Czy AI wynajdzie lek na raka? Jak sztuczna inteligencja realnie zmienia onkologię

• Badania z lat 2025–2026 pokazują, że AI nie „tworzy leku”, lecz przyspiesza kluczowe etapy badań: selekcję terapii, projektowanie cząsteczek i testowanie kombinacji.
• Największy wpływ sztucznej inteligencji w onkologii widać dziś w pracy laboratoryjnej i analitycznej, gdzie algorytmy skracają czas i koszt eksperymentów.
• Zamiast jednego przełomu AI buduje serię mniejszych usprawnień, które razem mogą realnie zmienić tempo odkrywania nowych terapii.

Ten tekst nie jest poradą medyczną. To przegląd badań i kierunków rozwoju technologii.

Co AI już robi w badaniach nad rakiem, zanim powstanie lek

Odkrywanie nowych leków na raka to proces długotrwały i kosztowny. Najpierw powstaje hipoteza badawcza. Potem wybierani są kandydaci na leki. Następnie przechodzą oni testy laboratoryjne. Dopiero później rozpoczynają się badania kliniczne. Całość kończy się decyzjami regulacyjnymi i wdrożeniem terapii.

Sztuczna inteligencja nie omija żadnego z tych etapów. AI nie skraca drogi do zera. Może jednak znacząco przyspieszać badania nad rakiem i ograniczać liczbę nietrafionych eksperymentów.

ZOBACZ: Czy w 2050 roku AI zastąpi naukowców? Laboratoria przyszłości już się rodzą

Dlatego pytanie „czy AI wynajdzie lek na raka” coraz częściej zastępuje inne: czy AI przyspieszy odkrywanie leków na raka. Badania z lat 2025 i 2026 pokazują, że taki scenariusz jest możliwy, jeśli mówimy o usprawnieniu procesu, a nie o cudownym rozwiązaniu.

AI i immunoterapia – przewidywanie odpowiedzi na leczenie

Jednym z największych wyzwań onkologii jest właściwy dobór terapii. Szczególnie w immunoterapii, gdzie skuteczność bywa bardzo różna. Nie każdy pacjent reaguje w ten sam sposób.

W 2025 roku opisano system SCORPIO, który wykorzystuje rutynowe badania krwi oraz podstawowe dane kliniczne. Celem modelu jest przewidywanie, którzy pacjenci mają większą szansę odpowiedzieć na immunoterapię. Kluczowe jest to, że AI korzysta z danych powszechnie dostępnych w systemach ochrony zdrowia.

To nie jest nowy lek na raka. To narzędzie selekcji. W skali całego systemu ochrony zdrowia takie rozwiązania mogą jednak skracać czas prób i błędów. Oznacza to niższe koszty i szybsze przechodzenie do kolejnych etapów badań.

AI projektuje cząsteczki – generatywna sztuczna inteligencja w chemii leków

Tu pojawia się wątek najbliższy pytaniu, czy AI wynajdzie lek na raka. W 2025 roku zaprezentowano podejście Genotype-to-Drug Diffusion (G2D-Diff). To generatywny model AI, który tworzy propozycje małych cząsteczek na podstawie cech genetycznych nowotworu.

W praktyce oznacza to projektowanie struktur chemicznych dopasowanych do konkretnego kontekstu biologicznego. AI nie gwarantuje skuteczności u ludzi. Jest to jednak ogromny krok w priorytetyzacji kandydatów na leki.

Najdroższym elementem całego procesu pozostaje laboratorium. Każda propozycja, którą warto sprawdzić, musi być przetestowana eksperymentalnie. AI zmniejsza liczbę losowych prób i zwiększa efektywność tego etapu.

AI i kombinacje leków – testowanie na niespotykaną dotąd skalę

W leczeniu nowotworów monoterapia często okazuje się niewystarczająca. Dlatego standardem stają się kombinacje leków. Problem polega na skali. Liczba możliwych połączeń rośnie wykładniczo.

W 2025 roku opisano platformę Combocat, która łączy automatyzację laboratoryjną z uczeniem maszynowym. Dzięki temu możliwe jest szybkie testowanie tysięcy kombinacji przy zachowaniu sensownej interpretacji wyników.

To nadal nie jest gotowy lek na raka. To jednak realny przyspieszacz odkryć. Skrócenie czasu i obniżenie kosztów mokrego laboratorium zwiększa szansę, że nowe schematy terapeutyczne będą pojawiać się częściej.

Duże modele językowe w badaniach – AI jako generator hipotez

W 2025 roku pojawiły się również badania pokazujące współpracę naukowców z dużymi modelami językowymi. Zespoły badawcze wykorzystywały GPT-4 do proponowania kombinacji istniejących leków, które mogłyby wykazywać aktywność przeciwnowotworową.

Część tych hipotez została następnie przetestowana w laboratorium. Wyniki pokazały, że AI może skutecznie skracać etap generowania pomysłów badawczych.

Duże modele językowe nie zastępują biologii ani chemii. Pomagają jednak szybciej analizować literaturę naukową i łączyć rozproszone informacje. W efekcie badacze tracą mniej czasu na ślepe tropy.

AI w wykrywaniu raka – sensory zamiast tabletek

Nie każdy przełom w onkologii musi mieć postać leku. Wczesne wykrywanie i monitorowanie choroby często ma równie duże znaczenie. Na początku 2026 roku badacze z MIT opisali system, w którym AI projektuje peptydy rozpoznające proteazy nadaktywne w nowotworach.

