Bunsen od Schrödingeru: AI spolupracovník, který spojuje jazykové modely s fyzikou při hledání léků

Schrödinger uvedení předběžné verze avizoval během výsledků za první čtvrtletí 2026, kdy hovořil o letním termínu. Červencové spuštění tedy tento plán naplnilo . Plné komerční vydání však zatím konkrétní datum nemá. Období předběžného přístupu má firmě umožnit sbírat zpětnou vazbu od zákazníků a rozšiřovat využití systému v rámci licencování založeného na objemu zpracovaných úloh .

Jak Bunsen spojuje LLM s fyzikální simulací

Bunsen kombinuje velké jazykové modely, známé jako LLM, s hlavními fyzikálně založenými nástroji Schrödingeru pro molekulární modelování. Patří mezi ně například FEP+, molekulární docking a simulace molekulární dynamiky (MD) .

Jazyková vrstva dokáže zpracovat vědecký záměr formulovaný běžným jazykem a rozdělit ho na jednotlivé kroky. Fyzikální výpočetní engine pak zajišťuje predikce vlastností molekul založené na fyzikálních modelech a ověřované experimentálními poznatky. Smyslem není pouze generovat hypotézy, ale převést je do konkrétního výpočetního postupu.

Dr. Karen Akinsanya tento přístup popsala jako kombinaci AI uvažování a výpočtů z prvních principů, která může pomoci otevírat dosud neprozkoumaný prostor biologických cílů . Pro výzkumníky to znamená možnost zadávat víceúrovňové kampaně přirozeným jazykem, zatímco Bunsen automatizuje jejich provedení a propojuje jednotlivé výsledky.

Čtyři základní kroky Bunsenu

Workflow systému stojí na uzavřené smyčce se čtyřmi hlavními funkcemi:

1. Understand – Porozumět: Bunsen interpretuje vědecký cíl výzkumníka formulovaný přirozeným jazykem.
2. Strategize – Navrhnout strategii: Zvolí vhodný výpočetní postup a metody fyzikálního modelování pro daný problém.
3. Execute – Provést: Samostatně spustí molekulární workflow, například docking, výpočty volné energie nebo predikci vlastností ADME.
4. Iterate – Opakovat a upravit: Vyhodnotí výsledky a podle nich zpřesní další postup, čímž propojí AI uvažování s výsledky fyzikálních simulací .

Tento model může změnit způsob, jakým vědci využívají výpočetní chemii. Místo ručního sestavování každého kroku mohou zadat širší výzkumný záměr a nechat systém, aby připravil, provedl a iteroval odpovídající sérii výpočtů. Výsledky přesto zůstávají pod dohledem odborníků; Bunsen není náhradou za experimentální validaci.

Bunsen versus Co-Scientist a Robin

Google DeepMind: Co-Scientist

Co-Scientist je víceagentní systém postavený na Gemini 2.0, který se zaměřuje na strukturované generování hypotéz a vědecké uvažování . V květnu 2026 byl jeho výzkum publikován v časopise Nature . Systém využívá sedm specializovaných agentů, mimo jiné pro generování, hodnocení a postupné zdokonalování hypotéz.

Co-Scientist dokázal navrhnout nové terapeutické hypotézy, například možnosti repurpozice léčiv pro jaterní fibrózu, které byly následně experimentálně ověřeny . Jeho hlavní rozdíl oproti Bunsenu spočívá v zaměření: Co-Scientist je obecný nástroj pro tvorbu biomedicínských hypotéz. Nemá nativně integrovaný engine pro fyzikální simulace molekul, takže provedení výpočetně-chemických úloh obvykle vyžaduje další nástroje nebo práci výzkumníka .

FutureHouse: Robin

Robin od organizace FutureHouse je víceagentní systém pro průběžný proces biologického objevování. Jeho výzkum byl rovněž publikován v časopise Nature v květnu 2026 . Robin propojuje generování hypotéz, návrh experimentů, analýzu dat a formulaci dalších poznatků v jediném workflow .

