Bunsen від Schrödinger: як ШІ та фізичне моделювання змінюють пошук ліків

Як Bunsen поєднує мовні моделі та фізику

Bunsen об’єднує дві різні технологічні складові:

• великі мовні моделі (LLM), які розуміють наукові запити природною мовою, формують план роботи та координують окремі кроки;
• фізичне моделювання Schrödinger, зокрема docking, FEP+ — розрахунок вільної енергії зв’язування — і симуляції молекулярної динаміки .

Тобто мовна модель відповідає за міркування й організацію процесу, а фізичний рушій — за кількісні прогнози властивостей молекул, що спираються на фундаментальні принципи та експериментально перевірені методи. За словами докторки Карен Акінсая, саме поєднання AI-міркувань із розрахунками з перших принципів може відкрити раніше не досліджені ділянки біологічного «простору мішеней» .

Це важливе розмежування. Bunsen не просто узагальнює наукові статті або пропонує гіпотези. Він покликаний пов’язувати поставлене завдання з конкретними обчислювальними процедурами та запускати їх у межах єдиного робочого процесу.

Чотири основні функції Bunsen

Робота системи побудована як замкнений цикл:

1. Understand — зрозуміти. Bunsen інтерпретує наукову мету дослідника, сформульовану природною мовою.
2. Strategize — розробити стратегію. Система визначає послідовність розрахунків і підбирає відповідні фізичні методи.
3. Execute — виконати. Bunsen автономно запускає робочий процес молекулярного пошуку: docking, розрахунки вільної енергії, прогнозування ADME та інші процедури .
4. Iterate — повторити й удосконалити. Після аналізу результатів система коригує підхід і продовжує пошук, замикаючи цикл між AI-міркуваннями та фізичними розрахунками.

Для дослідника це означає можливість керувати багатокроковими обчислювальними кампаніями звичайною мовою, не перемикаючись вручну між численними інструментами. Водночас Bunsen не скасовує експертну оцінку: його роль — масштабувати роботу науковців і допомагати швидше перевіряти перспективні напрями.

Хто конкурує з Bunsen у сфері AI for Science

Google DeepMind — Co-Scientist

Co-Scientist — мультиагентна система на базі Gemini 2.0, створена для формування та перевірки наукових гіпотез . У травні 2026 року дослідження системи опублікували в Nature .

У ній працюють сім спеціалізованих AI-агентів, зокрема Generation, Ranking, Evolution і Proximity. Вони генерують, порівнюють, критикують і вдосконалюють гіпотези. Система, зокрема, запропонувала нові терапевтичні припущення — наприклад, щодо перепрофілювання ліків для лікування фіброзу печінки, — які згодом пройшли експериментальну перевірку .

Головна відмінність від Bunsen полягає у фокусі. Co-Scientist — універсальний інструмент для біомедичних гіпотез: він працює з науковою літературою та ідеями, але не має вбудованого фізичного рушія молекулярного моделювання. Для обчислювальної хімії йому потрібні зовнішні інструменти або участь дослідника .

FutureHouse — Robin

Robin від FutureHouse — мультиагентна система для наскрізного біологічного пошуку, також описана в дослідженні, опублікованому в Nature у травні 2026 року . Вона поєднує генерацію гіпотез, планування експериментів, аналіз даних і формування нових висновків в одному безперервному процесі .

Robin продемонструвала можливості, автономно визначивши рипасудил — наявний препарат для лікування глаукоми — як перспективний варіант терапії сухої вікової дегенерації жовтої плями (dAMD) . До системи входять спеціалізовані агенти:

• Crow — пошук і відповіді за науковою літературою;
• Falcon — поглиблений синтез інформації;
• Owl — підготовка відповідей;
• Phoenix — програмування та аналіз даних .

На відміну від Bunsen, Robin орієнтована насамперед на експериментальну біологію та перепрофілювання ліків. Вбудованих рушіїв фізичного молекулярного моделювання вона не має .

Інші помітні гравці

Що показали фінансові результати Schrödinger за перший квартал 2026 року

Фінансовий контекст важливий для Bunsen, оскільки Schrödinger розраховує, що автоматизація робочих процесів збільшить продуктивність клієнтів і обсяг використання програмного забезпечення.

За підсумками першого кварталу компанія повідомила:

• ACV (Annual Contract Value, річна контрактна вартість) становив 28,4 млн доларів, що на 12% більше, ніж роком раніше. ACV за останні чотири квартали сягнув 201 млн доларів . Зростання забезпечили, зокрема, збільшення використання платформи найбільшими фармацевтичними клієнтами та запуск нових продуктів .
• Загальна виручка склала 58,6 млн доларів — на 2% менше в річному вимірі, але приблизно на 22% вище за консенсус-прогноз .
• Виручка від програмного забезпечення знизилася на 21% — до 35,6 млн доларів. Schrödinger пов’язала це передусім із прискореним переходом від локальних ліцензій до хмарної моделі hosted/SaaS .
• Частка hosted-рішень зросла до 34% програмної виручки проти 24% роком раніше. Компанія прагне довести цей показник приблизно до 75% до 2028 року .
• Виручка від пошуку ліків перевищила 22,9 млн доларів, збільшившись на 124% у річному вимірі .
• Прогноз на 2026 рік залишився без змін: програмний ACV очікується на рівні 218–228 млн доларів, тобто зростання на 10–15%, а виручка від пошуку ліків — у діапазоні 55–65 млн доларів .

Керівництво Schrödinger пояснює, що перехід до hosted-моделі створює короткостроковий тиск на визнану виручку, але не має змінювати ACV або грошовий потік. Через правила ASC 606 кожне збільшення частки hosted приблизно на 1% може зменшувати поточну визнану виручку на 2–3 млн доларів: дохід розподіляється протягом усього строку контракту, а не визнається одразу . У довгостроковій перспективі компанія прагне краще узгодити визнання доходу з фактичним споживанням сервісу та підвищити утримання клієнтів.

Який запас коштів має Schrödinger

Доступні підсумки звітності не містять чіткої цифри щодо грошових коштів, їхніх еквівалентів і ринкових цінних паперів Schrödinger саме за перший квартал 2026 року. Тому для точної оцінки потрібно звертатися до форми 10-Q — квартального звіту компанії до американського регулятора.

Водночас у наданих матеріалах Schrödinger характеризується як компанія зі значною ліквідністю та достатньо міцним балансом для фінансування розвитку платформи, зокрема Bunsen, і власної терапевтичної програми. Керівництво також заявляло, що перехід до hosted-контрактів не потребуватиме додаткового капіталу .

Висновок

Bunsen вирізняється серед AI-інструментів для науки тим, що намагається поєднати мовне міркування з реальним фізичним моделюванням молекул. Co-Scientist сильніший у генерації біомедичних гіпотез, а Robin — в автоматизації експериментальної біології. Schrödinger робить ставку на інший сегмент: автономне виконання обчислювальних кампаній у пошуку молекул.

Поки що Bunsen перебуває на етапі раннього доступу, а повний комерційний реліз не має оголошеної дати. Саме відгуки перших користувачів і здатність системи стабільно виконувати складні робочі процеси покажуть, чи стане вона повноцінним цифровим партнером для хіміків-дослідників, а не лише ще одним AI-інтерфейсом.