12 месяцев вместо 5 лет: как ИИ сокращает путь к новым лекарствам

Представьте, что вам нужно найти одну иголку в тысяче стогов сена. Традиционная наука делала это медленно, перебирая соломинку за соломинкой. ИИ — это как мощный магнит, который за секунды находит все металлические предметы и сразу отсеивает скрепки и гвозди, оставляя вам горстку вероятных «иголок». Он не создает знание с нуля, но невероятно ускоряет поиск нужной молекулы-кандидата.
Самый впечатляющий пример — это, безусловно, история компании

Exscientia и их препарата DSP-1181 — молекулы для лечения обсессивно-компульсивного расстройства. ИИ спроектировал ее с нуля всего за 12 месяцев, тогда как традиционный процесс поиска такой молекулы занимает в среднем 4-5 лет. Это был первый в мире случай, когда лекарственный кандидат, созданный ИИ, дошел до стадии клинических испытаний.
Насколько именно ускоряется процесс? Цифры разнятся, но тенденция очевидна. Ранние этапы — поиск и оптимизация молекул — раньше занимали от 4 до 6 лет. 

Сейчас с помощью ИИ это можно сократить до 1-2 лет. В некоторых проектах, как в примере выше, речь идет о сокращении с лет до месяцев. Это не просто «быстрее», это переход в другой временной масштаб.

Это действительно переломный момент. Принципиально изменилось то, что мы теперь можем работать с невообразимым объемом данных. Раньше мы строили гипотезы на основе десятков, сотен молекул. Теперь ИИ анализирует миллиарды возможных соединений, симуляции биологических путей и данные геномики. 

Мы переходим от поиска «более удобной иголки» к проектированию «идеальной иголки» под конкретный «стебель сена» — то есть к персонализированной медицине.

Существует проблема «цифрового шума». ИИ может генерировать тысячи виртуальных кандидатов. Ключевое слово — «виртуальных». Да, их проверка в лаборатории стоит денег. Но здесь и проявляется экспертиза ученого! ИИ — это инструмент. Задача исследователя — правильно «спросить» ИИ, чтобы получить не тысячи, а десятки высоковероятных гипотез. Таким образом, мы меняем миллионы долларов на слепой скрининг на сотни тысяч на целевой дизайн и проверку. Экономия все равно колоссальная.

Наибольшая экономия — на самых ранних и самых дорогих этапах. Один проваленный кандидат на стадии клинических испытаний означает потерю сотен миллионов долларов и 10-15 лет работы. ИИ позволяет отсеять заведомо провальные молекулы еще «в компьютере», на стадии дизайна. Он экономит не столько на реактивах, сколько на колоссальных временных и финансовых ресурсах, выжигаемых неудачными клиническими испытаниями.

Регуляторы относятся с осторожным оптимизмом. Их главный вопрос не «с помощью чего создано лекарство?», а «оно безопасно и эффективно?». Доказать это нужно по тем же строгим протоколам. Новая сложность — в «объяснимости» решений ИИ. Регулятору нужно понимать, почему алгоритм предложил именно эту молекулу. Это вызов для разработчиков ИИ — создавать не «черные ящики», а понятные для эксперта системы.

Потенциал ИИ раскрывается ярче всего в помощи с лечением орфанных (редких) заболеваний. Для редких болезней мало пациентов и данных, что невыгодно для фармкомпаний. Но ИИ как раз умеет находить скрытые закономерности в малых данных. Он может, например, предложить использовать уже одобренный для другой болезни препарат, проанализировав схожесть молекулярных мишеней. Это сокращает финансовые расходы и время в разы, давая надежду тысячам пациентов с орфанными заболеваниями.