Лекарства из машины. Как алгоритмы нейросетей придумывают новые препараты

В начале 2023 года стало известно о том, что первое найденное компьютером лекарство прошло первую фазу клинических испытаний. Хотя пока его эффективность еще ожидает подтверждения, многие специалисты надеются: в области фармацевтики грядет революция.

В последнее время внимание всего мира приковано к чат-ботам с искусственным интеллектом (ИИ) — например, к ChatGPT от OpenAI. Но, похоже, прямо сейчас происходит и другая революция, связанная с ИИ. Речь идет об использовании машинного обучения для поиска новых лекарств. В последнее время в этой области наметились реальные перспективы.

В январе 2023 года биотехнологическая компания Insilico Medicine объявила о том, что ее препарат, открытый искусственным интеллектом, прошел первую фазу клинических испытаний. Подобные разработки ведут несколько компаний по всему миру, но такой результат "таблетки из машины" показали впервые.

Разработка буксует

Создание нового лекарства — процесс крайне долгий и затратный. Специалистам нужно не просто найти химическое соединение, нацеленное на конкретную мишень в организме, но и протестировать его. На любом этапе испытаний может возникнуть проблема. Например, препарат исправно действует на мишень в пробирке, но не в организме человека. Или вызывает побочные эффекты. Или эффект оказывается выраженным только у животных.

Сложность человеческой биологии делает разработку лекарств астрономически дорогой. Еще в 1980-х годах ученые заметили, что стоимость фармацевтических исследований и разработок удваивалась каждые десять лет или около того. Позже этот эффект назвали законом Эрума (Eroom's law). Это была отсылка к известному "закону Мура" (Moore's law), который гласит, что вычислительные мощности компьютеров растут экспоненциально. Только в случае лекарств все было наоборот (отсюда и Eroom — зеркальное отражение Moore). Чем дальше — тем сложнее и дороже было находить новые препараты.

"Число малых молекул составляет 10 в 60-й степени, но лишь крошечная часть этого астрономически большого химического пространства исследована, — объясняет биоинформатик из Гарвардской медицинской школы Маринка Зитник. — Разработать с нуля лекарство, которое было бы одновременно безопасным и эффективным, невероятно сложно. В среднем на это уходит от 11 до 16 лет и от $1 млрд до $2 млрд".

Машинные алгоритмы могу взять на себя часть работы: определить, какие из молекул с наибольшей вероятностью окажутся безопасными и эффективными для лечения человека. Благодаря своей способности находить паттерны (общие для многих объектов черты) алгоритмы "просеивают" огромные объемы биохимических данных. Они могут опираться на данные секвенирования генома, анализы и данные о действии других молекул.

В конечном счете, по ожиданиям разработчиков, это позволит если не передать машинному интеллекту всю работу по поиску лекарств, то хотя бы снизить стоимость и сократить сроки.

"Переварить" данные, чтобы понять суть

Компанию Insilico Medicine основали в 2014 году ученые-исследователи из России Александр Жаворонков и Александр Алипер. В то время системы глубокого обучения только начали показывать значимые результаты в распознавании изображений. Прорывы вызвали всплеск интереса к ИИ, но большинство проектов были сосредоточены на изображениях, голосе и тексте. В биологии задачи были гораздо более сложными и трудоемкими.

Сейчас главная разработка Insilico касается молекулы, которая лечит идиопатический легочный фиброз (ИЛФ). Причины его возникновения до конца не известны (отсюда и слово "идиопатический", то есть возникающий самостоятельно, без связи с другими состояниями), но он делает ткани легких пожилых людей жесткими и в конечном итоге может убить их. Ежегодно им заболевают пять миллионов человек.

Insilico использует два отдельных пакета программного обеспечения: один — чтобы найти новую мишень для лекарств, и второй — чтобы предложить молекулу, которая бы эффективно воздействовала на эту мишень. Первая нейросеть, названная PandaOmics, выявляет биомаркеры фиброза в легких по данным обследований. Также на помощь приходит анализ врачебных записей — чтобы найти дополнительные подсказки.

Когда первая программа останавливается на конкретной мишени, подключается другая — Chemistry42. Сначала исследователи "предлагают" ей для обучения большой объем различных молекул с определенными свойствами. А дальше программа сама генерирует молекулы с желаемыми свойствами. На последнем этапе отсеиваются структуры, которые не соответствуют критериям качества.

Путь к прорывам только начинается

Молекула INS018_055, найденная нейросетью, должна избирательно блокировать работу ферментов из семейства тирозинкиназ. По одной из версий, именно они отвечают за развитие идиопатического легочного фиброза. Ученые синтезировали это вещество и успешно проверили его эффективность в опытах на мышах и других модельных животных.

Первая фаза клинических испытаний — это уже переход к тестированию на людях. Препарат уже получили около 80 добровольцев из Новой Зеландии — и перенесли его хорошо. Но пока это только проверка безопасности. Фазы II и III проверяют эффективность — сначала на небольшой выборке из нескольких сотен человек, а затем на более крупной выборке из тысяч участников. Они стартуют в ближайшие месяцы.

Insilico — не единственный стартап подобного рода. Так, британская компания Exscientia попала в заголовки газет в 2021 года, объявив о начале первой фазы клинических испытаний препарата, разработанного с использованием ИИ для иммунотерапии рака. А компания Recursion Pharmaceuticals из штата Юта (США) использует искусственный интеллект для поиска новых применений лекарств, принадлежащих другим компаниям.

Если судить по других областям, где ИИ активно развивается, в ближайшие годы можно ожидать взрывного роста подобных исследований. Впрочем, могут появиться и новые сложности, о которым мы пока не знаем.

Источник