypadku 80 proc. testowanych substratów uzyskano wyższą średnią wydajność, a dla ponad połowy z nich wynik wzrósł więcej niż dwukrotnie. Firma opublikowała rezultaty prac, umożliwiając ich ocenę i wykorzystanie przez pozostałych badaczy.

Dla przemysłu farmaceutycznego znaczenie projektu nie ogranicza się do poprawienia jednej reakcji. Najważniejsze jest pokazanie modelu, w którym algorytm może nie tylko przewidywać wynik na podstawie istniejącej literatury, ale również projektować doświadczenia i weryfikować hipotezy w fizycznym laboratorium.

Od planowania syntezy do autonomicznego rozwoju procesu

Dotychczasowe zastosowania narzędzi cyfrowych w chemii farmaceutycznej obejmowały m.in. przeszukiwanie literatury, analizowanie patentów, retrosyntezę oraz przewidywanie właściwości cząsteczek. Ostateczne decyzje dotyczące warunków reakcji i programu eksperymentalnego nadal podejmował jednak zazwyczaj naukowiec.

Model rozwijany przez Molecule.one przesuwa automatyzację na kolejny etap. Agent AI może analizować wyniki wcześniejszych prób, wskazywać zależności pomiędzy parametrami i samodzielnie decydować, które doświadczenie powinno zostać wykonane w następnej kolejności.

Takie rozwiązanie może być wykorzystywane przy poszukiwaniu drogi syntezy, badaniu zakresu zastosowania reakcji, doborze rozpuszczalników, katalizatorów i reagentów, a także przy identyfikacji warunków zwiększających wydajność lub ograniczających powstawanie produktów ubocznych.

Z perspektywy firm farmaceutycznych oznacza to możliwość przeanalizowania znacznie większej przestrzeni parametrów niż w tradycyjnym modelu eksperymentalnym. Zespół badawczy, dysponując ograniczoną liczbą stanowisk i czasu, wybiera zazwyczaj warunki uznawane na podstawie doświadczenia za najbardziej prawdopodobne. System autonomiczny może przetestować również kombinacje mniej oczywiste, które zostałyby pominięte podczas ręcznego planowania.

Nie oznacza to jednak, że wynik uzyskany w autonomicznym laboratorium może zostać bezpośrednio przeniesiony do produkcji substancji czynnej. Eksperymenty wykonywane w małej skali dostarczają danych potrzebnych do wyboru kierunku dalszych prac, ale proces przemysłowy wymaga dodatkowej optymalizacji, oceny bezpieczeństwa oraz skalowania.

Skalowanie nadal pozostaje zadaniem technologów

Warunki zapewniające wysoką wydajność w naczyniu laboratoryjnym mogą zachowywać się inaczej w reaktorze pilotażowym lub produkcyjnym. Zwiększenie skali wpływa m.in. na transport masy i ciepła, efektywność mieszania, czas dozowania reagentów, kontrolę temperatury oraz możliwość odbierania energii powstającej podczas reakcji.

Przed wdrożeniem procesu konieczne jest także określenie profilu zanieczyszczeń, możliwości oczyszczania produktu, dostępności surowców oraz bezpieczeństwa stosowanych odczynników. Warunek dający najlepszą wydajność reakcji nie zawsze jest rozwiązaniem najbardziej odpowiednim dla zakładu produkcyjnego.

W procesach farmaceutycznych ocenie podlegają również powtarzalność, odporność procesu na niewielkie odchylenia parametrów oraz możliwość kontrolowania krytycznych cech jakościowych produktu. Dlatego dane wygenerowane przez AI powinny stanowić punkt wyjścia do dalszych prac prowadzonych przez chemików procesowych, technologów, specjalistów bezpieczeństwa i działy jakości.

Wartość autonomicznego laboratorium może polegać na skróceniu etapu poszukiwania obiecujących warunków. Zamiast ręcznie wykonywać setki lub tysiące prób, zespół może otrzymać zestaw zweryfikowanych wariantów i skoncentrować się na ich ocenie pod kątem skalowania, ekonomiki oraz zgodności z wymaganiami produkcyjnymi.

Dane chemiczne jako element infrastruktury rozwojowej

Jednym z powodów uruchomienia przez Molecule.one własnego laboratorium była ograniczona jakość publicznie dostępnych danych chemicznych. Informacje pochodzące z literatury naukowej i patentów są często niepełne, zapisane w różny sposób albo skoncentrowane na udanych doświadczeniach.

