Дебора Борфиц
26 марта 2026 г. | В фармацевтической отрасли генеративный искусственный интеллект (ИИ) в настоящее время обрабатывает от 10 до 20 миллионов прогнозов в день, стремясь ускорить разработку лекарств путем исследования новых молекул и химических реакций с беспрецедентной скоростью. Доступ к оборудованию определяет возможности ИИ, но технологически управляемый процесс создания лекарств по-прежнему «выполняется людьми для людей», при этом человек принимает решения и управляет механизмами, как утверждает Тудор Опреа, доктор медицинских наук, генеральный директор Expert Systems, Inc., специалист по разработке цифровых лекарств.
Никто, похоже, не задается вопросом о ценности прогнозов, потому что используемые модели машинного обучения (МО) не бесплатны, говорит он. Сбор большого объема данных, необходимых для получения точных, надежных и обобщенных результатов, обходится дорого, а для правильного проведения экспериментов требуется квалифицированный персонал.
А еще есть высокая стоимость графических процессоров, которая ограничивает создание локальных центров обработки данных только крупными фармацевтическими компаниями, позволяя им «опередить конкурентов», подобно лидирующим велосипедистам в шоссейной велогонке, продолжает Опреа. «Очевидно, что те, кто использует ИИ, выиграют, в отличие от тех, кто этого не делает».
Тем не менее, по его словам, использование ИИ в разработке лекарств пока остается скорее мечтой, чем реальностью, просто из-за сложности человеческой биологии. Ученые в значительной степени полагаются на данные, полученные от клеток, которые не в полной мере воспроизводят сложные взаимодействия иммунной системы, например. При изучении активности мозга, например, они часто проводят клеточные тесты в нейронах, не принимая во внимание окружающую матрицу белого вещества, населенную астроцитами и глиальными клетками, которые обеспечивают дополнительную поддержку и функцию, а также выделяют молекулы, влияющие на нейронную активность.
Как говорит Опреа, популярные в настоящее время органоидные модели могут помочь преодолеть этот пробел, но, как правило, не в полной мере воспроизводят сложность гематоэнцефалического барьера — основного препятствия для лечения заболеваний центральной нервной системы (ЦНС). Исследования сердечно-сосудистой системы на мышах и крысах также имеют недостаток, связанный с тем, что их вагусная реакция, основной фактор, управляющий парасимпатической нервной системой (отдых и пищеварение), сильно отличается от человеческой и обеспечивает меньший противовес симпатической нервной системе (реакция «бей или беги»).
«Если я изучаю сердечные препараты на мышах… это просто неприменимо к людям», — говорит Опреа. Как гласит старая шутка: «[Грызуны] излечились от всех болезней, которые только можно себе представить, а люди все еще ими болеют».
Возможности и ограничения ИИ и машинного обучения в мире разработки лекарств, включая редко обсуждаемые экономические аспекты, станут темой презентации, которую Опреа представит в следующем месяце на конференции Drug Discovery Chemistry в Сан-Диего. Как он расскажет, активное обучение позволяет моделям машинного обучения со временем оказывать большее влияние, чем нет, а сочетание их с агентным ИИ дает компаниям с наибольшим количеством графических процессоров более высокую вероятность успеха.
Машинное обучение против искусственного интеллекта
Важно понимать ключевые различия между машинным обучением и искусственным интеллектом, говорит Опреа. Модели машинного обучения ориентированы на конкретную задачу и ограничены своими обучающими данными, а результаты работы доминирующих моделей обработки больших языков (LLM) являются обманчивыми и им нельзя полностью доверять, хотя модели LLM, специализирующиеся на «рассуждениях» и решающие сложные многоэтапные задачи, показывают лучшие результаты.
По его словам, искусственный интеллект более универсален, человекоподобен и в значительной степени опирается на человеческий интеллект, а новые генеративные модели ИИ, такие как Gemini 3 Pro, исключительно хорошо справляются с извлечением знаний из патентов. Хотя ИИ справляется с базовыми задачами в химии проще, чем машинное обучение, он сопряжен с когнитивными издержками для человека с точки зрения памяти и критического мышления.
По словам Опреа, человечество столкнется со значительными рисками, если не научится расти и развиваться параллельно с искусственным интеллектом, используя свои интеллектуальные способности и осваивая новые навыки. «Интеллект — одна из ключевых особенностей эволюции, которая, вероятно, обсуждается реже и, возможно, не совсем политкорректно ее подчеркивать, но… именно он отличает нас от животных».
