Лауреат «Нобеля»: Як АІ створив антибіотик за тиждень замість 12 років та здійснив прорив у медицині
Про революцію ML у сфері виробництва ліків
Розробка одного нового лікарського препарату коштує приблизно $2,5 млрд і займає понад 10 років досліджень. До того ж лише 1 з 5 препаратів окупає інвестиції. Машинне навчання застосовують майже на кожному етапі розробки препарату.
В цій статті поговоримо про те, як ML та АІ змінюють цю індустрію, пришвидшують розробку і дозволяють швидше тестувати те, на що йшли б роки мануального тестування.
Пошук причини
Щоб дізнатись, як лікувати захворювання, потрібно встановити його причину, які системи організму воно зачіпає та як тіло відповідає на загрозу. Сьогодні точно відомі причини майже всіх інфекційних захворювань, вивчені їхні збудники, розроблені ліки. Набагато складніша ситуація з неінфекційними хворобами — раком, гіпертонією, цукровим діабетом.
В організмі людини може бути від 10 тис. до кількох мільярдів різних білків. Вивчення функцій та взаємодій навіть невеликої їхньої кількості дозволило визначити білки, які відіграють ключову роль у підвищенні тиску або температури. Більшість ліків — це низькомолекулярні речовини, які міцно блокують певний білок в організмі людини. Творці препаратів спочатку обирають ціль — ключовий білок, а потім шукають молекулу, здатну його заблокувати. Такий білок ще називають мішенню, а весь процес — drug design.
Ключовий фактор успіху — наявність тривимірної структури білка-мішені. Складнощі виникають уже на цьому етапі. Якщо з визначенням послідовності амінокислот усе просто (дізнаємося послідовність ДНК гена, потім обчислюємо послідовність амінокислот), то визначення просторової укладки білка — далеко не тривіальний процес. Сучасні методи у вигляді рентгеноструктурного аналізу, ЯМР-спектроскопії та електронної мікроскопії складні в реалізації та вимагають дорогого обладнання.
Революція AlphaFold: від 2 до 3
У 2020 році алгоритм AlphaFold 2 від DeepMind здійснив прорив у біології, досягнувши точності у 92 бали зі 100 на конкурсі CASP. Програма навчилася будувати точні тривимірні моделі білків, базуючись лише на послідовності амінокислот, що раніше вважалося однією з найскладніших задач науки.
Представлений у 2024 році AlphaFold 3 отримав нову дифузійну архітектуру, яка дозволила вийти за межі окремих білків. Тепер система моделює складні взаємодії з ДНК, РНК та іншими молекулами, демонструючи на 50% вищу точність прогнозування порівняно з наявними методами. Тобто простими словами: інструмент передбачає, як виглядає білок. А надалі це ключ до розуміння того, як працюють хвороби та як на них впливати.
За це досягнення у жовтні 2024 року Деміс Хассабіс та Джон Джампер отримали Нобелівську премію з хімії. Це стало першим визнанням штучного інтелекту на такому високому науковому рівні. Сьогодні база даних AlphaFold містить понад 200 млн структур, допомагаючи мільйонам дослідників у світі боротися з хворобами й створювати стійкі сільськогосподарські культури.
Джерело: Fortune
На YouTube є чудове відео від Veritasium, яке пояснює всю значущість AlphaFold і те, чому це відкриття називають найкориснішою річчю, яку міг створити АІ.
Скринінг ліків: коли ШІ швидший за людину
Тестування лікарських препаратів займає близько 10 років. Фармкомпанії аналізують реакцію мільйонів сполук та відбирають кілька десятків, які братимуть участь у випробуваннях. Однак цю фазу теж можна прискорити.
До прикладу, стартап Exscientia використовує власну платформу машинного навчання Centaur Chemist для пошуку лікарських препаратів, яка знаходить діючі речовини швидше за людину. В одному з прикладів роботи Exscientia компанія займалася дослідженням для іншої — Sumitomo Dainippon Pharma. Потрібно було знайти речовину, яка впливатиме одразу на два білки типу GPCR. За рік Centaur Chemist підібрав 400 кандидатів.