Dla systemu uczącego się równie istotne mogą być eksperymenty zakończone niepowodzeniem. Pozwalają one określić granice działania reakcji i wyeliminować warunki, które nie powinny być dalej testowane. W tradycyjnych publikacjach takie wyniki są prezentowane znacznie rzadziej niż rezultaty pozytywne.

Autonomiczne laboratorium umożliwia generowanie ujednoliconych danych przeznaczonych bezpośrednio do rozwoju modeli. Każdy eksperyment może być prowadzony według zdefiniowanego schematu, a wyniki zapisywane w formacie umożliwiającym ich dalszą analizę.

Dla klientów z sektora farmaceutycznego istotne pozostają jednak zasady własności i poufności danych. Projekty dotyczące nowych cząsteczek, nieujawnionych dróg syntezy albo parametrów procesu mogą stanowić tajemnicę przedsiębiorstwa lub podstawę przyszłego zgłoszenia patentowego.

Wdrożenie zewnętrznej platformy wymaga więc ustalenia, kto pozostaje właścicielem wygenerowanych wyników, w jaki sposób są one przechowywane oraz czy mogą zostać wykorzystane do dalszego trenowania modeli. Ważne są również możliwość odtworzenia przebiegu eksperymentu, kontrola dostępu i zabezpieczenie danych przed przekazaniem nieuprawnionym podmiotom.

Rosnące zainteresowanie firm farmaceutycznych

Molecule.one realizuje projekty głównie dla klientów ze Stanów Zjednoczonych, ale obserwuje również wzrost zainteresowania w Europie. Firma podkreśla, że posiadanie głównego centrum operacyjnego i laboratoryjnego w Polsce jest atutem przy współpracy z europejskimi przedsiębiorstwami.

Jednym z projektów komercyjnych jest współpraca z W.R. Grace, rozpoczęta po zwycięstwie Molecule.one w konkursie z nagrodą o wartości 1 mln dolarów. Firmy pracują nad poszukiwaniem nowych sposobów syntezy związków wykorzystywanych w procesach wytwarzania produktów farmaceutycznych.

Polska spółka rozwija się również pod względem finansowym. W 2025 r. potroiła przychody do poziomu przekraczającego 10 mln zł, a w 2026 r. zakłada kolejne trzykrotne zwiększenie sprzedaży. Przedsiębiorstwo osiągnęło dodatni wynik EBITDA i zysk netto, ale deklaruje, że priorytetem pozostają dalsze inwestycje w technologię i infrastrukturę.

Do tej pory Molecule.one pozyskało około 40 mln zł od inwestorów oraz w ramach grantów. Firma prowadzi kolejną rundę finansowania i planuje zwiększenie zatrudnienia. Zdecydowana większość około 30 pracowników pozostaje w Polsce, a do zespołu mają dołączyć kolejni specjaliści z zakresu sztucznej inteligencji, chemii, biologii, sprzedaży i operacji laboratoryjnych.

Nowy model zaplecza badawczego dla farmacji

Rozwój Molecule.one pokazuje, że inwestycje technologiczne dla przemysłu farmaceutycznego nie muszą dotyczyć wyłącznie nowych reaktorów, linii tabletkowania lub infrastruktury magazynowej. Coraz większe znaczenie zyskują platformy łączące automatyzację laboratoryjną, modele AI oraz kontrolowane generowanie danych.

Dla producentów substancji czynnych i firm rozwijających leki możliwość szybszego przetestowania dużej liczby wariantów może skrócić etap wyboru procesu. Technologia może również wspierać rozwiązywanie problemów związanych z niską wydajnością, zmiennością reakcji albo ograniczoną dostępnością literaturowych danych dla nowych związków.

Największym wyzwaniem pozostaje przełożenie wyników autonomicznych badań na proces spełniający wymagania przemysłowe i regulacyjne. Narzędzia AI mogą przyspieszyć generowanie wiedzy, ale odpowiedzialność za ocenę ryzyka, skalowanie, walidację i jakość produktu nadal pozostaje po stronie człowieka oraz organizacji wykorzystującej wyniki.

Planowane zwiększenie mocy laboratorium w Polsce może jednak wzmocnić krajowe kompetencje w obszarze zaawansowanej chemii i rozwoju procesów farmaceutycznych. Jeżeli rozwiązanie znajdzie szerokie zastosowanie komercyjne, autonomiczne laboratoria mogą stać się nową kategorią infrastruktury badawczej wspierającej zakłady farmaceutyczne, firmy CDMO i producentów substancji czynnych.