Искусственный интеллект создаёт лекарства быстрее, чем лаборатории успевают их проверить

Материал подготовлен в партнёрстве с Cytiva, глобальной компанией в области наук о жизни. Пол Белчер, директор по стратегии белковых исследований Cytiva, описывает текущее состояние отрасли: ИИ сжимает сроки на ранних стадиях, но лабораторная инфраструктура и качество данных отстают. На фоне закона Эрума (стоимость разработки нового препарата удваивается примерно каждые девять лет с 1950-х) и средних затрат от 1 до 2,5 миллиарда долларов на вывод одного лекарства на рынок это критический вопрос для фармацевтики.

Что меняет искусственный интеллект в разработке лекарств?

• От перебора к проектированию. Раньше фармкомпании физически тестировали библиотеки из сотен тысяч, иногда миллионов соединений, используя бинарные методы: «связалось или нет». Теперь ИИ проектирует молекулы-кандидаты с нуля и предсказывает, как они будут взаимодействовать с белком-мишенью, ещё до лабораторных опытов.

• Узкое место сместилось. Скорость генерации кандидатов выросла, но каждый из них по-прежнему требует физической проверки в лаборатории. По словам Белчера, ИИ пока не может надёжно предсказать кинетику (скорость реакций) и пригодность соединений к промышленной разработке. Лаборатории, спроектированные под массовый скрининг простых ответов, не справляются с детальным профилированием сложных кандидатов.

• Данные закончились. Многие модели обучены на одних и тех же публичных наборах данных, а значит, приходят к одним и тем же выводам с убывающей отдачей. Эти наборы не создавались для ИИ: в них нет нужной структуры, разметки и разнообразия. Хуже того, опубликованные данные описывают почти исключительно успешные эксперименты. Информация о неудачах, о соединениях, которые не связались с мишенью, остаётся в лабораторных тетрадях и не используется повторно.

• Подделки усиливают риск. Белчер ссылается на исследование Элизабет Бик: почти 4% биомедицинских статей содержали дублированные или подделанные изображения, и это данные 2016 года, до эпохи генеративного ИИ. Cytiva предлагает инструмент Image Integrity Checker, использующий алгоритмы безопасного хеширования (технологию, применяемую в блокчейне) для обнаружения манипуляций с научными изображениями.

Как попробовать ИИ в фармразработке?

1. Оцените готовность лаборатории. Прежде чем внедрять ИИ-генерацию кандидатов, проверьте, справится ли ваша инфраструктура с валидацией возросшего потока соединений. Белчер подчёркивает: нужны высокопроизводительные технологии, дающие детализированные, а не бинарные ответы.

2. Проверьте качество обучающих данных. Убедитесь, что наборы данных включают не только успешные эксперименты, но и отрицательные результаты. Без «данных о неудачах» модель обучается с перекосом и воспроизводит его в предсказаниях.

3. Используйте инструменты верификации. Если вы работаете с опубликованными научными данными, инструменты вроде Image Integrity Checker от Cytiva помогут выявить подделанные изображения в статьях, на которых может обучаться модель.

Что с этим делать в России?

Российские фармкомпании, которые внедряют искусственный интеллект в разработку лекарств, столкнутся с теми же проблемами, но острее. Локальные лабораторные системы часто не рассчитаны на поток ИИ-кандидатов, а публичные международные датасеты, описанные в материале Cytiva, доступны всем, включая конкурентов.

В России развиваются собственные платформы: например, компания «Иннопрактика» и лаборатории при МГУ ведут проекты по ИИ-скринингу молекул. Прямого аналога Image Integrity Checker от Cytiva на российском рынке в открытом доступе не заявлено. При этом YandexGPT и GigaChat, привычные российским пользователям, решают задачи обработки текста и не предназначены для молекулярного моделирования.

Главный вывод для российской фармы: собирайте и структурируйте внутренние данные, включая неудачные эксперименты. Именно этот массив, по мнению Белчера, даёт конкурентное преимущество, потому что публичные данные одинаковы для всех.

Частые вопросы

Может ли ИИ уже сейчас полностью заменить лабораторные опыты?

Нет. По словам Пола Белчера из Cytiva, каждый кандидат, сгенерированный ИИ, по-прежнему требует физической проверки в лаборатории. ИИ не умеет надёжно предсказывать кинетику соединений и их пригодность к промышленной разработке. Его задача на сегодня другая: убрать заведомо слабых кандидатов до того, как на них потратят время и ресурсы.

Почему публичные данные не спасают ИИ-модели?

Потому что все модели учатся на одних и тех же наборах и приходят к похожим результатам. Эти наборы содержат в основном успешные эксперименты: научное сообщество не публикует неудачи. Без данных о провалах модель не может научиться их избегать. Белчер называет это «связанной рукой» и шутит, что науке нужен «журнал отрицательных данных».

Сколько стоит разработка одного лекарства и как ИИ влияет на цену?

По данным из материала Cytiva, вывод нового препарата на рынок занимает от 10 до 15 лет и обходится в сумму от 1 до 2,5 миллиарда долларов, при этом более 90% кандидатов терпят неудачу. ИИ помогает отсеять слабые молекулы на ранних стадиях, что снижает риск дорогих провалов на клиническом этапе, но конкретных цифр экономии источник не приводит.