Как генеративный ИИ уже ускоряет разработку лекарств
Врачебный взгляд на революцию в фарме
Привет друзья! Сегодня попытаюсь рассказать, как нейросети перестали помогать и начали сами придумывать новые лекарства. Без занудства, с примерами, цифрами и лёгкой долей цинизма (это у меня профессиональное:). Поехали.
Пролог: 45 тысяч лет назад люди уже собирали аптечки
Человек всегда хотел найти средство от болезни. Самые древние доказательства - пещера Шанидар на севере Ирака. Там нашли захоронение возрастом 45-70 тысяч лет до нашей эры. Рядом с останками - связки лекарственных растений. Да, уже тогда был свой "травник".
Потом - ассирийские и шумерские тексты. Клинописные таблички из Ниппура (III тысячелетие до н. э.) - первые в мире конспекты по фитотерапии. В тех же текстах описана кора ивы от жара и воспаления. Спустя тысячелетия мы синтезировали это вещество искусственно и назвали аспирином. До сих пор принимаем, кстати.
Но всё это было эмпирически: "Попробуй эту кору - вроде помогает". Настоящая фармакология как наука появилась только в XIX веке.
Что-то увлекся я историей. Простите. Давайте к делу.
Часть 1. "Десять лет, миллиард долларов и 10 тысяч неудач"
Как обычно происходит создание новых лекарств? Сначала находят белок-мишень. Например, тот самый, который превращает лёгкие при фиброзе в рубцовую ткань. Красиво? Нет. Опасно? Да.
Затем начинается слепой перебор. Химики берут "библиотеки" из миллионов соединений и проверяют. Вдруг что-то подойдёт к нашему белку? Это как если бы вы искали ключ к своей входной двери, перебирая все ключи в мире. Включая те, что от сарая на другой планете.
Результат? Только 8-10% молекул, дошедших до первой фазы клинических испытаний, в итоге добираются до аптек. Остальные 90% благополучно "сгорают" на этапе проверки токсичности или эффективности. Без вариантов.
А теперь цифры.
Одна рабочая таблетка (которая реально появится в аптеке) - это 10-15 лет работы лучших умов и от 2 до 3 миллиардов долларов. За эти деньги можно купить небольшой футбольный клуб и ещё останется на приличный банкет. Но главное даже не деньги.
Главное, риск провала- 90%. Это, друзья, не наука. Это русская рулетка с колбами, где ставки выше, чем в Лас-Вегасе.
Фарм-гиганты пытались ускориться с помощью "высокопроизводительного скрининга" - по сути, просто быстрее перебирали мусор. Природа только посмеивалась.
Часть 2. Как нейросети генерируют молекулы? Без волшебства
И тут пришёл генеративный ИИ. Тот самый, который рисует котиков или пишет сценарии для рекламы. Но вместо котиков люди научили его проектировать молекулы.
Как это работает? Забудьте про старый метод "научного тыка".
Не будем бросаться терминами вроде VAE, GAN или трансформеры - они малопонятны даже многим учёным. Суть проще: исследователи используют целых четыре разных класса нейросетевых архитектур, которые не предсказывают структуру белка (это уже вчерашний день), а активно создают новые варианты, которые заведомо умеют связываться с нужной мишенью.
Мы больше не ищем иголку в стоге сена. Мы просим нейросеть: "Напечатай мне ключ, который подойдёт именно к этому замку. И чтобы не ржавел".
Пример из России, чтобы было не абстрактно.
Недавно учёные ИТМО и Сбера сделали систему MADD (Multi-Agent Drug Discovery). Там четыре ИИ-агента:
- один читает ваш запрос,
- второй подбирает алгоритмы,
- третий генерирует молекулы,
- четвёртый проверяет их на токсичность и "лекарственноподобие" (да, такой термин есть).
И знаете что в результате? Точность - почти 80%. Для сравнения: зарубежный аналог ChemAgent выдаёт корректные результаты лишь в 16% случаев. Чувствуете разницу? Нейросеть уже нашла перспективные молекулы для болезней Паркинсона, Альцгеймера и рака лёгких. Причём некоторые из них превзошли существующие аналоги по ключевым параметрам.
А исследователи из НИУ ВШЭ пошли ещё дальше: они научили генеративные потоковые сети (GFlowNets) собирать "идеальную" молекулу как конструктор LEGO - кирпичик за кирпичиком, оптимизируя каждое свойство будущего лекарства на лету.