Systém na praktickém příkladu samostatně identifikoval ripasudil, původně používaný jako léčivo proti glaukomu, jako slibného kandidáta pro léčbu suché formy věkem podmíněné makulární degenerace (dAMD) . Využívá specializované dílčí agenty, například Crow pro otázky nad odbornou literaturou, Falcon pro hlubší syntézu, Owl pro zodpovídání dotazů a Phoenix pro programování a analýzu .

Robin se tedy soustředí především na experimentální biologii a repurpozici léčiv. Na rozdíl od Bunsenu nemá jako svou hlavní součást integrované fyzikální simulační nástroje pro výpočetní chemii .

Další významní hráči

Finanční pozadí: růst kontraktů, ale pokles vykázaných softwarových tržeb

Schrödinger zveřejnil výsledky za první čtvrtletí 2026 dne 5. května. Čísla ukazují rozdílný vývoj jednotlivých částí podnikání:

• ACV neboli Annual Contract Value: 28,4 milionu dolarů za čtvrtletí, meziročně o 12 % více. Hodnota za poslední čtyři čtvrtletí dosáhla 201 milionů dolarů . Růst táhlo rozšíření využití u dvaceti největších farmaceutických zákazníků a nasazení nových produktů .
• Celkové tržby: 58,6 milionu dolarů, meziročně o 2 % méně, přesto přibližně o 22 % nad očekáváním trhu .
• Tržby ze softwaru: 35,6 milionu dolarů, meziročně o 21 % méně. Schrödinger pokles přímo spojil s rychlejším přechodem z lokálně instalovaných licencí na cloudové, tedy hostované SaaS řešení .
• Podíl hostovaného softwaru: 34 % softwarových tržeb oproti 24 % ve stejném období předchozího roku . Do roku 2028 chce firma dosáhnout přibližně 75% podílu hostovaných řešení .
• Tržby z objevování léčiv: přibližně 23 milionů dolarů, meziročně o 124 % více .
• Výhled na celý rok 2026: ACV ze softwaru má dosáhnout 218 až 228 milionů dolarů, což odpovídá růstu o 10 až 15 %. Tržby z objevování léčiv firma očekává ve výši 55 až 65 milionů dolarů .

Proč cloudový přechod krátkodobě snižuje tržby

Vedení Schrödingeru označilo přechod na hostované licence za krátkodobou zátěž pro vykazované tržby, nikoli však pro ACV nebo cash flow. U cloudových kontraktů se výnosy rozpoznávají postupně po dobu trvání smlouvy, místo aby byly zaúčtovány najednou při prodeji licence.

Podle vedení může každý jednoprocentní nárůst podílu hostovaných kontraktů znamenat přibližně 2 až 3 miliony dolarů rozdílu ve vykázaných tržbách v daném období v důsledku pravidel ASC 606 . Strategie má zároveň lépe sladit vykazování výnosů se skutečnou spotřebou zákazníků a podpořit jejich dlouhodobé setrvání.

Jakou má Schrödinger hotovostní rezervu?

Dostupná shrnutí výsledků neuvádějí konkrétní částku hotovosti, peněžních ekvivalentů a obchodovatelných cenných papírů za první čtvrtletí 2026. Přesné číslo by měl obsahovat příslušný formulář 10-Q.

Z dostupných informací vyplývá, že Schrödinger udržuje silnou rozvahu, která má podporovat další rozvoj platformy včetně Bunsenu i vlastní terapeutický program. Za čtvrté čtvrtletí 2025 firma vykazovala robustní likviditu a vedení uvedlo, že přechod na hostovaný model by neměl vyžadovat dodatečný kapitál . Bez zveřejněné částky však nelze přesnou hotovostní pozici za první čtvrtletí 2026 spolehlivě vyčíslit.

Co bude rozhodující dál

Bunsen představuje jiný typ AI pro vědu než nástroje zaměřené primárně na rešerše nebo generování hypotéz. Jeho ambicí je propojit jazykové porozumění s výpočty, které respektují fyzikální vlastnosti molekul, a automatizovat celý řetězec od zadání problému po vyhodnocení výsledků.

Nejbližší důležitou zkouškou bude období předběžného přístupu: Schrödinger bude muset ukázat, zda Bunsen dokáže v praxi zvyšovat produktivitu výzkumných týmů a současně generovat dostatečné využití pro cloudový licenční model. Termín plného komerčního uvedení zatím firma neoznámila.