Takie peptydy, połączone z nanopartykułami, działają jak sensory aktywności enzymów. To podejście przesuwa granicę wykrywania choroby i monitorowania jej przebiegu.

AI nie rozwiązuje problemu leczenia. Może jednak wpływać na wyniki populacyjne, bo w onkologii czas bardzo często decyduje o skuteczności dalszych działań.

AI jako warstwa porządkująca wiedzę w onkologii

Istnieje jeszcze jeden obszar, który rzadko trafia do medialnych nagłówków. To integracja danych. Genomika, wyniki badań, próbki i interpretacje tworzą dziś ogromny chaos informacyjny.

W 2026 roku opisano system iCatalog, który wspiera raportowanie i decyzje w onkologii precyzyjnej u dzieci. AI pomaga spinać dane w spójny obraz i skraca czas interpretacji.

Bez takich narzędzi nawet najlepsze odkrycia mogą utknąć na poziomie organizacyjnym.

Dlaczego odpowiedź „AI wynajdzie lek na raka” jest zbyt uproszczona

Rak nie jest jedną chorobą. To setki różnych schorzeń o odmiennych mechanizmach. Większość kandydatów na leki odpada na etapie badań klinicznych. AI nie jest w stanie ominąć biologii ani wymagań bezpieczeństwa.

Sztuczna inteligencja może jednak zwiększyć tempo dochodzenia do sensownych kandydatów. Może też poprawić dobór terapii i kombinacji leków. Nie zastąpi jednak eksperymentów ani czasu.

Podsumowanie: czy AI wynajdzie lek na raka

AI już dziś realnie zmienia badania nad rakiem. W 2025 roku pojawiły się modele przewidujące odpowiedź na immunoterapię. Rozwijane są generatywne systemy projektowania cząsteczek. Powstają platformy do szybkiego testowania kombinacji leków. W 2026 roku rośnie znaczenie sensorów i narzędzi porządkujących dane.

Najuczciwsza odpowiedź brzmi: AI może nie stworzyć jednego leku-cudu, ale może radykalnie przyspieszyć tempo, w jakim nauka dochodzi do kolejnych skutecznych rozwiązań. I ten proces już trwa.

Materiały źródłowe i badania naukowe

AI w przewidywaniu odpowiedzi na immunoterapię

Model SCORPIO (Nature Medicine, 2024/2025)

Badanie opisujące system AI, który wykorzystuje rutynowe badania krwi oraz dane kliniczne do przewidywania odpowiedzi pacjentów na immunoterapię w różnych typach nowotworów. Autorzy porównują skuteczność modelu z tradycyjnymi biomarkerami.
https://www.nature.com/articles/s41591-024-03398-5

National Cancer Institute – analiza kliniczna (2025)

Oficjalny materiał NCI omawiający narzędzie AI wspierające przewidywanie skuteczności inhibitorów punktów kontrolnych na podstawie standardowych badań laboratoryjnych.

https://www.cancer.gov/news-events/cancer-currents-blog/2025/ai-predicts-cancer-immunotherapy-response-survival

Medical Xpress – omówienie badań (2025)

Artykuł popularnonaukowy streszczający wyniki badań nad modelem SCORPIO, opublikowane w czasopiśmie Nature Medicine.

https://medicalxpress.com/news/2025-01-ai-tool-routine-blood-immunotherapy.html

AI w projektowaniu kandydatów na leki

Genotype-to-Drug Diffusion (Nature Communications, 2025)

Publikacja naukowa opisująca generatywny model AI służący do projektowania cząsteczek leków na podstawie cech genetycznych nowotworów, wykorzystywany na etapie identyfikacji potencjalnych kandydatów terapeutycznych.

https://www.nature.com/articles/s41467-025-60763-9

AI w odkrywaniu kombinacji leków i wczesnym wykrywaniu raka

AI wspiera odkrywanie nowych kombinacji leków (Cambridge, 2025)
Badanie opisuje, jak dużym modelem językowym (GPT-4) wspierano naukowców z University of Cambridge w identyfikowaniu kombinacji szeroko dostępnych leków, które wstępnie wykazały aktywność przeciwnowotworową w testach laboratoryjnych na liniach komórkowych. To przykład, w którym AI pomaga generować hipotezy, które potem badacze weryfikują eksperymentalnie.

https://www.cam.ac.uk/research/news/ai-scientist-suggests-combinations-of-widely-available-non-cancer-drugs-can-kill-cancer-cells

AI projektuje sensory dla wczesnego wykrywania nowotworów (MIT, 2026)

W badaniach MIT i Microsoft wykorzystano AI do projektowania peptydów, które mogą działać jako molekularne „sensory” rozpoznające enzymy powiązane z nowotworami. Nanocząsteczki z tymi peptydami mogłyby generować sygnały wykrywalne w testach moczu, co potencjalnie umożliwiłoby wcześniejsze wykrycie niektórych typów raka.

https://news.mit.edu/2026/ai-generated-sensors-open-new-paths-early-cancer-detection-0106

AI w integracji danych i wsparciu decyzji klinicznych

iCatalog – system AI wspierający decyzje w onkologii (Nature Communications Medicine, 2026)

Badanie opisuje narzędzie oparte na sztucznej inteligencji, które integruje dane genomowe, laboratoryjne i kliniczne oraz tworzy raporty wspierające decyzje terapeutyczne w onkologii precyzyjnej, szczególnie w pediatrii. System ten ma na celu usprawnienie interpretacji danych i ułatwienie zespołom klinicznym wyboru odpowiednich strategii terapeutycznych.

https://www.nature.com/articles/s43856-025-01351-2