Искусственный интеллект в гонке за лекарствами
Поиск новых препаратов — это дорогое и рискованное занятие. С 1950-х годов стоимость разработки фармацевтических продуктов удваивается примерно каждые девять лет; эту закономерность называют законом Эрума. Сегодня вывод лекарства на рынок занимает в среднем 10-15 лет и обходится в сумму от $1 млрд до $2,5 млрд, при этом более 90% проектов терпят неудачу.
Именно поэтому фармацевтическая индустрия делает ставку на искусственный интеллект: чем быстрее компании находят, тестируют и оптимизируют химические соединения, тем ниже риск дорогостоящих провалов на поздних стадиях. Как отмечает Пол Белчер, директор по стратегии белковых исследований глобальной биотех-компании Cytiva: «Основные расходы в создании лекарств по-прежнему приходятся на клинические испытания, так что снижение рисков и повышение успешности на этом этапе критически важно. ИИ — один из подходов, который, как надеются в отрасли, сэкономит время и позволит выводить на клинические испытания более качественных кандидатов».
Первые результаты применения ИИ в поиске лекарств обнадеживают, но одновременно подчеркивают необходимость в надежных, аутентичных данных и глубокой интеграции с лабораторными системами.
Как ИИ меняет лабораторную работу
Одно из наиболее многообещающих применений ИИ на ранних этапах — идентификация «хитов». Традиционно это скрининг библиотек молекул против мишени, связанной с болезнью (например, белка), чтобы найти соединения, которые с ней связываются. Удачный хит дает стартовую точку для дальнейших испытаний и доработки.
По словам Белчера, сейчас происходит сдвиг от эмпирического скрининга к предсказательному дизайну: вместо физического перебора библиотек компании с помощью ИИ проектируют кандидаты «с нуля» и прогнозируют их взаимодействие с мишенями до передачи в лабораторию.
Это снимает ограничения по объему скрининга. «ИИ устраняет эти барьеры, — говорит Белчер. — Кроме того, модели помогают отсеивать слабых кандидатов еще до физических тестов, экономя время и ресурсы».
Однако предсказывать кинетику и технологичность новых соединений ИИ пока не способен. Поэтому каждый сгенерированный кандидат все равно должен пройти лабораторную проверку. Традиционные рабочие процессы создавались для массового скрининга, а не для детального профилирования сложных молекул. В итоге на лаборатории ложится дополнительная нагрузка: им нужно тестировать, характеризовать и очищать растущий поток разнообразных ИИ-сгенерированных соединений.
Как поясняет эксперт: «Обычные методы скрининга позволяют проверить сотни тысяч, а иногда и миллионы соединений, выдавая бинарные или пороговые ответы — данные низкой точности. ИИ способен увеличить количество хитов и потенциально повысить их качество, что, в свою очередь, требует более производительных и информативных технологий для валидации и характеризации».
Моделям критически важны полные и достоверные данные
ИИ резко повысил потребность в качественных данных. Еще в 2016 году голландский микробиолог Элизабет Бик показала, что почти 4% биомедицинских публикаций содержат продублированные или измененные изображения. С тех пор генеративные нейросети сделали фабрикацию данных еще более простой.
«Манипуляции с данными всегда были проблемой в науке, но в мире ИИ, особенно когда на этих данных обучаются модели, последствия могут быть катастрофическими, — предупреждает Белчер. — Необходимо больше инструментов, подтверждающих подлинность информации».
Некоторые поставщики уже работают над этим. Например, Cytiva предлагает инструмент Image Integrity Checker, использующий алгоритмы безопасного хеширования (подобные блокчейну), чтобы определять, не были ли научные изображения изменены. «Мы видим большой интерес со стороны издательств, которые хотят внедрить такие проверки как стандарт, — добавляет он. — Это быстрый способ убедиться, что публикуемые данные подлинны».
Автономные лаборатории — путь к ускорению открытий
Белчер описывает будущее фармацевтического поиска как полностью автономные лаборатории, работающие с минимальным участием человека. Ключевое условие — единообразие данных и инфраструктуры.
Такие «лаборатории без света» или лаборатории с обратной связью функционируют круглые сутки, циклично проходя этапы прогнозирования, тестирования и оптимизации, а результаты возвращаются в ИИ-модели для планирования следующего раунда экспериментов. Это, по мнению эксперта, способно повысить долю кандидатов, успешно проходящих клинические испытания. Более качественные стартовые точки и дополнительные циклы улучшения дадут меньше побочных эффектов и более надежные препараты.
Но автоматизация лаборатории немыслима без интеграции. Требуются совместимые системы, высоко структурированные и полные наборы данных, а также свободный обмен информацией между оборудованием и софтом. Пока большинство лабораторий далеки от этого. «Сегодня многие приборы работают автономно, — констатирует Белчер. — Можно обладать лучшей в мире технологией, но если она закрыта и пользователь не может извлечь данные, толку от нее нет».
Интегрированная инфраструктура позволит генерировать данные, соответствующие принципам FAIR (находимость, доступность, совместимость и возможность повторного использования). Это будет питать не только отдельные отчеты, но и обучать следующие поколения ИИ-моделей, фактически замыкая петлю между «сухой» вычислительной лабораторией и «мокрой» физической.
«Наша цель — помочь ученым быстрее совершать прорывы и воплотить будущее автономных лабораторий в реальность, — говорит Белчер. — Мы хотим, чтобы исследователи генерировали надежные данные, упрощали процессы поиска и с большей уверенностью превращали свои разработки в жизненно важные терапии завтрашнего дня».
Затраты и горизонты
ИИ-управляемый поиск лекарств все еще находится в начале пути. Примечательно, что ни один препарат, открытый главным образом с помощью ИИ, пока не получил полноценного одобрения FDA — хотя Белчер ожидает, что ситуация изменится в ближайшие два-три года.
Насколько серьезно ИИ способен изменить отрасль? «Священный грааль — полное предсказание эффективности и токсичности in silico, которое устранило бы необходимость в подавляющем большинстве физических экспериментов», — рассуждает эксперт. Однако на пути стоят не только незрелость моделей, но и регуляторные барьеры, а также стоимость вычислительных ресурсов.
Согласно исследованию Стэнфорда, затраты на обучение передовых ИИ-моделей более чем удваиваются каждый год с 2016-го, что усиливает финансовое давление на сектор, и без того отличающийся исключительно высокими расходами на R&D.
Белчер признает наличие противоречия, но сохраняет оптимизм: «Думаю, мы придем к балансу между ИИ и лабораторной работой и с точки зрения стоимости, и с точки зрения рисков. Пока затраты на вычисления не превышают расходы на клиническую разработку, ИИ останется преимуществом».