Еволюция искусственного интеллекта в разработке лекарств: уроки на ошибках

Эта неопределённость вызывает высокую частоту неудач: лишь около 10% препаратов, вошедших в клинические испытания, получают одобрение. Стоимость одной неудачи на поздних стадиях может достигать сотен миллионов долларов. Именно поэтому отрасль так активно ищет способы ускорить процесс, снизить затраты и повысить вероятность успеха — и искусственный интеллект стал главным кандидатом на роль трансформатора.

Прогнозирование поведения лекарств в организме человека in silico

Эксперты в отрасли называют «святым Граалем» ИИ в фармацевтике — модели, которые могли бы точно прогнозировать поведение препарата в организме человека ещё на ранних стадиях разработки. Речь идёт о двух ключевых аспектах: фармакокинетике (как организм перерабатывает лекарство — всасывание, распределение, метаболизм, выведение) и фармакодинамике (что лекарство делает с организмом — терапевтические эффекты и побочные реакции).

Если бы ИИ мог точно предсказывать эти параметры на основе данных ранних стадий, это революционно изменило бы отрасль: уменьшило бы потребность в длительных исследованиях на животных, снизило риск дорогих неудач на поздних клинических фазах, ускорило путь к пациентам. Однако реализация этой цели требует преодоления значительных научных и технических препятствий — мы ещё далеки от точного моделирования сложности человеческого организма.

Первые победы: от 6 лет до 18 месяцев

Несмотря на вызовы, ИИ уже демонстрирует впечатляющие результаты. Самый яркий пример — Insilico Medicine, компания, объединившая генеративный ИИ с разработкой лекарств. В 2021 году они идентифицировали новую мишень для идиопатического лёгочного фиброза и вывели кандидата в доклинические испытания всего за 18 месяцев — процесс, который обычно занимает 4–6 лет. Стоимость: всего 150 тысяч долларов (без учёта лабораторной валидации), по сравнению с традиционными 430 миллионами.

В феврале 2022 года этот препарат (INS018_055) вышел на первую фазу клинических испытаний — в общей сложности менее чем за 30 месяцев от идеи до тестирования на людях. Это установило новый стандарт скорости для отрасли. Компания синтезировала и протестировала около 80 молекул, достигнув беспрецедентных показателей успеха для доклинических кандидатов.

2024–2025: первый «ИИ»-препарат на средних стадиях исследования

Исторический момент наступил в 2024 году: INS018_055 стал первым препаратом, полностью открытым и разработанным с помощью генеративного ИИ, который вошёл в фазу II клинических испытаний на пациентах. Это испытание проводится на нескольких сотнях пациентов с идиопатическим лёгочным фиброзом в США и Китае.

Результаты фазы IIa оказались положительными. Параллельно Insilico имеет более 30 программ в разработке для других заболеваний, включая несколько онкологических препаратов. «Когда мы впервые представили наши результаты, люди просто не верили, что генеративный ИИ может достичь такого уровня разнообразия, новизны и точности», — признаётся Алекс Жаворонков, CEO Insilico Medicine. «Теперь, когда у нас есть целый пайплайн перспективных кандидатов, люди осознают, что это действительно работает».

AlphaFold: революция в понимании белков

Другой прорыв — AlphaFold от DeepMind (подразделение Google). Этот инструмент предсказывает структуру белков с почти такой же точностью, как экспериментальные методы. На соревновании CASP14 AlphaFold достиг медианной точности 0,96 Å — практически идеального совпадения с реальными структурами. Более 1,2 миллиона исследователей по всему миру уже используют AlphaFold.

Практическое применение не заставило себя ждать. Insilico Medicine вместе с исследователями, включая нобелевского лауреата Майкла Левитта, использовали базу данных AlphaFold для разработки потенциального препарата против гепатоцеллюлярной карциномы (рак печени) всего за 30 дней. Это первый подтверждённый случай, когда предсказанная ИИ структура белка успешно использовалась для идентификации «хита» для новой мишени на ранней стадии открытия лекарств.

Другие истории успеха — и провалы

DSP-1181 (Exscientia/Sumitomo Dainippon Pharma) стал одним из первых препаратов, разработанных ИИ, который вышел на клинические испытания на людях в 2020 году — для лечения обсессивно-компульсивного расстройства. Разработка заняла всего 12 месяцев вместо привычных 4–6 лет. Первая фаза показала благоприятный профиль безопасности, но разработку прекратили в 2022 году без перехода на фазу II. Это важный урок: ускорение открытия не гарантирует клинического успеха.

