Mantis Biotech создает цифровых двойников людей для решения дефицита медицинских данных

Mantis Biotech предложила свой ответ на одну из самых дорогих проблем фармы и биомедицины: нехватку качественных и доступных данных. Компания собирает разрозненные источники информации и превращает их в синтетические наборы данных, на основе которых можно строить цифровых двойников человека.

Что делает

Mantis Подход Mantis Biotech строится вокруг идеи собрать в одной цифровой среде разные типы информации о человеке: анатомию, физиологию и поведение. Из этих фрагментов компания формирует synthetic datasets, которые затем можно использовать для создания digital twins человеческого тела. Такой двойник не равен живому пациенту и не является его точной копией в буквальном смысле.

Речь скорее о вычислительной модели, которая помогает описывать, как организм устроен и как он потенциально реагирует на разные воздействия. Смысл в том, чтобы превратить плохо совместимые медицинские данные в более цельную основу для исследований. В медицине нужная информация часто хранится в разных базах, собирается по разным протоколам и плохо переносится из одного исследовательского контекста в другой.

Если Mantis удастся стандартизировать этот слой и сделать его пригодным для моделирования, разработчики лекарств получат новый рабочий инструмент еще до дорогостоящих этапов клинической проверки.

Зачем нужны двойники

Для фармы дефицит данных — это не абстрактная проблема, а прямое ограничение скорости. Исследователи могут иметь сильную гипотезу о механизме болезни или действии молекулы, но упереться в нехватку сопоставимых массивов данных. Цифровые двойники в такой логике нужны не для красивой витрины AI, а для того, чтобы быстрее проверять сценарии, сравнивать модели реакции организма и находить слабые места в существующих наборах наблюдений.

объединять анатомические, физиологические и поведенческие данные в одной модели дополнять реальные медицинские выборки синтетическими данными тестировать гипотезы до более дорогих этапов разработки быстрее выявлять пробелы в данных по конкретным заболеваниям * снижать зависимость от редких или медленно пополняемых датасетов Если такой подход работает достаточно точно, компании смогут использовать синтетические датасеты как промежуточный слой между сырыми наблюдениями и прикладными выводами. Это особенно важно там, где реальные данные трудно собирать из-за стоимости, приватности или ограниченного числа подходящих пациентов. В таком сценарии цифровой двойник становится не заменой клинической реальности, а способом эффективнее извлекать из нее сигнал еще до следующего раунда дорогостоящих исследований.

Главный вопрос У подобных систем есть очевидное ограничение: качество

результата всегда зависит от качества исходного материала. Синтетический датасет полезен ровно настолько, насколько точно он отражает реальные биологические процессы. Если в исходных источниках есть смещения, пробелы или слабая репрезентативность, модель может воспроизвести те же ошибки, только в более убедительной и технологичной оболочке.

Именно поэтому разговор о synthetic data в медицине быстро упирается в валидацию, контроль качества и доверие к выводам. Именно поэтому для Mantis главным испытанием будет не сама генерация данных, а доверие к ним. Фармацевтические компании и исследовательские команды будут смотреть на воспроизводимость, прозрачность и практическую пригодность таких моделей.

Рынок в конечном счете оценит не громкость термина digital twin, а то, помогает ли он реально сокращать время и стоимость исследований без потери научной надежности и без лишнего риска на следующих этапах разработки.

Что это значит

Mantis Biotech делает ставку на одно из самых прагматичных направлений AI в медицине: инфраструктуру данных, а не очередной интерфейс поверх модели. Если компании удастся собирать надежных цифровых двойников из разрозненных медицинских источников, это может ускорить разработку лекарств там, где процесс сегодня тормозится из-за нехватки качественных данных. Для рынка это важный сигнал: следующая волна AI в healthtech может строиться не вокруг чат-ботов, а вокруг более качественной исследовательской базы.