Еволюція штучного інтелекту в розробці ліків: в очікуванні на безпрецедентну швидкість

Дослідники проходять кілька етапів: in vitro (експерименти в пробірках), доклінічне тестування на тваринах і, нарешті, клінічні випробування на людях. Кожен перехід між етапами повʼязаний зі значною невизначеністю — результати одного етапу не завжди передбачають наступний.

Ця невизначеність спричиняє високу частоту невдач: лише близько 10% препаратів, що входять у клінічні випробування, отримують схвалення. Вартість однієї невдачі на пізніх стадіях може сягати сотень мільйонів доларів. Саме тому галузь так активно шукає способи прискорити процес, знизити витрати та підвищити ймовірність успіху — і штучний інтелект став головним кандидатом на роль трансформатора.

Прогнозування поведінки ліків в організмі людини in silicio

Дехто називає ШІ у фармацевтиці «святим Граалем» — моделі, які могли б точно прогнозувати поведінку препарату в організмі людини ще на ранніх стадіях розробки. Йдеться про два ключових аспекти: фармакокінетику (як організм переробляє ліки — всмоктування, розподіл, метаболізм, виведення) та фармакодинаміку (що ліки роблять з організмом — терапевтичні ефекти та побічні реакції).

Якби ШІ міг точно передбачати ці параметри на основі даних ранніх стадій, це революційно змінило б галузь: зменшило потребу в тривалих дослідженнях на тваринах, знизило ризик дорогих невдач на пізніх клінічних фазах, прискорило шлях до пацієнтів. Проте реалізація цієї мети вимагає подолання значних наукових і технічних перешкод — ми ще далекі від точного моделювання складності людського організму.

Перші перемоги: від 6 років до 18 місяців

Попри виклики, ШІ вже демонструє вражаючі результати. Найяскравіший приклад — Insilico Medicine, компанія, що поєднала генеративний ШІ з розробкою ліків. У 2021 році вони ідентифікували нову мішень для ідіопатичного легеневого фіброзу та вивели кандидата в преклінічні випробування всього за 18 місяців — процес, що зазвичай займає 4–6 років. Вартість: лише 150 тисяч доларів (без врахування лабораторної валідації), порівняно із традиційними 430 мільйонами.

У лютому 2022 року цей препарат (INS018_055) вийшов на першу фазу клінічних випробувань — загалом менше ніж за 30 місяців від ідеї до тестування на людях. Це встановило новий стандарт швидкості для галузі. Компанія синтезувала та протестувала близько 80 молекул, досягнувши безпрецедентних показників успіху для доклінічних кандидатів.

2024–2025: перший «ШІ»-препарат у середньостадійному дослідженні

Історичний момент настав у 2024 році: INS018_055 став першим препаратом, повністю відкритим і розробленим за допомогою генеративного ШІ, який увійшов у фазу ІІ клінічних випробувань на пацієнтах. Це випробування проводиться на кількох сотнях пацієнтів із ідіопатичним легеневим фіброзом у США та Китаї.

Результати фази ІІа виявилися позитивними. Паралельно Insilico має понад 30 програм у розробці для інших захворювань, включаючи кілька онкологічних препаратів. «Коли ми вперше представили наші результати, люди просто не вірили, що генеративний ШІ може досягти такого рівня різноманітності, новизни та точності», — зізнається Алекс Жаворонков, CEO Insilico Medicine. «Тепер, коли ми маємо цілий пайплайн перспективних кандидатів, люди усвідомлюють, що це справді працює».

AlphaFold: революція у розумінні білків

Інший прорив — AlphaFold від DeepMind (підрозділ Google). Цей інструмент передбачає структуру білків з майже такою ж точністю, як експериментальні методи. На змаганні CASP14 AlphaFold досяг медіанної точності 0,96 Å — практично ідеального співпадіння з реальними структурами. Понад 1,2 мільйона дослідників по всьому світу вже використовують AlphaFold.

Практичне застосування не забарилося. Insilico Medicine разом із дослідниками, включаючи нобелівського лауреата Майкла Левітта, використали базу даних AlphaFold для розробки потенційного препарату проти гепатоцелюлярної карциноми (рак печінки) всього за 30 днів. Це перший підтверджений випадок, коли передбачену ШІ структуру білка успішно використали для ідентифікації «хіта» для нової мішені в ранньому відкритті ліків.

Інші історії успіху — і провали

DSP-1181 (Exscientia/Sumitomo Dainippon Pharma) став одним з перших ШІ-розроблених препаратів, що вийшов на клінічні випробування на людях у 2020 році — для лікування обсесивно-компульсивного розладу. Розробка тривала лише 12 місяців замість звичних 4–6 років. Перша фаза показала сприятливий профіль безпеки, але розробку припинили у 2022 році без переходу на фазу ІІ. Це важливий урок: прискорення відкриття не гарантує клінічного успіху.

