AstraZeneca движется к полностью ИИ-сгенерированным белковым препаратам, но на пути стоят сложные задачи предсказания безопасности и человеческий контроль.
Разработка нового лекарства — это как искать иголку в стоге сена, который к тому же постоянно растёт. Один препарат может потребовать десятилетия исследований и миллиардных вложений, а большинство кандидатов так и не доходят до пациента. Особенно сложна разработка биологических препаратов — терапий на основе engineered белков. Здесь количество возможных молекулярных комбинаций так велико, что перебрать их вручную невозможно. Но, похоже, фармацевтика нашла себе союзника: искусственный интеллект берёт на себя роль навигатора в этом хаосе.
ИИ в разработке биологических препаратов: текущие подходы и результаты
Разработка нового лекарства — занятие дорогое, муторное и с высокой вероятностью провала. Особенно когда речь идет о биологических препаратах, где ученым приходится перебирать бесконечные вариации молекул в поисках тех, что свяжутся с нужной мишенью, не развалятся в организме и поддадутся массовому производству. И вот тут на сцену выходит искусственный интеллект. Компания AstraZeneca, например, уже встроила ИИ в самое сердце своего R&D. Как это выглядит на практике?
Под названием «создать — измерить — обучиться», конечно. ИИ сначала генерирует или ранжирует молекулы-кандидаты, предсказывая, какие из них с наибольшей вероятностью сработают. Лаборатория после этого не тратит ресурсы на перебор всего подряд, а бьет точечно по верхушке рейтинга. По словам Пуджи Сапры, которая рулит R&D biologics engineering в AstraZeneca, «всё, что мы делаем — дизайн, синтез, тестирование или анализ — теперь усилено вычислительными методами». Результат? Временные циклы разработки сокращаются, а производительность и инновационность ползут вверх. Это вам не кнопку «подобрать лекарство» нажать — это сложная инженерная работа.
Дальше — интереснее. Следующее поколение биопрепаратов уже не просто долбит по одной болезни. Они умеют атаковать несколько мишеней одновременно или точечно доставлять лекарственную нагрузку прямо в нужные клетки. Подогнать такую многофакторную молекулу вручную — задача для безумцев. Поэтому ИИ берет на себя оптимизацию сразу по куче параметров: эффективность, стабильность, безопасность, технологичность. Как резюмирует Сапра, «создание лекарств для ранее не поддающихся мишеней становится реальностью». Звучит как фантастика, но судя по темпам, ИИ и правда превращает «невозможно» в «сложно, но решаемо».
Данные, автоматизация и лаборатория будущего
Любой ИИ-модели нужны дрова, и в фарме эти дрова — качественные данные. Чем их больше и разнообразнее, тем точнее предсказания. АстраЗенека это усвоила железно: компания не полагается на публичные датасеты, а собирает собственные проприетарные мультимодальные наборы. Туда входят молекулярные структуры, данные связывания с мишенями, профили безопасности и даже результаты производства.
«Данные — наше ключевое преимущество», — поясняет Пуджа Сапра. По ее словам, такой подход позволяет настраивать передовые ИИ-модели на более богатых и репрезентативных выборках. Чтобы топливо не кончалось, компания вложилась в технологии углублённого скрининга — они выдают дополнительные массивы данных в промышленных объемах.
Лаборатория как автопилот
Но просто сидеть на горе данных скучно. Поэтому в Кендалл-сквер, Кембридж, штат Массачусетс, строится «лаборатория будущего» — автономный конвейер открытий на базе ИИ и роботизированной автоматизации. Сапра сравнивает эту систему с беспилотным автомобилем: ИИ предсказывает, роботы ставят опыты, приборы собирают новые данные — и те сразу уходят обратно в модели, замыкая цикл.
