AstraZeneca рассказала, как ИИ ускоряет разработку лекарств нового поколения
MIT Technology Review опубликовал спонсированный материал о том, как искусственный интеллект меняет разработку биопрепаратов, лекарств на основе инженерных белков, а не синтетической химии; такими препаратами лечат большинство основных острых и хронических заболеваний. Материал построен как рассказ Пуджи Сапры, старшего вице-президента AstraZeneca, отвечающей за инженерию биопрепаратов и таргетный поиск в онкологии: по её словам, в компании теперь каждый этап, дизайн, производство, тестирование, анализ, «вычислительно усилен», а циклы разработки становятся короче при одновременном росте продуктивности и числа инноваций.
Основной процесс, цикл «создать, измерить, сделать выводы»: модели генерируют и ранжируют молекулы-кандидаты, предсказывая, какие из них с наибольшей вероятностью сработают, а лабораторные ресурсы тратятся только на проверку лучших вариантов. Поскольку число возможных молекулярных комбинаций намного превышает то, что способна перебрать любая команда людей, такой отбор с помощью ИИ сокращает число тупиковых направлений, ускоряет итерации и открывает дорогу к мишеням, которые раньше считались недоступными для терапии.
Дальше подход нацелен на новый класс лекарств: если обычный биопрепарат бьёт по одной мишени, то следующее поколение, мультиспецифичные биопрепараты, способно одновременно воздействовать на несколько мишеней или точно доставлять терапевтическое вещество к нужным клеткам. По словам Сапры, ИИ-модели смогут помогать выбирать, на какие две-три мишени делать ставку исходя из биологии, а затем одновременно оптимизировать эффективность, стабильность, технологичность производства и безопасность молекулы. Она формулирует это как движение к тому, чтобы прежде «недосягаемые» для лекарств мишени становились реальной целью терапии.
По оценке консалтинговой компании McKinsey, генеративный ИИ вместе с другими вычислительными инструментами способен сократить сроки разработки лекарств до 50%, но качество модели напрямую зависит от качества обучающих данных. В AstraZeneca утверждают, что их отличие, собственные мультимодальные данные: структуры молекул, результаты измерения связывания, профили безопасности и данные о производстве по разным терапевтическим направлениям и типам препаратов; эти данные используются для дообучения передовых ИИ-моделей, а инвестиции в технологии глубокого скрининга дают дополнительный массив данных для их проверки и уточнения.
Чтобы свести все данные в одном месте, AstraZeneca строит так называемую «лабораторию будущего» в Кендалл-сквере, Кембридж, штат Массачусетс, замкнутый контур, где ИИ строит прогнозы, роботизированные системы проводят эксперименты, а приборы генерируют данные, которые сразу возвращаются в модели для следующего цикла. Сапра сравнивает систему с беспилотным автомобилем, который ориентируется в пространстве с помощью сенсоров и моделей, но подчёркивает: учёные остаются в центре процесса, обеспечивая контроль, суждение и стратегическое направление, чтобы результаты оставались объяснимыми и были направлены на пользу пациентам. В перспективе автоматизированные высокопроизводительные системы смогут еженедельно создавать и проверять тысячи молекулярных взаимодействий, по словам Сапры, это даст данные, готовые для обучения ИИ, в объёме, недостижимом для традиционных лабораторных процессов; роботизированная работа с образцами, автоматический контроль качества и интегрированные конвейеры данных, по её оценке, способны заметно ускорить ранние этапы разработки лекарств.
Конечная цель, по словам Сапры, дизайн «с нуля» (в отрасли это называют de novo): ИИ должен создавать совершенно новые белковые последовательности, которые сразу обладают нужными свойствами лекарства, с продуманной структурой, предсказанной безопасностью, понятным поведением в организме и технологичностью производства. Для этого нужны три вещи: более богатые и стандартизированные данные в масштабе всей отрасли, надёжные критерии оценки для ИИ-сгенерированных кандидатов и команды, умеющие работать на стыке машинного обучения и биологии. Самая сложная и, по словам Сапры, наименее обсуждаемая проблема, предсказание, будет ли безопасна в организме человека молекула, сгенерированная компьютером. AstraZeneca решает эту задачу с помощью «виртуальных клинических испытаний», продвинутых клеточных систем и микромасштабных моделей органов, которые служат физическими стендами и обучают ИИ на своих результатах. Одновременно компания переходит к агентным ИИ-системам, которые одновременно генерируют молекулы-кандидаты и предсказывают их эффективность и безопасность: такие автономные процессы напрямую связывают знания о биологии заболевания с дизайном молекулы, хотя раньше эти данные были разрознены и хранились изолированно друг от друга.
Сапра подчёркивает, что изменения не только технологические: человеческий контроль остаётся в основе подхода, чтобы ИИ был объяснимым и этичным на благо пациентов. Учёные и модели работают в связке, модели предлагают молекулы, учёные их тестируют и возвращают данные обратно в систему. Инженерные команды AstraZeneca, специалисты по данным, специалисты по автоматизации и ИИ-инженеры, стремятся строить системы, которые становятся «мыслящими партнёрами», а не «чёрными ящиками»: среди нерешённых сложных задач Сапра называет объединение разнородных (мультимодальных) данных, оптимизацию в замкнутом контуре, оценку неопределённости и интерпретируемость в момент принятия клинических решений.
Ключевые факты
- AstraZeneca заявляет, что все этапы создания биопрепаратов, дизайн, производство, тестирование, анализ, теперь «вычислительно усилены»: ИИ-модели генерируют и ранжируют молекулы-кандидаты, а лаборатория проверяет только лучшие варианты.
