Как ИИ ускоряет разработку лекарств: разбор технологии на примере биотеха

McKinsey оценивает: генеративный ИИ вместе с другими вычислительными инструментами способен сократить сроки drug discovery: разработки новых лекарств, до 50%. Но самое интересное в теме «ИИ в разработке лекарств» происходит не там, где шумят про чат-ботов: пока все обсуждают генеративные модели, в фарме тихо укрепляется другой ИИ, предсказательный, и именно он переписывает саму логику создания лекарств. Ниже разберём, как это устроено, зачем сравнивать лабораторию с беспилотным автомобилем, и почему провальный эксперимент здесь ценится не меньше удачного.

Разбор построен на материале MIT Technology Review, вышедшем в партнёрстве с фармкомпанией AstraZeneca. Стоит держать в голове: часть тезисов: корпоративный нарратив, а вот оценку рынка (те самые −50%) дала независимая McKinsey.

Почему разработка нового лекарства стоит миллиарды и годы

Разработка лекарства: процесс долгий, дорогой и по своей природе «провальный». Большинство молекул-кандидатов вообще не доходит до пациента: они отсеиваются на разных стадиях, и каждый такой отсев это потраченные годы и деньги. Особенно тяжело с биопрепаратами (biologics), лекарствами не из синтетической химии, а из инженерных белков. Они устроены сложнее «малых молекул» и применяются при большинстве острых и хронических заболеваний.

Загвоздка в масштабе перебора. Учёным нужно найти редких кандидатов, которые одновременно выполняют три условия: связываются с нужной мишенью, остаются стабильными в организме и при этом производимы в промышленных объёмах. Число возможных молекулярных комбинаций превышает то, что любая команда людей способна систематически перебрать вручную. Отсюда и главная задача: сузить пул.

Не тот ИИ в разработке лекарств, о котором все говорят

Здесь важно развести два типа искусственного интеллекта. Генеративный: тот, что пишет тексты и рисует картинки, на слуху. Но в фарме ядром инфраструктуры R&D становится предсказательный, дизайнерский ИИ: он не «фантазирует», а генерирует и ранжирует молекулярных кандидатов вычислительно, оценивая, какие дизайны с большей вероятностью сработают.

Фундамент под этим направлением заложил прорыв в предсказании структуры белка, прежде всего AlphaFold от Google DeepMind. За работы по этой теме в 2024 году присудили Нобелевскую премию по химии: Демису Хассабису и Джону Джамперу, а также Дэвиду Бейкеру за дизайн белков. Именно тогда ИИ по сути научился «читать» и проектировать белковые структуры, без этого разговор о дизайне биопрепаратов был бы невозможен.

Строй → измеряй → учись: как отсекаются тупики

В AstraZeneca процесс описывают циклом build-measure-learn: «строй, измеряй, учись». Логика простая: ИИ приоритизирует кандидатов, а дорогие ресурсы лаборатории тратятся только на верхушку списка. Лаборатория проверяет топ-кандидатов, результаты возвращаются в модель, та уточняет предсказания, и следующий круг идёт быстрее и точнее.

За направление отвечает Пуджа Сапра (Puja Sapra), старший вице-президент и глава R&D biologics engineering. Её формулировка:

«Всё, что мы делаем, дизайн, производство, тестирование или анализ, теперь усилено вычислениями. Время цикла сокращается, а продуктивность и инновации растут.»

Результат такого подхода: более плотная петля обратной связи и меньше тупиковых веток, на которые раньше уходили месяцы.

Мультиспецифика и «лечение нелечимого»

Традиционный биопрепарат бьёт по одному пути болезни. Следующее поколение: мультиспецифичные молекулы, которые работают сразу по нескольким мишеням, или адресная доставка терапевтической «нагрузки» точно в нужные клетки. Модель может подсказать, какие 2-3 мишени приоритизировать по биологии, а потом оптимизировать кандидата сразу по многим параметрам одновременно.

