В декабре издание The Conversation провело вебинар о революционной роли ИИ в открытии и разработке лекарств.
Редактор по науке и технологиям Эрик Смалли взял интервью у Джеффри Сколника, выдающегося специалиста по вычислительной системной биологии в Технологическом институте Джорджии, и Бенджамина П. Брауна, доцента фармакологии в Университете Вандербильта.
Скольник разработал подходы на основе ИИ для прогнозирования структуры и функции белков, которые могут помочь в поиске новых лекарств и нахождении новых применений уже существующим препаратам. Лаборатория Брауна работает над созданием новых компьютерных моделей, которые делают процесс открытия лекарств более быстрым и надежным. Ниже представлена сокращенная и отредактированная версия интервью.
Начнем с общей картины. Как ИИ меняет биомедицинские исследования и открытие лекарств, и о каком потенциале мы говорим?
Скольник: Потенциальные выгоды очень велики. Одна из самых неприятных особенностей открытия лекарств заключается в том, что, несмотря на невероятный интеллект и отличную работу исследователей, успех очень низок. Примерно у 1 из 5 лекарств негативные последствия для здоровья перевешивают пользу. А из тех, что проходят испытания, около половины просто не работают.
В разработке лекарств есть несколько ключевых проблем: можно ли предсказать, какая мишень вызывает конкретное заболевание? Как только мишень определена, как гарантировать, что лекарство сработает и не убьет вас заодно?
Это нерешенные проблемы, в решении которых ИИ может сыграть важную роль, хотя и не давая стопроцентной гарантии. В отличие от нас, ИИ может проанализировать практически все доступные знания. В хороший день он устанавливает прочные и истинные связи, которые мы называем «озарениями», а в плохой — «галлюцинирует», видя то, чего нет.
В конце концов, от многих болезней нет лекарства. Большинство заболеваний просто поддерживаются в контролируемом состоянии. Лечение рака может продлить жизнь на пять лет, но затем вы перепробовали все стандартные препараты. ИИ может предложить альтернативы там, где их больше нет.
Давайте дадим базовые определения. Под словом «лекарство» мы подразумеваем широкий спектр терапий. Можете объяснить этот спектр: малые молекулы, биопрепараты, генная терапия, клеточная терапия?
Браун: В нашем теле есть довольно крупные молекулы, называемые белками. Они подобны машинам, которые выполняют определенные функции и взаимодействуют друг с другом. Часто, пытаясь вылечить болезнь, мы пытаемся изменить функции конкретных белков. Многие лекарства, такие как аспирин и тайленол, являются малыми молекулами, которые могут поместиться в белок и изменить его функцию. В целом, лекарства не обязательно должны взаимодействовать только с белками, но это основной способ действия нашего текущего арсенала препаратов.
Существуют также белки, которые действуют как лекарства, например антитела. Когда вы получаете вакцину от вируса, вашему организму даются инструкции по выработке антител. Эти антитела нацелены на какую-то часть вируса. Ваше тело создает эти большие молекулы, чтобы взаимодействовать с чужеродными белками иначе. Генная терапия — это еще более серьезный шаг.
Таким образом, эти типы лекарств — малые молекулы, белки, антитела или гены — очень разные. У них разные масштабы и правила, поэтому подходы к их разработке сильно различаются.
Можете кратко объяснить, что такое искусственные нейронные сети и что означает «глубокое» в глубоком обучении?
Сколинк: AlphaFold, разработанный DeepMind, основан на понимании работы нейронных сетей. Они построили сеть со множеством входов (стимулов) и выходов с разными весами, примерно так, как работает ваш мозг. Эти простые связи (нейроны) обладают обучением с подкреплением.
Они также создали сложные нейронные сети, такие как трансформеры, которые выполняют определенные функции, подобно специализированным инструментам, способным обучаться, и добавили механизм «внимания», который усиливает критические детали. Супернейронные сети с трансформерами — это то, что мы называем глубоким обучением. В них сейчас буквально миллиарды, если не триллионы параметров.
По сути, эти машины могут обучаться корреляциям высокого порядка между событиями — то есть паттернам условных взаимодействий, которые зависят от свойств множества вещей одновременно. В этих корреляциях высокого порядка ИИ может увидеть ранее неизвестные вещи, скрытые в петабайтах биологических данных.
AlphaFold, который предсказывает трехмерные биоактивные формы белка, использует миллионы последовательностей и сотни тысяч структур. Он может подсказать, какую малую молекулу разработать, чтобы она прилипла к белку и вызвала какой-либо структурный сдвиг.
Как эта технология используется в биомедицинских исследованиях для понимания молекулярной динамики или, по сути, биологических процессов, связанных со здоровьем и болезнями?
Браун: В 2013 году была присуждена Нобелевская премия за моделирование молекулярной динамики — вычислительные инструменты, помогающие понять движение молекул в соответствии с законами физики. Вокруг этих идей выстроен огромный объем научных исследований.
