Традиционно процесс поиска и разработки новых лекарств занимает 12–15 лет и требует колоссальных затрат (по оценкам, десять из десяти кандидатов погибают на пути к одобрению, а финальная стадия обходится в миллиарды долларов). В ответ фармкомпании всё активнее внедряют современные технологии – в первую очередь алгоритмы машинного обучения. Уже сегодня большие корпорации сотрудничают со стартапами и IT-гигантами, чтобы сократить доклинические этапы. По данным экспертов, большинство таких проектов сосредоточено в приоритетных отраслях – онкологии, редких генетических и аутоиммунных заболеваниях. Например, Sanofi инвестировал до 1,2 млрд долл. в сотрудничество с Insilico Medicine – AI-платформой для поиска новых соединений, а Novartis заключил сделку с фирмой Isomorphic Labs (подразделением Google DeepMind) для использования нейросети AlphaFold в дизайне белков. AstraZeneca готова выделить до 600 млн долл. на разработку маломолекулярных препаратов совместно с BenevolentAI. В США геномные стартапы Recursion и Genesis Therapeutics, а также Hong Kong–компания Insilico и британская Relay Therapeutics уже привлекают миллионы инвестиций в свои AI-решения.
По мнению Алексея Николаевича Чернякова, кандидата философских наук, доцента кафедры информационных технологий Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации, искусственный интеллект выступает «долгожданным инструментом, способным в разы сократить» сроки поиска новых соединений. Это подтверждает практический опыт: стартап Insilico Medicine недавно представил препарат-кандидат для лечения идиопатического легочного фиброза, полностью разработанный с помощью генеративных моделей искусственного интеллекта (ИИ). На доклиническом этапе этот кандидат прошёл фазу I всего за два года (обычно подобные этапы занимают около 6 лет) потратив в три раза меньшие чем при традиционном подходе, на него бы ушло примерно 400 млн долларов.
Мировые стартапы и технологические фирмы создают решения, которые позволяют биотехнологических компаний эффективно решать свои задачи. Так, платформа Insilico Pharma.AI включает инструменты PandaOmics (для быстрого определения приоритетных белковых мишеней) и Chemistry42 (для генерации новых молекул). Её успехи не остались незамеченными: помимо сделки с Sanofi, эта компания показала, что ИИ действительно способен выводить «первое в своём классе» лекарство – ингибитор белка TNIK – на стадии клинических испытаний за рекордно короткое время. Американская компания Recursion разрабатывает ИИ для аналитики биомедицинских данных на основе скрининга клеточных образцов. Еще одним примером является британская компания BenevolentAI, которая интегрировала биомаркеры для биомедицинской аналитики. Компания Insitro (США) вместе с Bristol Myers Squibb анализирует генетические и клинические базы данных для поиска новых биологических мишеней и лекарств для нейродегенеративных заболеваниях.
В России также реализуются подобные проекты. Учёные Института искусственного интеллекта AIRI разработали инструмент SEMA, который подсказывает возможные участки связывания антител с вирусными белками и помог создать улучшенные модификации вакцины «Спутник V» против штаммов «Дельта» и «Омикрон». Совместный проект Сколтеха, МГУ и НТУ «Сириус» – платформа Syntelly – использует ИИ для генерации синтетических молекул и уже ускоряет разработку «абсолютно новых» лекарств (в норме такой цикл занимал бы до десяти лет). Ещё один пример – Федеральный исследовательский центр биотехнологии РАН: с помощью алгоритмов было отобрано пять наиболее перспективных кандидатов для препарата от жёлтой лихорадки. Эти отечественные кейсы демонстрируют, что нейросети способны выявлять ранее неизвестные связи и варианты молекул, заметно расширяя традиционные возможности фармакологии.
Сейчас практически каждое новое молекулярное соединение тестируется в виртуальных моделях. ИИ уже позволяет прогнозировать некоторые аспекты активности молекул, выявлять потенциальные токсичности и даже предсказывать фармакокинетику препаратов. Ведущие учёные особо отмечают амбициозную задачу следующего этапа: создать модели, которые смогут имитировать фармакокинетику и фармакодинамику в организме человека на основе лишь ранних лабораторных данных. Достижение этой цели кардинально изменит весь процесс исследований и разработки. Вместо многолетних многоступенчатых клинических испытаний компании смогут более точно и быстро прогнозировать эффективность и безопасность лекарств, снижая число «случаев недовыполнения» и ускоряя выход инноваций на рынок.
Таким образом, ИИ-инструменты уже начинают изменять основы разработки лекарств. По мере накопления данных и совершенствования нейросетевых моделей, происходит активная интеграция во все этапы фармацевтических исследований – от дизайна молекулы до подбора пациентов для испытаний. Возможно, в ближайшие годы такая трансформация позволит фармкомпаниям не только ощутимо сократить расходы на исследования и разработку, но и добиться большей точности в прогнозировании эффективности новых препаратов. Этот синергетический союз биологии и ИИ обещает качественно ускорить появление эффективных и безопасных лекарств, что выгодно и науке, и обществу в целом.
По мнению Алексея Чернякова, подобный подход открывает принципиально новые горизонты в фармацевтике, обеспечивая быстрый поиск новых лекарств и более надёжный прогноз их клинического действия.