Так знайшли DSP-1181 — препарат, який застосовуватимуть для пацієнтів з обсесивно-компульсивним розладом. Його називають першими ліками, створеними ШІ. Препарат успішно пройшов фазу клінічних випробувань на тваринах і розпочав клінічне випробування у фазі I.
Ще більш дивовижний приклад — від компанії Insilico Medicine. У 2024–2025 роках вона отримала позитивні результати фази IIa для свого інгібітора TNIK, ISM001-055 (рентозертибу) при ідіопатичному легеневому фіброзі. Це перший препарат, повністю створений штучним інтелектом, який увійшов у фазу IIa клінічних випробувань. Що відрізняє цей підхід — безшовна інтеграція відкриття мішені на основі ШІ та генерації молекул-кандидатів у замкнений цикл.
З 2016 по 2023 було понад 500 заявок до FDA з компонентами ШІ, а клінічні випробування з ШІ лідирують за кількістю публікацій, становлячи 72% прогнозованих публікацій у 2024 році.
Тестування клітин: від «пробірки» до персоналізованої медицини
Дев'ять із десяти лікарських препаратів не проходять клінічні випробування. Вони або занадто токсичні, або неефективні для людей. Щоб скоротити кількість спроб, фармацевтика займається конструюванням ліків — drug design.
До прикладу, дослідники фармацевтичної компанії Berg застосували власну баєсівську мережу bAIcis для точнішої розробки ліків. Компанія проводить тести на хворих і здорових клітинах пацієнтів, а потім моделює хворі клітини, регулюючи рівень цукру або кисню.
Так вчені бачать зміни в метаболізмі або білкових структурах і розуміють, які фактори впливають на утворення хвороб. bAIcis також використовує генетичні дані пацієнтів, об'єднуючи їх у систему для пошуку взаємозв'язків між спадковою схильністю до хвороб та біомаркерами в клітинах.
Прогнозування побічних ефектів та боротьба з супербактеріями
Гарвардська медична школа разом із фармацевтичною компанією Novartis створили нейромережу, що аналізує зв'язок між побічними ефектами та видами білків, на які найчастіше діють препарати. Для навчання нейромережі об'єднали дві великі бази даних:
- Один набір від Novartis з інформацією про 2 тис. препаратів та взаємодію з білками
- Інший — 600 тис. звернень у лікарні з приводу побічних реакцій.
Галіцин: антибіотик, знайдений ШІ
Бактерії швидко адаптуються до ліків, які ми використовуємо. Їхня несприйнятливість до наявних антибіотиків (резистентність) призводить до того, що ліки більше не діють. Резистентні до багатьох антибіотиків бактерії ще називають супербактеріями.
Галіцин — це потужний антибіотик-кандидат широкого спектра дії, перевідкритий дослідниками Массачусетського технологічного інституту за допомогою спеціальної ML-моделі. Вчені з MIT навчили її на 2,3 тис. молекул, хімічну структуру яких записали у вигляді чисел. Під час навчання нейромережу тренували знаходити речовини, які надають антимікробну дію.
Після цього дослідники завантажили в нейромережу дані про 100 млн молекул, майже всі з яких ніколи раніше не використовувалися для пошуку антибіотиків. ШІ знайшов молекулу під назвою галіцин, яка виявилася здатною нейтралізувати багато штамів бактерій, включно з резистентними до інших видів антибіотиків, завдяки незвичному механізму дії, що передбачає секвестрацію заліза всередині бактеріальних клітин.
У липні 2025 року були опубліковані нові дослідження, які підтверджують потенціал галіцину як нового антимікробного засобу для лікування інфекцій, викликаних антибіотикорезистентними бактеріями.
Важливо відзначити, що традиційний підхід міг зайняти до 12 років для відкриття антибіотика і додаткові 3–6 років для пошуку життєздатного клінічного кандидата, а кожен препарат потребував би близько $1–2 млрд під час свого розвитку. У випадку галіцину процес ідентифікації був завершений за кілька днів-тижнів завдяки можливостям алгоритмів ШІ.
