Разработка и создание нового препарата — дорогой и часто неудачный научный процесс. Лекарство может разрабатываться годами и требовать огромных вложений, при этом большинство перспективных кандидатов так и не доходят до пациента. Для биологических препаратов — терапии на основе синтезированных белков, а не химических соединений (их применяют при большинстве острых и хронических заболеваний) — сложность ещё выше.
Учёные исследуют колоссальное количество возможных молекул в поисках тех редких вариантов, которые будут связываться с нужной мишенью, сохранят стабильность в организме и окажутся пригодными для массового производства. Сегодня ИИ ускоряет эти процессы и быстро становится ключевой частью инфраструктуры фармацевтических исследований и разработок.
Проектирование с помощью ИИ становится всё более важной составляющей создания биологических лекарств, и такие компании, как AstraZeneca, активно наращивают инженерные команды для развития этого направления. «Всё, что мы делаем — проектируем, производим, тестируем или анализируем, — теперь усилено вычислительными методами, — говорит Пуджа Сапра, старший вице-президент и руководитель отдела инженерии биопрепаратов и онкологических таргетных открытий AstraZeneca. — Циклы становятся короче, а продуктивность и инновационность растут».
Сапра поясняет, что AstraZeneca использует цикл «создание — измерение — обучение». ИИ генерирует или приоритизирует молекулы-кандидаты вычислительным путём, предсказывая, какие варианты с наибольшей вероятностью окажутся успешными. Затем учёные направляют лабораторные ресурсы только на наиболее перспективные варианты. Это создаёт более плотную обратную связь с меньшим количеством тупиков, ускоряет итерации и позволяет атаковать болезненные мишени, которые ранее считались неизлечимыми. Поскольку число возможных молекулярных комбинаций намного превышает возможности любой человеческой команды, использование ИИ для сужения и уточнения вариантов тестирования стало главным фокусом в разработке биопрепаратов.
Преодоление сложных задач в разработке лекарств
Помимо ускорения сроков, ИИ применяют и для открытия совершенно новых классов лекарств. Традиционные биопрепараты обычно воздействуют на один патологический путь. Препараты следующего поколения способны поражать несколько мишеней одновременно или точно доставлять терапевтическую нагрузку к конкретным клеткам. Для этого нужна оптимизация сразу по многим параметрам. По словам Пуджи Сапры, в перспективе модели на основе ИИ помогут проектировать всё более сложные, мультиспецифические биопрепараты. «Например, такие модели смогут определить, какие две или три мишени следует приоритизировать на основе биологических данных, а затем провести многопараметрическую оптимизацию, чтобы сбалансировать эффективность, стабильность, технологичность и безопасность молекулы», — объясняет она. «Лечение “неизлечимого” становится реальностью, — добавляет Сапра. — Эти технологии со временем позволят создавать лекарства против мишеней, которые когда-то считались недостижимыми. Потенциальная польза для пациентов огромна».
Данные как конкурентное преимущество
По оценкам McKinsey, генеративный ИИ в сочетании с другими вычислительными инструментами способен сократить сроки открытия лекарств до 50 %. Но любая ИИ-модель хороша настолько, насколько хороши её обучающие данные, а в фармацевтике это означает большие объёмы качественных биологических данных. Источником таких данных могут служить эксперименты. Каждый эксперимент — успешный или нет — даёт сигнал о том, что работает, а что нет.
«Данные — наш главный отличительный фактор, — говорит Сапра, поясняя, что наборы данных компании являются собственностью, мультимодальны и включают молекулярные структуры, измерения связывания, профили безопасности и результаты производства. — Мы намеренно создали диверсифицированный портфель, охватывающий множество областей заболеваний и типов препаратов. Вся эта информация позволяет нам тонко настраивать передовые ИИ-модели на более богатых и репрезентативных обучающих выборках». Она продолжает: «Кроме того, мы инвестировали в технологии глубокого скрининга, чтобы генерировать дополнительные массивы данных в объёмах, необходимых для постоянного уточнения и валидации наших моделей».
Создание автономной системы для открытий
Чтобы объединить все эти данные в одном месте, AstraZeneca строит в Кендалл-сквер (Кембридж, Массачусетс) так называемую «лабораторию будущего», где ИИ и роботизированная автоматизация смогут образовать непрерывную замкнутую систему открытий. «Как беспилотный автомобиль использует датчики и модели для ориентации в пространстве, так и эта система применяет ИИ для прогнозов, роботизированные установки — для выполнения экспериментов, а приборы — для генерации данных», — объясняет Сапра. Эти данные напрямую возвращаются в модели, ускоряя каждый последующий цикл.