Сейчас ИИ и глубокое обучение на пике популярности, но стоит отметить, что последние 15 лет люди использовали гораздо меньшие алгоритмы машинного обучения для разработки лекарств. Многие идеи, такие как виртуальный скрининг, не новы и применяются уже давно.
Благодаря технологиям AlphaFold, которые помогают разрабатывать белки и предсказывать их структуру, мы изменили подход ко многим из этих проблем. У нас появился новый арсенал методов, чтобы строить идеи и начинать думать об открытии лекарств.
С точки зрения масштаба изменений, что дала сегодняшняя технология ИИ за последние 20 лет?
Сколинк: Многие заболевания, такие как рак, вызываются совокупностью неисправных белков. ИИ теперь позволяет нам начать концептуально думать о том, как эти заболевания организованы и связаны друг с другом.
Болезни имеют тенденцию возникать вместе. Например, если у вас гипертиреоз, велика вероятность развития болезни Альцгеймера. Странно, правда? Мы можем рассматривать фрагменты, но ИИ может проанализировать всю информацию, интегрировать коллективное поведение и затем определить общие движущие силы. Это позволяет построить взаимосвязи заболеваний, что открывает возможность создания широкоспектральных методов лечения целых групп болезней, а не узконаправленных.
Связано с этим и то, что ИИ может помочь нам понять траектории развития заболеваний. Болезни, которые имеют тенденцию возникать вместе, часто проявляются последовательно. Болезнь 1 ведет к болезни 2, та — к болезни 3. Это говорит о том, что если вернуться к корню — болезни 1, возможно, удастся остановить целую цепочку. Вы не можете анализировать миллионы траекторий и миллионов данных без инструмента, поэтому раньше это было невозможно.
Это сулит большие перспективы, но нужно быть осторожным, чтобы не обещать слишком много. ИИ поможет, ускорит процесс, но он пока не замена реальным экспериментам, клиническим валидациям и испытаниям.
За оптимистичными заявлениями Сколинка и Брауна скрывается жесткая реальность фармацевтической индустрии. Разработка нового лекарства занимает в среднем 10–15 лет и стоит более 2,6 миллиарда долларов. 90% кандидатов отсеиваются на клинических испытаниях. ИИ обещает сократить время и затраты, но пока что его главный вклад — это ускорение самых ранних этапов: поиска мишеней и виртуального скрининга миллионов молекул.
Однако проблема «галлюцинаций» (когда ИИ выдает убедительную, но ложную информацию) остается критической. В медицине цена ошибки — человеческая жизнь. Именно поэтому ни один серьезный регулятор (FDA, EMA) пока не одобрил лекарство, полностью разработанное ИИ без участия человека. Самый продвинутый проект — препарат INS018_055 от Insilico Medicine для лечения идиопатического легочного фиброза — дошел до второй фазы испытаний, но окончательные результаты еще не опубликованы.
Есть и другая проблема — «черный ящик» нейросетей. Даже если AlphaFold предсказывает структуру белка с высокой точностью, он не объясняет, почему он пришел к такому выводу. Для ученых, привыкших к механистическому пониманию, это создает дискомфорт. Можно ли доверять предсказанию, если вы не понимаете логику? Это порождает новое направление — «объяснимый ИИ» (XAI), но оно пока в зачаточном состоянии.
Тем не менее, Сколинк видит будущее в гибридных подходах: ИИ генерирует гипотезы и сужает круг поиска, а человек проводит эксперименты и клинические испытания. «ИИ не заменит ученого, — говорит он. — Но ученый, использующий ИИ, заменит того, кто его не использует».
Особенно интересна идея «широкоспектральных» лекарств. Вместо того чтобы искать молекулу против одного белка, ИИ может найти общий путь для целой группы заболеваний. Например, противовоспалительный эффект может быть полезен при артрите, болезни Крона и даже некоторых видах рака. Такие препараты-«блокбастеры» — мечта фармкомпаний, потому что они окупаются быстрее.
Браун добавляет, что ИИ уже меняет культуру исследований. Многие лаборатории переходят от «ручного» скрининга тысяч соединений к виртуальным библиотекам из миллиардов молекул. Deep learning позволяет моделировать взаимодействия, которые раньше были недоступны из-за вычислительной сложности. Но, как предупреждает Браун, «модель — это не реальность». Предсказание ИИ — это отправная точка, а не финальный диагноз.
Ближайшие годы станут решающими. Если ИИ поможет вывести на рынок хотя бы одно новое лекарство — это откроет шлюз для инвестиций. Если же череду громких провалов (как было с IBM Watson в онкологии), интерес может угаснуть. Но пока что фармацевтические гиганты, включая Pfizer, Novartis и Roche, вкладывают миллиарды в ИИ-стартапы. Ставка слишком высока: следующее чудо-лекарство может родиться не в пробирке, а в кремниевом чипе. Вопрос лишь в том, сможем ли мы отличить настоящий прорыв от очередной галлюцинации нейросети.
Поделитесь в вашей соцсети👇
Ваш комментарий