Разработка нового лекарства сегодня похожа на лотерею с астрономическими ставками: около 90% кандидатов проваливаются в клинических испытаниях, а стоимость вывода одного успешного препарата на рынок давно перешагнула отметку в $2,6–2,8 млрд. Главные причины — непредсказуемая токсичность и неэффективность, которые не удается выявить на ранних этапах. Однако отрасль стоит на пороге тектонического сдвига. Искусственный интеллект, органоиды человека и принципиально новый подход к моделированию молекул объединяются, чтобы сократить сроки, снизить затраты и, самое главное, спасти жизни.

Ключ к движущемуся замку: ИИ против «индуцированного соответствия»

Одна из главных проблем традиционного дизайна лекарств — статичность. Компьютеры обычно проектируют молекулу («ключ») под неподвижный белок («замок»). Но в реальности белки постоянно колеблются и меняют форму при контакте с веществом (эффект «индуцированного соответствия»). Ученые Медицинской школы Университета Вирджинии решили эту проблему в корне.

Они создали набор инструментов на основе ИИ YuelDesign, который использует передовые диффузионные модели (как в генераторах изображений, но для молекул).

«Наш ИИ создает ключ, пока замок движется, поэтому он подходит гораздо лучше», — объясняет руководитель разработки Николай В. Дохолян. «Это может реально изменить ситуацию для пациентов с раком и неврологическими расстройствами».

Вспомогательные инструменты YuelPocket (находит место связывания на белке) и YuelBond (обеспечивает точность химических связей) делают процесс комплексным. В тестах с белком CDK2, связанным с раком, только YuelDesign смог учесть критические структурные изменения. По сути, американские ученые первыми предложили ИИ, который проектирует лекарство в динамике, а не по фотографии.

Взгляд с другой стороны: предсказание взаимодействий с точностью 95%

Пока одни создают лекарства, другие учатся предсказывать, как белки общаются друг с другом — ведь нарушения этих связей лежат в основе болезней. Ученые НИУ ВШЭ (Россия) разработали модель GSMFormer-PPI, которая предсказывает взаимодействие белков с точностью до 95,7%.

Ее уникальность в том, что она анализирует белок сразу на трех уровнях: аминокислотная последовательность, 3D-структура и поверхность молекулы (ключевая область «узнавания»). В отличие от популярных графовых сетей (GCN/GAT), российская модель использует трансформерную архитектуру, которая находит скрытые связи между разными характеристиками. Исследователи подчеркивают: для точного прогноза критически важны все три источника данных.

Как не убить печень: органоиды и ИИ с точностью 90%

Даже идеально спроектированная молекула может убить пациента из-за токсичности. Лекарственно-индуцированное поражение печени — причина более 20% провалов на поздних стадиях. Традиционные тесты на животных часто лгут: у мышей препарат безопасен, у людей — вызывает отказ органа.

Университет Мичигана и стартап TorchBio нашли выход: органоиды печени человека, выращенные из стволовых клеток пациентов, которые реально пережили токсическое поражение. Эти миниатюрные 3D-ткани метаболизируют лекарства как настоящая печень.

Но главное — масштаб. Роботы создают миллионы изображений органоидов, на которых модели ИИ учатся распознавать токсичность. Результат ошеломляет:

• Точность прогноза — около 90% (против 50% у старых методов).

• Скорость — 20 000 тестов в день вместо месяцев ожидания.

• Снижение тестов на животных — как этический и финансовый бонус.

Проект DATAMAP (финансируется ARPA-H) распространит эту технологию на сердце и другие органы, а фармацевтический гигант Amgen уже готов внедрить систему в свои процессы.

Цифра, которая меняет всё: +10% прибыли и минус 18 месяцев

Инвестиционная компания Bernstein, управляющая $875 млрд, посчитала экономический эффект. Внедрение ИИ в клинические испытания (набор пациентов, дизайн протоколов, автоматизация отчетов для регуляторов) позволит:

1. Сократить сроки разработки на 18 месяцев.

2. Снизить расходы на R&D на 5% в ближайшие годы.

3. Увеличить прибыль фармкомпаний на 10% за счет продления патентной защиты (лекарство выходит на рынок раньше).

Больше всего выиграют глобальные игроки с огромными массивами клинических данных, такие как Daiichi Sankyo, Takeda и Astellas. При этом, как отмечают аналитики, ИИ не изменит бизнес-модель отрасли (разработка останется дорогой и жестко регулируемой), но сделает ее эффективной.

Что в итоге?

Мы наблюдаем редкий момент конвергенции трех технологических волн:

• Генеративный ИИ (диффузионные модели) проектирует молекулы под «живые» белки.

• Трансформеры и графовые сети предсказывают сложные взаимодействия с точностью >95%.

• Органоиды + машинное обучение отсеивают токсичные кандидаты с 90% точностью за считанные дни.

Как выразился Джонатан Секстон из Мичиганского университета: «Эта новая парадигма позволит нам решать неразрешимые задачи и моделировать ткани пациента в лаборатории, чтобы определить лучшее лекарство именно для него».

Эра «слепого» перебора заканчивается. Начинается эра точной, быстрой и персонализированной фармацевтики, где ИИ работает в связке с живой биологией человека. И это уже не футурология, а реальность передовых лабораторий США, России и корпораций по всему миру.