Для Опреа чрезмерная зависимость от ИИ в ущерб человеческому интеллекту вызывает в памяти мир мультфильма Pixar 2008 года «ВАЛЛ-И», где роботы делают всё для людей, обитающих на космическом корабле. «Это счастливый сценарий, — добавляет он. — Несчастливый сценарий — это либо роботы захватят власть, либо планета будет покрыта пылью без людей».
Это не неизбежно. Он советует руководителям фармацевтических компаний вкладывать равные средства как в технологии, так и в людей, готовых использовать их творческим образом.
Преимущество крупных фармацевтических компаний
По словам Опреа, фармацевтические компании, демонстрирующие значительный рост использования ИИ и способность чрезвычайно ускорять разработку лекарств, — это хорошо известные имена в отрасли. Три года назад компания Sanofi объявила себя фармацевтической компанией, ориентированной на ИИ, — инициатива, которая включает в себя разработку и масштабное внедрение агентного приложения на основе ИИ под названием «plai».
Компания Eli Lilly недавно объявила об установке суперкомпьютера с искусственным интеллектом под названием LillyPod, работающего на базе более чем 1000 графических процессоров последнего поколения Blackwell Ultra от NVIDIA. Eli Lilly и NVIDIA также инвестируют 1 миллиард долларов в создание лаборатории совместных инноваций, ориентированной на генеративный искусственный интеллект для разработки лекарств. За этим последовало объявление Roche о расширении трехлетнего стратегического сотрудничества с NVIDIA для создания крупномасштабной фабрики ИИ с новыми инвестициями в размере более 2000 графических процессоров Blackwell.
«Речь больше не идет о том, сколько людей могут вырастить 10 000 мышей или 1000 приматов для проведения своих экспериментов, — говорит он. — Речь идет о том, насколько быстро проводится компьютерное моделирование, прежде чем фактически запускать компьютерный эксперимент, и о способности проверять тысячи гипотез со скоростью мысли… вместо того, чтобы ждать подтверждения или опровержения эксперимента».
Это предполагает, что компании, использующие эти модели, получают выгоду от правильных прогнозов, что является надежным вариантом, учитывая инвестиционные тенденции, продолжает Опреа. Крупная фармацевтическая компания с относительной легкостью может использовать ИИ для разработки нового и улучшенного препарата (например, статина), который особенно хорошо работает в определенной группе населения (например, у пожилых людей).
Небольшие, испытывающие нехватку денежных средств компании потенциально могут что-то потерять. Более крупные компании могут захотеть заполнить пробелы в своем портфеле за счет приобретений, при условии, что они не конкурируют по аналогичным продуктам. Если же конкурируют, то менее обеспеченные ресурсами игроки «в конечном итоге не смогут процветать и, по сути, исчезнут», — прогнозирует Опреа.
Этот риск поднимает вопрос о том, насколько инновации полностью подпитываются искусственным интеллектом, а также философскую дискуссию о том, могут ли системы ИИ самостоятельно называться изобретателями или патентообладателями. Позиция Опреа, подкрепленная действующими правовыми и этическими рамками, заключается в том, что в процессе создания идей всегда должен участвовать человек, чтобы обеспечить подотчетность, безопасность и контроль.
Определение оптимальной стоимости
В готовящейся к публикации статье «Чего стоит прогноз?» Опреа и его коллеги обсудят экономику машинного обучения. Эта тема возвращает нас к середине 1990-х годов, когда он работал химиком-вычислителем в AstraZeneca, разрабатывал модели и делал прогнозы, и ошибиться было невозможно. «Никогда не было равных возможностей по количеству точных ударов по воротам… по сравнению с химиком-фармацевтом».
Как отмечает Опреа, с тех пор многое изменилось. Компании, как правило, доверяют прогнозам, полученным с помощью машинного обучения, и действуют на их основе.
У компании AstraZeneca есть программа, в создании которой Опреа принимал участие в 2000-х годах, тогда она называлась C-Lab (Computer-DMPK — вычислительная фармакокинетика и метаболизм лекарственных средств) и лабораторные исследования, а впоследствии была переименована в PIP (Predictive Insights Platform — Платформа прогнозирования). Согласно статье 2024 года, PIP тогда делала примерно миллион прогнозов в день для компании (Drug Discovery Today, DOI: 10.1016/j.drudis.2024.103945).