«При этом учёные остаются в центре процесса, обеспечивая контроль, экспертное суждение и стратегическое направление, чтобы результаты были объяснимыми, допустимыми и ориентированными на потенциальную пользу для пациентов», — добавляет она.
В конечном счёте автоматизированные высокопроизводительные системы смогут еженедельно создавать и оценивать тысячи молекулярных взаимодействий. «Это позволит генерировать готовые для ИИ данные в масштабах, недостижимых при традиционных рабочих процессах, — отмечает Сапра. — Роботизированная обработка образцов, автоматический контроль качества и интегрированные конвейеры данных также способны значительно ускорить ранние этапы разработки лекарств».
Следующий рубеж: создание лекарств с нуля
По словам Сапры, конечная цель применения ИИ в открытии биологических препаратов — так называемый дизайн «с нуля» (de novo). Задача в том, чтобы ИИ генерировал полностью новые белковые последовательности, точно соответствующие требуемым свойствам лекарства: проектировал структуру, предсказывал безопасность, поведение в организме и возможность производства.
«Область быстро движется к полностью сгенерированному ИИ биологическому препарату — от идеи до клинического кандидата, — говорит Сапра. — По мере того как мы используем передовые модели и настраиваем их на правильных наборах данных, мы приближаемся к этой реальности. Я верю, что это произойдёт. Вопрос времени».
Однако для достижения этой цели необходимы несколько ключевых элементов. Во-первых, более богатые и стандартизированные обучающие данные по всей индустрии. Во-вторых, надёжные критерии оценки кандидатов, созданных ИИ. И в-третьих, команды, умеющие работать на стыке машинного обучения и биологии. Но из всех предпосылок самой значимой и, возможно, наименее обсуждаемой является предсказание безопасности, считает Сапра.
«Одна из сложнейших задач в дизайне “с нуля” — предсказать, будет ли вычислительно сгенерированная молекула безопасна для человеческого организма», — объясняет она. AstraZeneca решает эту задачу с помощью того, что по сути является виртуальными клиническими испытаниями. Это продвинутые клеточные системы и микромасштабные модели органов, которые служат физическими испытательными стендами и работают в паре с ИИ, обучающимся на их результатах.
«Такие системы способны генерировать усиленные биологические сигналы без традиционных узких мест тестирования, и они являются критически важным недостающим звеном, замыкающим цикл между ИИ-проектированием и готовыми к клинике кандидатами», — добавляет Сапра.
Происходит переход к агентным ИИ-системам, которые могут одновременно создавать молекулы-кандидаты и предсказывать их вероятную эффективность и безопасность. Такие автономные workflow связывают информацию о заболевании напрямую с дизайном молекулы, преодолевая разрозненность данных, существовавшую ранее. «Сложность биологии идёт рука об руку с дизайном молекулы», — резюмирует Сапра.
Человеческий талант раскрывает потенциал ИИ
Трансформация в области биопрепаратов касается не только технологий. «При всё большей автономности систем человеческий контроль остаётся в центре этого подхода — обеспечивая объяснимый и этичный ИИ на благо пациентов», — утверждает Сапра.
Для учёных работа с ИИ — это совместный процесс. «Учёные будут работать рука об руку с этими модельными системами, — говорит она. — Наступит мир, где модели проектируют молекулы, а затем учёные вместе с системами тестируют эти молекулы и объединяют все данные». Через этот процесс человеческих проверок, балансов и экспертных решений модели будут эволюционировать и постоянно улучшаться, в конечном счёте принося потенциальную пользу пациентам.
Инженерам, проектирующим системы, готовые к сотрудничеству человека и ИИ, потребуется высокий уровень прозрачности и объяснимости моделей. По словам Сапры, инженерные команды AstraZeneca включают специалистов по данным, экспертов по автоматизации и ИИ-инженеров, которые создают системы, выступающие «думающими партнёрами», а не чёрными ящиками. «Инженеры разрабатывают системы, которые генерируют, проверяют и обучаются с высокой скоростью. И задачи действительно сложные: мультимодальное слияние данных, оптимизация с обратной связью, количественная оценка неопределённости и интерпретируемость на уровне принятия клинических решений», — добавляет она.
Решая столь технически непростые задачи, инженеры и учёные получают возможность вносить вклад в исследования и разработку потенциально жизненно важных методов лечения многих заболеваний, говорит Сапра. «Биологические препараты, которые мы можем создавать сегодня, и те, что мы спроектируем завтра, зависят от объединения талантов мирового уровня в области ИИ и инженерии с глубокой научной экспертизой».