Система будет автономно проводить высокопроизводительные эксперименты, генерируя тысячи молекулярных взаимодействий еженедельно. Никакой человеческой возни с пробирками — машины сами делают замеры, проверяют качество и прогоняют данные по интегрированным пайплайнам. Это ускоряет ранние этапы разработки астразенека препараты на порядок.
При этом штурвал окончательно никому не отдают. «Учёные остаются в центре процесса, обеспечивая контроль, суждения и стратегическое направление, — подчеркивает Сапра. — Они проверяют, что результаты объяснимы, безопасны и ведут к реальной пользе для пациентов». Выходит, роботы берут на себя грязную работу, а люди решают, куда плыть. Ну хоть кого-то не заменили окончательно.
Генерация лекарств с нуля: путь к de novo дизайну
Конечная цель ИИ в разработке биологических лекарств — так называемый de novo дизайн. Речь идёт о полностью ИИ-сгенерированных белковых последовательностях, которые с нуля обладают заданными свойствами: нужной структурой, безопасностью, предсказуемым поведением в организме и технологичностью производства. По словам Пуджи Сапры, руководителя направления biologics engineering в AstraZeneca, «поле движется к полностью ИИ-сгенерированному биологическому препарату, разработанному от чистого листа до клинического кандидата. По мере того как мы продолжаем использовать передовые модели и дообучать их на правильных наборах данных, мы приближаемся к этой реальности. Я верю, что это произойдёт. Это вопрос времени».
Однако путь к de novo дизайну усеян сложнейшими задачами. Одна из них — предсказание безопасности. Сапра признаёт: «Одна из самых трудных проблем в de novo дизайне — предсказать, будет ли вычислительно сгенерированная молекула безопасна в организме человека». AstraZeneca решает это с помощью того, что можно назвать виртуальными клиническими испытаниями: продвинутые клеточные системы и миниатюрные модели органов служат физическими тестовыми стендами, а ИИ учится на их выходных данных. «Эти системы способны генерировать усиленные биологические сигналы без традиционных узких мест тестирования, и они — критически недостающий элемент для замыкания цикла между ИИ-дизайном и клинически готовыми кандидатами», — добавляет Сапра.
Следующий шаг — агентные ИИ-системы, которые смогут одновременно генерировать молекулы-кандидаты и предсказывать их эффективность и безопасность. Такие автономные рабочие процессы объединят инсайты о заболеваниях напрямую с дизайном молекул, ликвидируя разрозненные хранилища данных. «Сложность биологии идёт рука об руку с дизайном молекулы», — резюмирует Сапра.
Для достижения этой цели необходимы три ключевых элемента: более богатые и стандартизированные обучающие данные по всей отрасли, надёжные бенчмарки для оценки ИИ-кандидатов и команды, умеющие работать на стыке машинного обучения и биологии. Но, по мнению Сапры, из всех предпосылок предсказание безопасности — самое важное и, пожалуй, наименее обсуждаемое.
Несмотря на всё более автономные системы, человеческий контроль остаётся в центре. «При более автономных системах человеческий надзор остаётся сердцем этого подхода — обеспечение объяснимого и этичного ИИ на благо пациентов», — говорит Сапра. Инженеры AstraZeneca проектируют системы как «партнёров по размышлению», а не «чёрные ящики». Они разрабатывают системы, которые генерируют, проверяют и обучаются на скорости. Среди задач — слияние мультимодальных данных, замкнутая оптимизация, количественная оценка неопределённости и интерпретируемость в точке принятия клинических решений.
Будущее фармацевтики — за симбиозом человека и ИИ. Искусственный интеллект не заменит учёных, но станет незаменимым инструментом, позволяющим исследовать то, что раньше казалось невозможным. Как говорит Пуджа Сапра: «Биологические препараты, которые мы можем разработать сегодня и которые мы разработаем завтра, зависят от объединения первоклассного ИИ и инженерного таланта с глубокими научными знаниями». Препарат AstraZeneca, созданный с нуля ИИ, — уже не фантастика, а вопрос времени.