BenevolentAI использовала ИИ для репозиционирования барицитиниба (препарат от ревматоидного артрита) для лечения COVID-19. Препарат получил статус экстренного разрешения для тяжёлых форм вируса — пример быстрого ИИ-ассистированного репозиционирования. MIT Jameel Clinic открыла галицин — новый антибиотик, способный обойти традиционные методы скрининга, хотя он пока на доклинической стадии. Zasocitinib (TAK-279), разработанный при участии Schrödinger и Nimbus, достиг фазы III клинических испытаний — пример успешной стратегии «физика плюс машинное обучение».

Миллиарды инвестиций: деньги идут за технологией

Финансовый сектор поверил в потенциал ИИ для фармы. В 2024 году венчурное финансирование ИИ-ориентированных биотехнологических стартапов достигло 3,3 миллиарда долларов. Среди знаковых сделок: Generate:Biomedicines и Novartis — партнёрство на 1 миллиард долларов. Isomorphic Labs (дочерняя компания Alphabet) привлекла более 600 миллионов для интеграции AlphaFold в дизайн лекарств. Sanofi и Exscientia — сделка на 1,2 миллиарда долларов для онкологических и иммунологических препаратов. Recursion и Exscientia объединились, интегрировав феномный скрининг с автоматизированной химией в единую сквозную платформу.

Как ИИ меняет каждый этап разработки

ИИ интегрирован практически на всех этапах пайплайна. Идентификация мишеней: графы знаний на основе ИИ связывают разрозненные данные геномики, протеомики и клинических записей. Исследователи Оксфордского института открытия лекарств оценили 54 иммуносвязанных гена как потенциальные мишени для болезни Альцгеймера за дни вместо недель.

Дизайн молекул: генеративные модели (VAE, GAN, трансформеры) создают новые химические соединения с оптимизированными фармакокинетическими и фармакодинамическими профилями. Прогнозирование ADMET: модели машинного обучения (включая графовые нейронные сети с точностью R² = 0,92) предсказывают всасывание, распределение, метаболизм, экскрецию и токсичность in silico, снижая зависимость от тестирования на животных. Оптимизация клинических испытаний: ИИ улучшает набор пациентов, дизайн протоколов и анализ данных. Janssen имеет более 100 ИИ-проектов в клинических испытаниях, наборе пациентов и открытии лекарств, а их платформа Trials360.ai оптимизирует процессы.

Вызовы: данные, интерпретируемость, регуляторика

Несмотря на прогресс, будущее искусственного интеллекта в разработке лекарств неопределённо — остаются серьёзные препятствия. Качество данных: «мусор на входе — мусор на выходе» актуально как никогда. Модели ИИ требуют больших, высококачественных, стандартизированных наборов данных, которых часто не хватает. Интерпретируемость: «чёрные ящики» глубокого обучения усложняют понимание, почему модель сделала тот или иной прогноз. Это проблема и для учёных, и для регуляторов.

Регуляторные вызовы: в 2025 году FDA выпустило проект руководства по использованию ИИ в разработке лекарств, фокусируясь на риск-ориентированной оценке моделей, прозрачности, валидации и управлении данными. Европейский AI Regulation вступил в силу в августе 2024 года. Регуляторные рамки всё ещё формируются. Культурные барьеры: многие учёные скептически относятся к ИИ, отдавая предпочтение традиционным методам. Нужны наглядные истории успеха от самих исследователей, а не только демонстрации концепций.

Что дальше? Агентные ИИ-системы — автономные системы, способные самостоятельно навигировать пайплайнами открытия лекарств. Мультимодальные модели вроде GPT-4 и Med-PaLM 2 демонстрируют возможности на уровне экспертов в клинических знаниях. Ожидается, что в ближайшее время ИИ будет помогать создавать черновики регуляторных документов — протоколов, планов статистического анализа, отчётов клинических исследований.

Отрасль находится на грани значительных улучшений в распознавании паттернов алгоритмами. Рынок ИИ в фармацевтике вырос с 200 миллионов долларов в 2015 году до 700 миллионов в 2018 и, по прогнозам, достигнет 5 миллиардов. «Мы находимся в новой эре», — подводят итог эксперты. Но успех потребует нахождения правильного баланса между энтузиазмом относительно возможностей ИИ и практическим подходом к реалиям внедрения.