Опреа говорит, что он «пытается доказать, что любое предсказание, которое избавляет от необходимости проводить эксперимент, потому что вы доверяете этому предсказанию, на самом деле имеет внутреннюю экономическую ценность». Его позиция заключается в том, что «надежное предсказание должно стоить как минимум 5% от стоимости самого эксперимента».
Рассматриваются три типа экспериментов: физико-химические, например, определение растворимости в воде; тесты in vitro с использованием проницаемости почечных клеток собак по методу Мадина-Дарби (MBCK); и модель in vivo, сфокусированная на доле соединения в мозге с использованием современного показателя для оценки проникновения лекарственных препаратов в ЦНС. Ориентировочная стоимость проведения этих экспериментов на одно соединение составляет, соответственно, от 60 до 100 долларов, от 350 до 500 долларов и от 1500 до 5000 долларов. Прямая экономическая ценность прогностической модели может быть рассчитана на основе меньшего количества соединений, которые, следовательно, требуют этих ресурсов, — но только после учета стоимости первоначального развертывания машинного обучения.
Это возвращает нас к основным текущим эксплуатационным расходам на сбор данных и квалифицированный персонал, а также к значительным капитальным затратам на графические процессоры. «В принципе, можно попросить аспиранта ввести данные в систему прогнозирования на основе хемоинформатики и создать модель… но в конечном итоге это в равной степени искусство, а не просто наука», — говорит Опреа.
По его словам, лучшие прогностические модели обладают не только самым высоким коэффициентом детерминации R², то есть тем, насколько хорошо они объясняют изменчивость данных, но и самой низкой неопределенностью, основанной на показателях, измеряющих различия между прогнозируемыми и наблюдаемыми результатами, а также количество ошибок с течением времени. «Таким образом, в рамках этой ценности прогнозирования… мы используем активное обучение».
Как объясняет Опреа, активное обучение, которое в 1980-х и 1990-х годах часто называли «планированием экспериментов», подразумевает использование роботов машинного обучения для выявления соединений, существенно отличающихся от имеющихся в портфеле, с целью обогащения моделей и повышения их стабильности. Именно так компания AstraZeneca за 30 лет смогла создать стабильные модели, выдающие миллион достоверных прогнозов в день. «Все дело в том, как я могу использовать машинное обучение для принятия решений на следующем этапе».
Инструментов предостаточно
По словам Опреа, в сфере искусственного интеллекта и машинного обучения перспективным направлением является генеративная химия, используемая для разработки новых молекул с определенными желаемыми свойствами. Однако, что может стать неожиданностью для многих, эта концепция существует с 1993 года, когда Дэвид Вайнингер получил патент на то, что тогда называлось «генетическими алгоритмами» для генерации молекул in silico с нуля.
По его словам, сейчас генеративная химия использует «функции пригодности» для управления моделями ИИ при проектировании молекул с необходимыми свойствами, такими как высокая аффинность связывания, доступность синтеза или оптимальная растворимость. На основе всех этих накопленных знаний правила развились настолько, что модели могут предоставлять то, что устраивает химиков.
Вклад человека имеет решающее значение для отсеивания нелепостей, включая потенциально токсичные или несинтезируемые соединения. Компьютерная программа должна быть обучена разумным и технически возможным решениям людьми, которые в этом разбираются. Только тогда открывается «огромная возможность исследовать новые химические области», — говорит Опреа.
Помимо Gemini 3 Pro, создаются и специализированные приложения для генеративной химии путем комбинирования LLM-систем, добавляет он. Зачастую они разрабатываются для функционирования в качестве автономных агентов.
Компания AstraZeneca разработала инструмент генеративного искусственного интеллекта с открытым исходным кодом для проектирования молекул под названием REINVENT, который сочетает рекуррентные нейронные сети и обучение с подкреплением, а не универсальную модель линейных молекулярных структур (LLM). Последняя версия также включает модели на основе трансформеров, что позволяет генерировать сложные и корректные структуры.
Существует все больше коммерческих и открытых инструментов генеративной химии для поиска новых молекулярных соединений, например, для определения наиболее оптимальной молекулы, проникающей в мозг, с периодом полураспада 30 минут, чтобы ее можно было разработать в качестве лекарственного средства, полезного в операционной. Для людей, участвующих в этом процессе, важно сформулировать конкретные вопросы и параметры, частично основываясь на существующих знаниях о других лекарствах, чтобы в конечном итоге получить что-то, что можно будет использовать в клинических испытаниях.
Источник: www.bio-itworld.com