BenevolentAI використав ШІ для перепрофілювання барицитинібу (препарат від ревматоїдного артриту) для лікування COVID-19. Препарат отримав статус екстреного дозволу для важких форм вірусу — приклад швидкого ШІ-асистованого репозиціювання. MIT Jameel Clinic відкрив галіцин — новий антибіотик, здатний обійти традиційні методи скринінгу, хоча він поки на доклінічній стадії. Zasocitinib (TAK-279), розроблений за участі Schrödinger і Nimbus, досяг фази ІІІ клінічних випробувань — приклад успішної «фізика плюс машинне навчання» стратегії.

Мільярди інвестицій: гроші ідуть за технологією

Фінансовий сектор повірив у потенціал ШІ для фарми. У 2024 році венчурне фінансування ШІ-орієнтованих біотехнологічних стартапів досягло 3,3 мільярда доларів. Серед знакових угод: Generate:Biomedicines і Novartis — партнерство на 1 мільярд доларів. Isomorphic Labs (дочірня компанія Alphabet) — залучила понад 600 мільйонів для інтеграції AlphaFold у дизайн ліків. Sanofi та Exscientia — угода на 1,2 мільярда доларів для онкологічних та імунологічних препаратів. Recursion та Exscientia обʼєдналися, інтегрувавши феномний скринінг з автоматизованою хімією в єдину наскрізну платформу.

Як ШІ змінює кожен етап розробки

ШІ інтегровано практично на всіх етапах пайплайну. Ідентифікація мішеней: графи знань на основі ШІ повʼязують розрізнені дані геноміки, протеоміки та клінічних записів. Дослідники Оксфордського інституту відкриття ліків оцінили 54 імуноповʼязані гени як потенційні мішені для хвороби Альцгеймера за дні замість тижнів.

Дизайн молекул: генеративні моделі (VAE, GAN, трансформери) створюють нові хімічні сполуки з оптимізованими фармакокінетичними та фармакодинамічними профілями. Прогнозування ADMET: моделі машинного навчання (включаючи графові нейронні мережі з точністю R² = 0,92) передбачають всмоктування, розподіл, метаболізм, екскрецію та токсичність in silico, зменшуючи залежність від тестування на тваринах. Оптимізація клінічних випробувань: ШІ покращує набір пацієнтів, дизайн протоколів і аналіз даних. Janssen має понад 100 ШІ-проєктів у клінічних випробуваннях, набір пацієнтів і відкриття ліків, а їхня платформа Trials360.ai оптимізує процеси.

Виклики: дані, інтерпретованість, регуляторика

Попри прогрес, майбутнє штучного інтелекту в розробці ліків невизначене — залишаються серйозні перешкоди. Якість даних: «сміття на вході — сміття на виході» актуальне як ніколи. Моделі ШІ потребують великих, високоякісних, стандартизованих наборів даних, яких часто бракує. Інтерпретованість: «чорні скриньки» глибокого навчання ускладнюють розуміння, чому модель зробила той чи інший прогноз. Це проблема і для вчених, і для регуляторів.

Регуляторні виклики: у 2025 році FDA випустила проєкт керівництва щодо використання ШІ в розробці ліків, фокусуючись на ризик-орієнтованій оцінці моделей, прозорості, валідації та управлінні даними. Європейський AI Regulation набув чинності в серпні 2024 року. Регуляторні рамки все ще формуються. Культурні барʼєри: багато вчених скептично ставляться до ШІ, надаючи перевагу традиційним методам. Потрібні наочні історії успіху від самих дослідників, а не лише демонстрації концепцій.

Експерти радять організаціям, особливо невеликим біотехнологічним компаніям, підходити до впровадження ШІ терпляче і методично. Приділяти більше уваги якості даних і управлінню ними, ніж самим дослідженням — це фундамент. Починати з однієї, чітко визначеної проблеми, яку варто вирішити, а не намагатися «закипʼятити океан». І головне: ставитися до ШІ як до ще одного інструменту в арсеналі, а не як до магічного рішення всіх проблем. Успіх вимагає гібридних підходів «людина + ШІ», де технологія доповнює, а не замінює експертизу дослідників.

Погляд у майбутнє

Що далі? Агентні ШІ-системи — автономні системи, здатні самостійно навігувати пайплайнами відкриття ліків. Мультимодальні моделі на кшталт GPT-4 і Med-PaLM 2 демонструють можливості на рівні експертів у клінічних знаннях. Очікується, що найближчим часом ШІ допомагатиме створювати чернетки регуляторних документів — протоколів, планів статистичного аналізу, звітів клінічних досліджень.

Галузь перебуває на межі значних покращень у розпізнаванні патернів алгоритмами. Ринок ШІ у фармацевтиці зріс із 200 мільйонів доларів у 2015 році до 700 мільйонів у 2018 і, за прогнозами, досягне 5 мільярдів. «Ми перебуваємо в новій ері», — підсумовують експерти. Але успіх вимагатиме знаходження правильного балансу між ентузіазмом щодо можливостей ШІ й практичним підходом до реалій впровадження.