Det senaste företaget att ta sig ur ett Stanford Medicine-labb har 37 000 anställda, och inte en av dem är mänsklig. Det finns inget labbutrymme, ingen lönelista och inga lunchraster. I en studie som publicerades den 17 september i tidskriften Science beskriver forskare ett helt AI-bemannat virtuellt bioteknikföretag som analyserade tiotusentals kliniska prövningar, avslöjade en biologisk signal som förutsäger vilka läkemedel som kommer att lyckas och självständigt utformade en lungcancerterapi som ett stort läkemedelsföretag senare kom fram till på egen hand.
Ett helt drogföretag gjord av agenter
Projektet är skapat av James Zou, docent i biomedicinsk datavetenskap vid Stanford Medicine, och doktorand Harrison Zhang, som ledde arbetet. Det bygger på det "virtuella labbet" av AI-forskaragenter som Zous grupp lanserade 2025 - men den här gången gick teamet längre och skapade ett helt företag med tiotusentals AI-agenter utbildade för att stödja hela pipelinen av läkemedelsutveckling.
"Vår idé var att se hur långt vi kunde driva detta. Kan vi skapa ett bioteknikföretag som tar på sig allt från att leta efter läkemedelsmål hela vägen till att designa kliniska prövningar?" Zou sade i Stanford Medicine tillkännagivande. "Kan vi ha ett helt agentföretag som tar itu med de extremt komplexa utmaningarna med läkemedelsupptäckt?"
Det virtuella företaget speglar organisationsschemat för en etablerad bioteknik: en chief science officer-agent leder forskargrupper indelade i specialiserade divisioner som arbetar parallellt med kärnelementen i läkemedelsdesign, från att identifiera molekylära mål till att utforma kliniska prövningar.
Vad 37 000 agenter hittade i 50 000 försök
En av de största utmaningarna i läkemedelsupptäckten är att förutsäga vilka molekyler som kommer att överleva kliniska prövningar - en process som Zou noterar kan kosta tiotals eller till och med hundratals miljoner dollar och ta många år. Medlen tilldelades en noggrann uppgift: i stället för att svepa den vetenskapliga litteraturen i stort, analyserade varje agent en specifik klinisk prövning och hämtade data om säkerhet och effektivitet. Totalt katalogiserade de ungefär 50 000 försök på mindre än en vecka, en uppgift Zou säger skulle ha tagit mänskliga forskare år.
Agenterna undersökte sedan molekylära data som samlats in under dessa försök och byggde två poängsystem. Den första mätte hur specifikt ett läkemedel riktar sig mot en viss celltyp, snarare än att påverka många celltyper brett. Den andra mätte "bimodalitet" - om en riktad gens aktivitet beter sig som en ljusströmbrytare, snäpp på och av, eller som en dimmer med en rad mellanliggande tillstånd.
Mönstret som uppstod var slående. Läkemedel som riktade sig mot switchliknande gener på ett cellspecifikt sätt hade 40 % större sannolikhet att gå vidare från fas 1 till fas 2-prövningar, 48 % mer sannolikt att nå marknaden och hade 32 % färre biverkningar jämfört med läkemedel som hade bred aktivitet. Effekten kvarstod över cancer, hjärnsjukdomar, hjärtsjukdomar och njur- och lungsjukdomar.
"Vetenskapen som agenterna upptäckte är riktigt spännande, och den visar att dessa encelliga funktioner kan användas för att göra bättre droger," sa Zou. "Det pekar på vikten av att samla in den här typen av data. Detta kan hjälpa hela läkemedelsindustrin."
B7-H3-testet: från förutsägelse till validering
Den avgörande frågan var om ett helt AI-företag kunde designa ett verkligt läkemedel. För att ta reda på det pekade teamet agenterna på B7-H3, ett protein som länge är intressant för lungcancerforskare. Medlen analyserade studier och biomedicinska dataförråd och fann B7-H3 starkt uttryckt i fibroblaster - bindvävsceller som ofta lever nära tumörceller. Genom att gräva i rumslig transkriptomisk data upptäckte de att dessa B7-H3-uttryckande fibroblaster signalerade till närliggande immunceller och undertryckte dem, vilket effektivt döljer tumören från kroppens naturliga försvar.
Medlen designade sedan ett antikroppsläkemedelskonjugat - ett målprotein som huserar celler som bär rikligt med B7-H3 och levererar en kemoterapinyttolast direkt till dem. Avgörande var att designen endast förlitade sig på information tillgänglig före januari 2025. Månader senare, i augusti 2025, utvecklade ett etablerat läkemedelsföretag självständigt samma antikropp-läkemedelskonjugatstrategi mot B7-H3. Den terapin fortsatte med att få en FDA-beteckning för banbrytande terapi efter att ha visat effektivitet i en mänsklig studie - ett resultat Zou beskriver som oberoende tredjepartsvalidering av den virtuella bioteknikens design.
Zou fortsätter inte med B7-H3, eftersom ett annat företag redan sköter det mot kliniker. Men han säger att den virtuella biotekniken har dykt upp andra kandidatmål utformade på samma sätt.
Människor förblir ledningen
Trots omfattningen av agentarbetsstyrkan är Zou tydlig om gränserna. "Människor, fysiska experiment och validering kommer alltid att vara den kanal genom vilken AI påverkar," sa han. Teamets nästa steg är att flytta den virtuella bioteknikens nya rön till verkliga laboratorier för att testa hur många som håller i den fysiska världen.
Forskningen finansierades av ett Knight-Hennessy-stipendium, National Institutes of Health, National Science Foundation och Chan Zuckerberg Biohub, med ytterligare stöd från Stanfords Department of Biomedical Data Science.
Varför det är viktigt
Studien kommer mitt i ett bredare skifte i hur AI tillämpas på vetenskap - från modeller som sammanfattar forskning till agentsystem som planerar experiment, analyserar data och föreslår nya terapier. Bevakningen av arbetet av The New York Times och genomikindustrins press understryker den uppmärksamhet som ramverket för "virtuell bioteknik" drar.
Om resultatet av design-före-validering på B7-H3 är någon indikation, har läkemedelsindustrin en ny klass av forskningsinstrument att utvärdera: organisationer av AI-agenter som kan komprimera år av litteraturgenomgång och försöksanalys till dagar. Den öppna frågan - den som Zous team nu testar - är hur mycket av det som agenterna föreslår överlever kontakt med en fysisk labbbänk.
Ligg före AI
AI förvandlar forskning på alla nivåer, från läkemedelsupptäckt till grundläggande fysik. För fler senaste AI-nyheter och analys av forskningen som formar fältet, läs mer AI-nyheter →.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