- По оценке McKinsey, генеративный ИИ вместе с другими вычислительными инструментами способен сократить сроки разработки лекарств до 50% при достаточно качественных обучающих данных; в AstraZeneca называют своим отличием собственные мультимодальные данные о молекулах, безопасности и производстве.
- Компания строит «лабораторию будущего» в Кендалл-сквере (Кембридж, штат Массачусетс), замкнутый контур из ИИ-прогнозов, роботизированных экспериментов и приборов, чьи данные сразу возвращаются в модели; в перспективе система сможет еженедельно проверять тысячи молекулярных взаимодействий.
- Долгосрочная цель, дизайн лекарств «с нуля» (de novo): ИИ создаёт полностью новую белковую последовательность с заданными свойствами. Самая сложная нерешённая задача, по словам Сапры, предсказание безопасности такой молекулы в организме человека; для этого AstraZeneca использует «виртуальные клинические испытания» на клеточных и микромасштабных моделях органов.
- Материал, спонсированный кейс: инициирован и оплачен AstraZeneca, подготовлен рекламным подразделением MIT Technology Review (Insights), а не редакцией издания, это стоит учитывать при оценке заявлений.
Почему это важно
Разработка лекарств, многолетний и крайне затратный процесс с высокой долей неудач, а для биопрепаратов сложность ещё выше: нужно найти редкие молекулы, которые свяжутся с нужной мишенью, останутся стабильными в организме и будут производимы в промышленном масштабе. Кейс AstraZeneca показывает, как крупная фармкомпания переводит ИИ из области экспериментов в постоянную инфраструктуру исследований и разработок, от отбора молекул-кандидатов до полностью автоматизированной «лаборатории будущего», и заявляет о шансе добраться до мишеней, которые раньше считались недостижимыми. Это конкретный пример того, как ИИ проникает не в чат-ассистенты, а в тяжёлую, капиталоёмкую науку.
Кому это важно
Фарм- и биотех-компаниям и их подразделениям исследований и разработок, как ориентир, куда двигать инвестиции в ИИ-инфраструктуру. Инженерам и исследователям на стыке машинного обучения и биологии, как описание востребованных навыков и открытых проблем: интерпретируемость, оценка неопределённости, безопасность молекул, созданных ИИ «с нуля». Инвесторам и аналитикам фармотрасли, как сигнал о том, куда движется конкуренция в биопрепаратах. Пациентам с заболеваниями, для которых пока нет поддающихся терапии мишеней, как обещание более быстрой разработки лекарств, пока не подкреплённое конкретным одобренным препаратом.
Как это применить
Для тех, кто строит или оценивает ИИ-инфраструктуру в науке о жизни, материал, скорее карта архитектуры, чем инструкция: цикл «создать, измерить, сделать выводы» с ИИ-приоритизацией кандидатов, собственный мультимодальный массив данных как конкурентное преимущество, замкнутый контур «ИИ-прогноз → роботизированный эксперимент → данные обратно в модель», и отдельные вложения в оценку безопасности, виртуальные клинические испытания на клеточных и микромасштабных моделях органов. Важная оговорка: этот путь предполагает масштаб, недоступный небольшим лабораториям, собственные данные, роботизацию и команды на стыке машинного обучения и биологии, а не готовый инструмент, который можно просто подключить.
Можно ли доверять
Материал, не независимая редакционная статья, а спонсированный контент: он инициирован и оплачен AstraZeneca и подготовлен Insights, рекламным подразделением MIT Technology Review, сама редакция прямо указывает это внизу текста и отдельно уточняет, что писали его люди, а ИИ применялся не более чем во вспомогательных задачах. Все конкретные утверждения о результатах и планах компании исходят от одного человека, Пуджи Сапры, топ-менеджера AstraZeneca, и не подкреплены независимой проверкой, названиями конкретных препаратов, датами или результатами испытаний. Единственная внешняя цифра, оценка McKinsey о сокращении сроков разработки до 50%, это отраслевая оценка, а не результат, измеренный именно в AstraZeneca. Материал стоит читать как декларацию видения и позиционирования компании, а не как проверенный отчёт о достигнутых результатах.
Риски и подводные камни
В тексте нет ни одного названного препарата, клинического результата или одобрения регулятора, формулировки о «лаборатории будущего», агентных ИИ-системах и дизайне «с нуля» описывают текущее строительство и видение компании, а не готовый результат; сама Сапра о полностью ИИ-сгенерированном биопрепарате говорит осторожно: «я верю, что это произойдёт», без указания сроков. Безопасность ИИ-сгенерированных молекул в организме человека прямо названа самой сложной и наименее обсуждаемой проблемой, то есть ключевой риск признан, но не решён. Ставка на собственные данные как главное отличие компании означает, что подобный прогресс концентрируется у игроков с ресурсами на роботизированные лаборатории и большие массивы данных, а не становится доступен небольшим биотех-стартапам. Наконец, материал по своей природе рекламный: он написан, чтобы представить AstraZeneca лидером применения ИИ в фарме, формулировки об успехах стоит воспринимать с поправкой на этот жанр.
«Разработка лекарств против «недосягаемых» мишеней становится реальностью. Со временем эти технологии позволят создавать препараты против мишеней, которые раньше считались недостижимыми. Потенциальная польза для пациентов огромна.»
— Пуджа Сапра, старший вице-президент AstraZeneca, отвечающая за инженерию биопрепаратов и таргетный поиск в онкологии