ИИ помогает в поиске лекарств. Они поступят в продажу раньше, чем кажется

В феврале 2020 года команда исследователей из Массачусетского технологического института использовала искусственный интеллект для поиска средства, способного уничтожить кишечную палочку и устойчивый к антибиотикам штамм бактериальной инфекции. Полученный антибиотик получил название галицин.

Его открытие демонстрирует, с какой скоростью ИИ способен искать новые лекарства.

Ученые обучили модель на почти 2500 молекул (из которых 1700 были лекарствами, одобренными FDA, а 800 — натуральными продуктами). Как только модель была способна понимать, какие молекулы могут убивать кишечную палочку, через нее прогнали 6 тысяч соединений, включая существующие лекарства, лекарства, не прошедшие испытания, натуральные продукты и множество других соединений.

Система обнаружила галицин во много раз быстрее, чем позволяют традиционные методы.

До того, как исследователи начали применять ИИ, поиск лекарств и определение их потенциала усложнялись в первую очередь скоростью, эффективностью и стоимостью. С начала 1990-х по конец 2000-х годов процесс открытия и разработки лекарств занимал в среднем 12 лет и более. В случае с галицином команда Массачусетского технологического института использовала ИИ, который может протестировать более 100 млн химических соединений всего за несколько дней.

Технология продолжает стимулировать значительные достижения в области медицины, способна улучшить лечение пациентов и сделать его более точным. А еще она могла бы снизить затраты, что было бы жизненно важно для разработки антибиотиков, учитывая, что отчасти этот процесс тормозится из-за отсутствия интереса и стимулов на рынке.

«Тот факт, что 90% лекарств терпят неудачу в клинических условиях, говорит, что возможности для улучшения есть. Это действительно сложная система. Именно для таких систем и создано машинное обучение», — рассказывает Крис Гибсон, соучредитель и CEO биотехнологической компании Recursion.

История ИИ в медицине

Многие узнали о языковых моделях и генераторах изображений, таких как ChatGPT, Bard и Midjourney, в конце 2022 - начале 2023 годов. Однако на самом деле исследователи уже десятки лет применяют ИИ — или некоторое его подобие.

В 1965 году в Стэнфорде попытались использовать компьютерную программу для идентификации химических соединений. Проект DENDRAL считается «первым применением искусственного интеллекта к проблеме научного мышления», который проложил путь для будущего использования технологии в научном сообществе.

Почти десять лет спустя ученые из Стэнфорда продолжили разработки, создав компьютерную систему MYCIN, которая помогала медицинским работникам диагностировать бактериальные инфекции, передающиеся через кровь. Система задавала ряд вопросов о симптомах, истории болезни, результатах анализов и прочих факторах, а затем генерировала ответ, сообщающий о вероятности конкретного диагноза.

Однако подобные системы, основанная на правилах, не могли изучать новую информацию до тех пор, пока кто-то не вносил изменения вручную.

Тем не менее, в конце 1970-х и 1980-х годах несколько учреждений и ученых разработали основанные на знаниях системы искусственного интеллекта, помогающие диагностировать заболевания, включая INTERNIST-I, CASNET и QMR. Но их вряд ли можно назвать искусственным интеллектом.

Александр Жаворонков, CEO Insilico Medicine, объясняет: «Многие в отрасли скажут, что ИИ существовал десятки лет или по крайней мере более десятилетия. И они будут правы, если мы подразумеваем под ИИ любую форму машинного обучения».

Применительно к своей области – поиску лекарств с помощью ИИ - он использует более узкое определение, объясняя, что это подразумевает применение глубокого и генеративного обучения.

Глубокое обучение — это тип МО, при котором искусственные нейросети (похожие, но не совсем такие, как нейроны в нашем мозге) позволяют машине обучаться и развиваться независимо от вмешательства человека.

По его мнению, «революция глубокого обучения» произошла где-то в 2014 году, когда резко активизировались разработки в этой области и ее использование.

В 2000-е годы фармацевтические гиганты и стартапы увидели возможность ускорить разработку лекарств. В период с 2008 по 2015 годы запустились множество компаний, специализирующихся на разработке лекарств с использованием ИИ, включая Evaxion, Exscientia, Recursion, Benevolent AI и Insilico Medicine.

В 2010-е годы отрасль выросла еще больше, когда эти новые стартапы начали получать поддержку от фармакологических гигантов.

Новые открытия

По мнению ряда экспертов, недавним прорывам в поиске лекарств способствовала каталогизация биологических и химических данных.

В 2018 году DeepMind, исследовательская лаборатория ИИ при поддержке Google, разработала Alphafold, нейросеть, которая может определять структуру белка по его строительным блокам. Ее называют одним из самых важных достижений в медицинском ИИ, а результаты исследования Alphafold уже оказывают огромное влияние на разработку лекарств и вакцин.