Речь про баланс, который человеку удержать в голове почти нереально: эффективность (potency), стабильность, производимость и безопасность, всё вместе. И здесь звучит ключевой тезис:

«Лечить нелечимое становится реальностью… технологии позволят создавать лекарства против мишеней, ранее считавшихся недостижимыми.»

То есть в зоне досягаемости оказываются болезни, к которым десятилетиями не было молекулярного подхода. Уже сейчас ИИ-спроектированные молекулы доходят до клинических испытаний, этим занимаются компании вроде Isomorphic Labs, Recursion и Insilico Medicine.

Данные как ров: почему провал тоже ценен

Модель хороша ровно настолько, насколько хороши данные, на которых её обучили. Поэтому в AstraZeneca говорят о «рве из данных» (data moat): нужны большие объёмы качественных биологических данных, причём каждый эксперимент даёт сигнал, и успешный, и провальный. Неудачная молекула это тоже знание о том, что не работает и почему.

Цитата, которая объясняет всю стратегию: «Данные, наш дифференциатор.» Датасеты здесь проприетарные и мультимодальные: молекулярные структуры, измерения связывания, профили безопасности, результаты производства. Ставка сделана на deep screening: технологии массовой генерации данных, чтобы постоянно калибровать и валидировать модели.

И вот тут тема неожиданно смыкается с приватностью. Медицинские данные и обучающие датасеты: одна из самых чувствительных зон вообще: утечка профилей пациентов или проприетарных биологических данных стоит дороже любого другого слива. Защита таких массивов не формальность, а условие, без которого весь «ров из данных» превращается в риск. Если приватность и безопасный доступ к данным для вас тоже больная тема, Sigma закрывает бытовую её часть.

Лаборатория как беспилотный автомобиль

Финальная идея материала: движение к автономной «лаборатории будущего». Её строят в Kendall Square (Кембридж, штат Массачусетс) как непрерывную замкнутую (closed-loop) систему открытия: ИИ + роботизированная автоматизация.

Аналогия прямая и наглядная. Беспилотный автомобиль использует сенсоры и модели, чтобы ехать без водителя. Здесь так же: ИИ делает предсказания, роботы проводят эксперименты, приборы генерируют данные, и эти данные тут же возвращаются в модели, ускоряя каждый следующий цикл разработки лекарств. Получается самоподкручивающийся маховик открытия.

Где остаётся человек

Автономность не означает, что учёных выключили из процесса. Человек остаётся в центре петли: надзор, экспертное суждение, стратегическое направление, объяснимость результатов и ориентация на пользу пациенту. ИИ здесь не замена исследователю, а инструмент, который снимает с него рутину перебора и оставляет за ним решения.

Что применение ИИ в разработке лекарств значит для нас

Если оценка McKinsey в −50% к срокам подтвердится на практике, это напрямую касается пациентов в России и СНГ: чем быстрее и дешевле создаются терапии на Западе, тем раньше передовые классы лекарств в принципе появляются на рынке и тем выше шанс, что они дойдут и до нас. Обещанную в начале «минутную проверку» тезиса дать легко: посмотрите, сколько ИИ-спроектированных молекул уже сейчас в клинических испытаниях у Isomorphic Labs и Recursion это и есть материальное доказательство того, что сроки действительно сжимаются, а не остаются красивой презентацией.

Частые вопросы

Чем биопрепарат отличается от обычной таблетки? Обычные «малые молекулы», продукт синтетической химии. Биопрепараты делают из инженерных белков, они сложнее устроены и применяются при большинстве серьёзных болезней.

ИИ сам придумывает лекарства? Нет. Предсказательный ИИ генерирует и ранжирует кандидатов, а проверку, решения и стратегию оставляют за учёными.

Что такое «лечить нелечимое»? Это создание лекарств против биологических мишеней, к которым раньше не было молекулярного подхода, теперь их можно проектировать вычислительно.

Источники

MIT Technology Review как ИИ помогает проектировать лекарства нового поколения