Як AI допомагає вченим створювати наступне покоління ліків
Поглиблений аналіз MIT Technology Review показує, як штучний інтелект трансформує процес відкриття ліків — від прогнозування структури білків до клінічних випробувань.
AI у відкритті ліків: як штучний інтелект змінює майбутнє медицини
Створення нового лікарського засобу — одне з найскладніших і найдорожчих наукових завдань. У середньому, розробка одного медикаменту потребує 10–15 років і мільярдів доларів — і все одно більшість кандидатів так і не досягають пацієнтів. Особливо складно це в біологічних препаратів — терапій на основі білків, які використовуються для лікування імунних та онкологічних захворювань. Саме в цій сфері штучний інтелект здійснює революцію.
Аналіз MIT Technology Review, підготовлений у співпраці з науковцями AstraZeneca, демонструє, як AI змінює процес відкриття ліків — від прогнозування структури білків до автономних лабораторних систем. За оцінками McKinsey, генеративний AI та інші обчислювальні інструменти здатні скоротити час відкриття ліків до 50%, що означає економію десятків мільярдів доларів для фармацевтичної індустрії та, що найважливіше, значно підвищує шанси пацієнтів на виживання.
Прорив AlphaFold: від прогнозування структури до дизайну білків
Одним із найбільших проривів AI у відкритті ліків став AlphaFold від DeepMind — програма, яка вирішила проблему прогнозування тривимірної структури білків. Ця проблема протягом 50 років вважалася одним із найскладніших викликів біології. AlphaFold не лише прискорив дослідження, але й створив основу, на яку сьогодні спирається дизайн ліків на основі AI.
Після AlphaFold з'явилося нове покоління моделей — RFdiffusion, ProteinMPNN та інші дифузійні моделі, які генерують повністю нові структури білків. Це означає, що вчені можуть не лише аналізувати існуючі білки, але й проєктувати абсолютно нові білки, спрямовані на конкретні захворювання.
Вже сьогодні дослідники за допомогою цих моделей створили білки, які з високою афінністю зв'язуються з конкретними мішенями, спроєктували стабільні білкові каркаси для доставки ліків і створили ферменти для промислового використання. Відстань між обчислювальним прогнозом та експериментальною валідацією стрімко скорочується, що свідчить про те, що повністю AI-орієнтований дизайн ліків стає реальністю.
Цикл «Build-Measure-Learn»: інтеграція AI в лабораторні процеси
Підхід AstraZeneca, описаний у статті MIT Technology Review, базується на циклі build-measure-learn (будуй-вимірюй-навчайся). AI генерує або сортує кандидатні молекули обчислювальними методами, прогнозує, який дизайн є найперспективнішим, а потім учені зосереджують лабораторні ресурси лише на найкращих кандидатах.
«Усе, що ми робимо — дизайн, створення, тестування чи аналіз — тепер посилено обчислювальними методами», — каже Пуя Сапра, старший віце-президент з R&D біологічної інженерії AstraZeneca. «Час циклу скорочується, а продуктивність та інновації зростають.»
Цей підхід створює більш тісний цикл зворотного зв'язку, менше тупикових напрямків, швидшу ітерацію та можливість досягати тих цілей захворювань, які раніше вважалися неможливими для лікування.
Дизайн мультиспецифічних біологічних препаратів: одночасне ураження кількох цілей
Традиційні біологічні препарати зазвичай діють на один механізм захворювання. Однак наступне покоління ліків зможе одночасно впливати на кілька цілей або доставляти терапевтичні компоненти точно в конкретні клітини. Управління такою складністю перевищує людські можливості — потрібна одночасна оптимізація тисяч змінних. Саме тут на допомогу приходить AI.
Моделі AI допомагають визначити, які дві чи три цілі мають бути пріоритетними, а потім оптимізують безліч параметрів — ефективність молекули, стабільність, можливість виробництва та безпеку.
«Лікування непереможних мішеней стає реальністю», — заявляє Сапра. «Ці технології зрештою дозволять нам створювати ліки проти цілей, які раніше вважалися недосяжними.»
Перевага даних: чому якісні біологічні дані мають значення
Будь-яка модель AI настільки хороша, наскільки хороші її навчальні дані. У відкритті ліків це означає наявність великого обсягу високоякісних біологічних даних. Бази даних AstraZeneca включають молекулярні структури, вимірювання зв'язування, профілі безпеки та результати виробництва.
«Дані — наша відмінна риса», — пояснює Сапра. «Ми створили цілеспрямовано диверсифікований портфель у багатьох напрямках захворювань. Ці дані дозволяють нам точно налаштовувати передові моделі AI з більш багатими та репрезентативними навчальними наборами.»
Важливо, що кожен експеримент — успішний чи невдалий — генерує сигнал про те, що працює, а що ні. Ці дані живлять моделі AI, постійно їх покращуючи.
Автономна лабораторія: AI + роботи як замкнута система відкриттів
AstraZeneca будує «лабораторію майбутнього» в Кембриджі, Массачусетс, де AI та роботизована автоматизація створюють безперервний замкнутий цикл для відкриття ліків. «Як безпілотний автомобіль використовує сенсори та моделі для навігації в середовищі, ця система використовує AI для прогнозування, роботизовані системи — для виконання експериментів, а інструменти — для генерації даних», — пояснює Сапра.
Дані безпосередньо повертаються до моделей, прискорюючи кожен наступний цикл. Зрештою, автоматизовані високопродуктивні системи зможуть оцінювати тисячі молекулярних взаємодій на тиждень — масштаб, недосяжний для традиційних методів.
De Novo дизайн: ліки, створені AI з нуля
Кінцеве бачення — генерація AI повністю нових послідовностей білків, які точно відповідають бажаним терапевтичним властивостям. Це включає дизайн структури, прогнозування безпеки, моделювання поведінки в організмі та оцінку можливості виробництва.
«Сфера досягає значного прогресу на шляху до повністю AI-генерованого біологічного препарату, створеного від початку до кінця — з нуля до клінічного кандидата», — каже Сапра. «Я вірю, що це станеться. Це питання часу.»
Однак шлях складний. Одна з найважчих проблем у de novo дизайні — прогнозування, чи буде обчислювально згенерована молекула безпечною в організмі людини. AstraZeneca вирішує цю проблему за допомогою віртуальних клінічних випробувань — передових клітинних систем і моделей мікроорганів, які працюють разом з AI.
Людина + AI: майбутнє співпраці
Незважаючи на всі технологічні досягнення, вчені залишаються в центрі процесу. «Навіть в умовах автономних систем людський нагляд залишається серцем цього підходу — для забезпечення етичного та зрозумілого AI на користь пацієнтів», — наголошує Сапра.
Інженери створюють системи, які діють як «партнери мислення», а не чорні скриньки. Це включає злиття мультимодальних даних, оптимізацію замкнутого циклу, кількісну оцінку невизначеності та інтерпретованість на рівні клінічних рішень.
Сьогодні AI — це вже не просто інструмент, а фундаментальна частина інфраструктури відкриття ліків. Як показує аналіз MIT Technology Review, трансформація на перетині AI та біології змінить обличчя медицини так, як ніколи раніше — і це лише початок.