Соединения или молекулы помещаются в химические библиотеки, например широко используемую Enamine REAL Space, которая содержит 36 млрд новых молекул. Разработчики лекарств и фармкомпании заказывают молекулы у Enamine Real, а затем оценивают, оказывает ли эта молекула желаемый эффект на изучаемый белок (структура которого известна благодаря Alphafold и другому подобному программному обеспечению).

Читайте по теме:

Цифровой двойник сможет испытать на себе лекарства и даже спасти вам жизнь

Пять барьеров, тормозящих эволюцию «интеллектуальной цифры» в медицине

Чтобы определить потенциальную пользу лекарства-кандидата, важно знать структуру белков и иметь доступ к библиотеке молекул. В случае с галицином исследователи нашли работаюзий антибиотик в библиотеке, насчитывающей всего 6 тысяч соединений.

С миллиардами точек данных это огромный потенциал для открытия лекарств, и очередные достижения смогут еще ускорить этот процесс.

Так, в рамках совместного проекта Recursion и Nvidia удалось спрогнозировать, как 36 млрд молекул-мишеней в библиотеке Enamine Real будут взаимодействовать с 80 тысячами участков связывания белков в более чем 15 тысячах белков. Recursion оценила около 2,8 квадрлн пар «лекарство-мишень», что является первым шагом к выявлению новых лекарств.

Гибсон объясняет это при помощи аналогии: молекулы-мишени — это ключи, а белковые карманы — это замки.

По его словам, каждые 15 минут лаборатория Recursion проводит столько же экспериментов, сколько он провел за 5 лет на программе PhD.

«Это все равно, что когда производство автомобилей перешло от автомобилей ручной работы — каждый из которых был отчасти кастомным — к сборочному конвейеру» — говорит он.

По словам Гибсона, все это стало возможно благодаря биологическим инструментам, роботизация и роботизации, а так же другим технологическим достижениям. ИИ просто внес решающий вклад в эти улучшения.

С чем не может справиться искусственный интеллект?

Пока системы не могут взять на себя все этапы разработки лекарств, особенно на поздних стадиях. Возвращаясь к аналогии с автомобилестроением, Гибсон объясняет, что индустрия поиска лекарств в настоящее время находится на том же уровне, на котором находилась Ford Motor Company, когда основатель Генри Форд пошутил: «Машина может быть любого цвета, если она черная».

«Мы на начальном этапе, когда некоторые из этих наборов данных обладают меньшей гибкостью, но они построены стандартизированным образом, что позволяет использовать машинное обучение», — говорит Гибсон.

В июне Insilico Medicine начала клинические испытания того, что, как сказал Жаворонков, было «первым препаратом от генеративного ИИ, который достиг клинических испытаний на людях».

Препарат INS018_055 предназначен для лечения идиопатического легочного фиброза, хронического заболевания легких, и, как сообщается, основан на мишени и дизайне, разработанным ИИ. Для создания низкомолекулярных препаратов-кандидатов Insilico даже использует в лаборатории роботов.

Обычно лекарствам-кандидатам требуется минимум 6-7 лет, чтобы пройти все необходимые испытания на людях, а первые по-настоящему созданные искусственным интеллектом лекарственные препараты-кандидаты начали появляться только около 4 лет назад.

«Именно по этой причине мы не видели на рынке лекарств, созданных с помощью искусственного интеллекта. Многие из тех лекарств, которые являются настоящими препаратами искусственного интеллекта, были созданы всего пару лет назад, поэтому у них не было времени для проведения клинических испытаний на людях. Я думаю, мы первые, у кого есть препарат, действительно созданный генеративным ИИ» — отмечает Жаворонков.

Тем не менее, пока невозможно полностью исключить людей из процесса разработки лекарств.

Остается и вопрос надежности. «Как вы можете доверять такой системе, как GPT-4, которая в одну минуту дает вам разумные ответы, а в следующую — полную ложь?» — рассуждает Сварат Чаудхури, профессор информатики Техасского университета в Остине.

Однако даже с учетом существующих ограничений эксперты видят большие перспективы в медицинском ИИ.

«Сегодня мы тратим несколько миллиардов долларов на каждую молекулу, которая входит в состав лекарства. Это непрактично, — говорит Барзилай. — По-прежнему есть множество заболеваний, от которых у нас нет хороших лекарств, или даже болезней, для лечения которых у нас есть одобренные препараты, но с многочисленными побочными эффектами».

Например, препарат для лечения рака молочной железы Тамоксифен, зачастую необходимый, имеет множество вредных побочных эффектов, включая проблемы с мозгом.

Впрочем, считает эксперт, ИИ может изменить процесс к лучшему: «Я действительно думаю, что машинное обучение должно быть частью каждого из этих процессов. И я надеюсь и верю, что через пять или 10 лет лекарства будут открывать иначе».

Источник.

Фото на обложке: DeepMind