ИИ выдумывает лекарства, которых никто никогда не видел. Теперь нам нужно посмотреть, работают ли они.

Автоматизация ИИ на протяжении всего процесса разработки лекарств открывает возможность создания более быстрых и дешевых фармацевтических препаратов.

В свои 82 года, с агрессивной формой рака крови, которую не удалось вылечить шестью курсами химиотерапии, у «Пола» не было выбора. С каждым долгим и неприятным курсом лечения его врачи прорабатывали список распространенных лекарств от рака, надеясь найти что-то, что окажется эффективным, и вычеркивали их одно за другим. Обычные убийцы рака не выполняли свою работу.

Ему было нечего терять, и врачи включили Пола в исследование, организованное Венским медицинским университетом в Австрии, где он живет. Университет тестировал новую технологию поиска партнеров, разработанную британской компанией Exscientia, которая подбирает отдельным пациентам именно те лекарства, которые им нужны, принимая во внимание тонкие биологические различия между людьми.

Исследователи взяли небольшой образец ткани у Пола (его настоящее имя неизвестно, поскольку в ходе судебного разбирательства его личность не разглашалась). Они разделили образец, включавший как нормальные, так и раковые клетки, на более чем сотню частей и подвергли их воздействию различных коктейлей лекарств. Затем, используя роботизированную автоматизацию и компьютерное зрение (модели машинного обучения, обученные распознавать небольшие изменения в клетках), они наблюдали, что произойдет.

По сути, исследователи делали то же, что и врачи: пробовали разные лекарства, чтобы увидеть, какие из них работают. Но вместо того, чтобы проводить пациента через несколько месячных курсов химиотерапии, они одновременно тестировали десятки методов лечения.

Такой подход позволил команде провести исчерпывающий поиск подходящего препарата. Некоторые лекарства не убили раковые клетки Пола. Другие повредили его здоровые клетки. Пол был слишком слаб, чтобы принимать препарат, который оказался эффективнее. Таким образом, в процессе поиска партнеров ему дали второе место: лекарство от рака, продаваемое фармацевтическим гигантом Johnson & Johnson, которое врачи Пола не пробовали, поскольку предыдущие испытания показали, что оно неэффективно при лечении его типа рака.

Это сработало. Два года спустя у Пола была полная ремиссия — его рак исчез. Этот подход является большим изменением в лечении рака, говорит генеральный директор Exscientia Эндрю Хопкинс: «Технология, которую мы используем для тестирования лекарств в клинике, действительно применима к реальным пациентам».

Выбор правильного препарата – это лишь половина проблемы, которую хочет решить Exscientia. Компания намерена пересмотреть весь процесс разработки лекарств. Помимо назначения пациентам существующих лекарств, Exscientia использует машинное обучение для разработки новых. Это, в свою очередь, может дать еще больше возможностей для просмотра при поиске совпадения.

Первые лекарства, разработанные с помощью ИИ, сейчас проходят клинические испытания: строгие испытания на людях-добровольцах, чтобы убедиться, что лечение безопасно и действительно работает, прежде чем регулирующие органы допустят его к широкому использованию. С 2021 года этот процесс начался с двух препаратов, которые Exscientia разработала (или разработала совместно с другими фармацевтическими компаниями). Компания готовится представить еще два.

«Если бы мы использовали традиционный подход, мы не смогли бы масштабироваться так быстро», — говорит Хопкинс.

Exscientia не одинока. Сейчас существуют сотни стартапов, изучающих использование машинного обучения в фармацевтической промышленности, говорит Натан Бенайх из Air Street Capital, венчурной фирмы, которая инвестирует в биотехнологические и биологические компании: «Первые признаки были достаточно захватывающими, чтобы привлечь большие деньги».

Сегодня на разработку нового лекарства в среднем уходит более 10 лет и миллиарды долларов. Идея состоит в том, чтобы использовать ИИ, чтобы ускорить и удешевить разработку лекарств. Предсказывая, как потенциальные лекарства могут вести себя в организме, и отбрасывая бесперспективные соединения до того, как они покинут компьютер, модели машинного обучения могут сократить необходимость кропотливой лабораторной работы.

И всегда существует потребность в новых лекарствах, говорит Адитьо Пракаш, генеральный директор калифорнийской фармацевтической компании Verseon: «Все еще существует слишком много болезней, которые мы не можем лечить или можем лечить только с помощью трехмильных списков побочных эффектов. ."