Профессор Биссан Аль-Лазикани из Онкологического центра им. М. Д. Андерсона — о прорывных возможностях базовых моделей в разработке противораковых препаратов, научной трезвости и необходимости критичного мышления в эпоху генеративного ИИ.
Мы живём в эпоху, когда ИИ перестаёт быть футуристическим обещанием и становится практическим инструментом — в том числе в такой чувствительной и сложной сфере, как онкологическая разработка лекарств. На переднем крае этого процесса — генеративные модели, которые позволяют не только анализировать данные, но и буквально проектировать молекулы: пептиды, малые молекулы, биотерапевтические агенты. Возможность синтезировать их в лаборатории на основе цифровых предсказаний — это без преувеличения прорыв.
Радует, что искусственный интеллект сегодня перестаёт быть внешним «добавочным» элементом исследований и начинает применяться на ранних этапах разработки, становясь частью самого процесса. Однако мы всё ещё не подошли к созданию единой предсказательной модели, которая охватывала бы весь путь — от открытия молекулы до клинических испытаний. Именно к такой универсальности стремится моя лаборатория: это сложный, но необходимый шаг.
Особый интерес сейчас вызывают базовые модели — большие нейросетевые архитектуры, которые можно дообучать под специфические задачи. Мы привыкли к языковым моделям вроде ChatGPT, но сегодня появляются аналогичные модели для геномного анализа, одноклеточной биологии и других ключевых задач в онкологии. И это открывает принципиально новые возможности.
Базовая модель, обученная на обширном наборе данных, может успешно работать даже на небольших выборках. Мы больше не заложники объёма данных. Это меняет правила игры: теперь даже в ограниченных по размеру экспериментах мы можем использовать силу крупномасштабного машинного обучения. Уверена, что по мере развития более интеллектуальных и обобщённых архитектур таких моделей будет становиться всё больше.
Но в этой простоте — скрытая угроза. ИИ даёт ответы легко и быстро, и именно это делает его коварным. Поэтому у меня есть два совета для тех, кто только начинает работать с такими технологиями.
Первый — начинайте как можно раньше. Не ждите выхода учебников — они устаревают до публикации. Препринты на ChemRxiv и других открытых ресурсах часто содержат самую актуальную информацию. Пробуйте, ошибайтесь, запускайте эксперименты. Прямой опыт — лучший способ научиться.
Но второй совет, не менее важный: сохраняйте научный скепсис. Помните о валидации, о необходимости положительных и отрицательных контролей. Придумайте способ «обмануть» модель — проверьте, действительно ли она поняла задачу или просто уловила поверхностную корреляцию. Никогда не принимайте выводы ИИ на веру. Он всегда даст вам ответ — даже если он неверный.
Недавно на конференции AACR 2025 мы обсуждали именно это: практические трудности применения ИИ в разработке лекарств. Было показательно, что спикеры, работавшие в самых разных областях — от анализа белков до машинного выбора терапии — независимо друг от друга говорили об одном: данные есть, но они неполные и смещённые.
Основной барьер — предвзятость данных. Мы располагаем избыточными массивами по хорошо изученным мишеням, вроде киназ или GPCR, но почти ничего не знаем о менее исследованных зонах химического пространства. И никакая модель не способна «угадать» то, чего в обучающем наборе нет. Поэтому при построении ИИ-инструментов мы обязаны учитывать это смещение — и компенсировать его. Кроме того, стоит помнить о проблеме out-of-distribution: модели могут давать корректные предсказания только в пределах знакомой им среды. Подходит ли она к новому пациенту или новому соединению — большой вопрос.
Из свежих направлений мне особенно интересны спатиальные технологии — от анализа тканевых срезов до in vivo наблюдений. Здесь происходит захватывающее слияние визуализации и протеомики, с применением ИИ с самого начала. Это позволяет впервые в истории наблюдать динамику молекулярных изменений на глубоком уровне и в реальном времени. В совокупности такие технологии, на мой взгляд, станут трансформирующими для всей онкологической науки.
ИИ — мощный инструмент. Но не более чем инструмент. Мы должны принимать его с энтузиазмом, но использовать с умом. Он не заменяет научного мышления — он усиливает его. Если мы забудем об этом, мы не просто ошибёмся. Мы рискуем сбиться с пути.