Часть 3. Хватит теории. Перейдем к реальным примерам
Пока скептики в комментариях пишут "ИИ никогда не создаст лекарство сам", первый в мире AI-спроектированный препарат уже испытывают на людях.
Называется рентосертиб (ISM001-055), компания Insilico Medicine. Сейчас он проходит II-а фазу клинических испытаний у пациентов с идиопатическим лёгочным фиброзом. Это тяжёлое, неизлечимое заболевание лёгких.
И вот что важно: этот препарат создан от начала до конца генеративным ИИ. Алгоритм сам предложил и белок-мишень (TNIK), и идеальную маленькую молекулу, которая этот белок блокирует.
Результат: на синтез и тестирование ушло менее 80 молекул вместо тысяч. Время доклинической стадии сократилось в десятки раз. Это не ускорение - это прыжок в другое измерение.
Другие примеры, чтобы вы не думали, что это единичный случай.
- Модель BoltzGen из Массачусетского технологического института (MIT) - она не только предсказывает структуры белков, как знаменитый AlphaFold, но и проектирует совершенно новые белки-связки. Которые сразу физически и химически жизнеспособны.
- Бельгийский стартап Kantify - их ИИ анализирует 10 миллиардов молекул в день. Это объём, который традиционная лаборатория не осилит и за несколько лет.
Десять миллиардов. В день. Осознайте.
Часть 4. Время и деньги. Математика ускорения
Теперь к самому интересному- к цифрам. Потому что именно здесь ИИ удивляет больше всего
В Boston Consulting Group (BCG) - работают ребята скучные, но точные. Они посчитали:
- На доклиническом этапе ИИ сокращает сроки на 30-50%.
- Расходы - на 25-50%.
- Прогнозируемый успех кандидата на "входе" в клинические испытания вырастает в два раза.
Что это значит на пальцах? Вместо того чтобы 10 лет жечь бюджет и нервы, вы тратите 5-6 лет. Вместо 2 миллиардов долларов - 1,2.
Аналитики уже заявляют: в недалёком будущем мы выйдем на 3-6 лет на весь цикл разработки. А еще, по идее, -это должно удешевить препарат в аптеке (но это не точно)
Посчитайте сами.
Лекарство, которое при старом подходе ждали бы до 2040 года, может появиться уже в 2030-м. Это не шутки. Это тысячи реальных людей, которые не умрут за эти десять лет ожидания.
Заключение. "Это только начало"
Конечно, окончательный вердикт всегда выносят не компьютеры, а реальные лабораторные эксперименты. Синтезированные молекулы нужно проверить на клетках, на животных, а потом в клинических испытаниях на добровольцах. Без этого никак.
Но вектор изменился бесповоротно.
Уже сегодня 30% новых препаратов в мире создаются с участием ИИ. 31 из них проходит клинические испытания. Европейские стартапы в этой области привлекли более 2 миллиардов только за последний год. А фарм−гигант Novartis выложил 5,7 миллиарда за лицензию на AI-разработанные молекулы. Пять с половиной миллиардов, друзья!
Генеративный ИИ уже не просто ускоряет разработку лекарств - он переписывает правила игры прямо на наших глазах.
Вот что говорят генетики, работающие с этими системами: "Если вы до сих пор думаете, что AI-разработанное лекарство - это фантастика, вы просто пропустили последние пару лет". И они правы. Даже когда нейросеть предлагает молекулу, которая пахнет жареным луком (реальный случай, не шутка), - это всё равно шаг вперёд.
P.S.
А пока вы читали эту статью, где-то в облачном сервере нейросеть сгенерировала сотню новых молекул. Из них как минимум одна через несколько лет может стать настоящим прорывным препаратом.
И это не метафора.
💬 А вы бы доверили нейросети создать лекарство для себя? Или считаете, что клинические испытания нельзя отдавать алгоритмам? Пишите в комментариях - обсудим.
👍 Поставьте лайк, если хотите продолжения. В следующей статье разберём, как ИИ ищет лекарства от старения - там тоже есть что рассказать.
#генеративныйии #разработкалекарств #нейросети #фармакология #биотех #иивмедицине #молекулы #инновации #наука #ai_drug_discovery #генеративныесети #будущеемедицины #цифроваяфарма