Заметки из окопов: взгляд вычислительного биолога на цифровую революцию в разработке лекарств.

Автор: Эллисон Проффитт

23 июня 2026 г. | Когда Элеонора Хоу вышла на сцену конференции и выставки Bio-IT World Conference & Expo 2026, чтобы выступить с ежегодной речью «Тренды из окопов», она пришла с четким указанием: никаких модных словечек, никакой рекламы от поставщиков и никакого маркетингового приукрашивания.

Эта сессия, являющаяся неотъемлемой частью конференции с момента ее основания более двух десятилетий назад, была создана консультантом Крисом Дагдигяном как целенаправленная альтернатива тому, что он назвал «тонко замаскированными рекламными презентациями, произносимыми руководителями высшего звена». С тех пор Дагдигян и другие участники на протяжении многих лет твердо придерживались откровенного и независимого духа этой сессии. В этом году Дагдигян выступил с предварительно записанным сообщением, чтобы официально передать эстафету, и представил Хоу как человека, «сделанного из того же теста»: честного, объективного и ориентированного на результат.

Конечно, Хоу хорошо знакома с миром биоинформатики. Будучи специалистом по вычислительной биологии и основателем компании Diamond Age Data Science, она сама уже много лет является частью этого сообщества: регулярно выступает с докладами, входит в состав жюри конкурсов и, совсем недавно, ведет подкаст Trends from the Trenches.

В этом году она подготовила сессию «Тенденции из практики», основываясь на многочасовых интервью с коллегами, клиентами и доверенными консультантами из сектора медико-биологических наук, представив всесторонний и откровенный обзор текущего состояния отрасли и прогнозов на будущее.

Все только и говорят об одном: о программистах.

Если и была какая-то одна тенденция, о которой Хоу слышала от каждого из опрошенных ею людей, то это был рост числа программистов, использующих искусственный интеллект, и их глубокое влияние на повседневную работу биоинформатиков.

«Биоинформатики способны писать больше кода за меньшее время и создавать более масштабные проекты за то же время», — сказала она. «Биологи могут сами строить графики. Они могут проводить анализ — как положительный, так и отрицательный результат».

Хуже того: взаимодействие с агентами может быть утомительным, предупредила Хоу. «Программирование может быть расслабляющим, а работа с агентом — нет». Но есть и преимущества. Хоу привела в пример недавний перенос edgeR на Python Лиором Пахтером за одну неделю всего за 500 долларов — задача, которая в противном случае заняла бы месяцы (см. его блог, где он размышляет об этом процессе). «Он смог выделить неделю на эту работу, — сказала она. — Но он не смог бы выделить три месяца». Для сообщества, которое долгое время боролось за поддержание программного обеспечения с открытым исходным кодом при ограниченных ресурсах, по ее мнению, это может стать поворотным моментом.

Что же это значит для ученых и организаций?

Однако для тех, кто стремится попасть в эту область, Хоу прямо заявила: традиционный путь для талантливых программистов, желающих работать в сфере биологических наук, закрывается. «Просто умение программировать уже не помогает в нашей области. Нужно разбираться в науке». Для начинающих специалистов ситуация еще сложнее. «Мне очень жаль молодых специалистов, которые пытаются устроиться на работу в нашей сфере, — сказала она. — Сейчас очень, очень, очень сложный рынок труда».

Ее совет начинающим ученым был прагматичным. Стремитесь к реальному практическому опыту. Научитесь управлять собой, справляться со сложными проектами с взаимосвязанными приоритетами и проявляйте настойчивость, когда все идет наперекосяк. «Программы PhD на самом деле неплохо справляются с этим», — сказала она. «Правильно подобранная магистерская программа, основанная на написании диссертации, тоже может этому способствовать».

Хоу столь же прямолинейно высказалась и о руководителях организаций, присутствовавших в зале. Если ваша компания полностью запретила использование чат-ботов и инструментов искусственного интеллекта, предупредила она, ваши сотрудники уже используют бесплатные версии и допускают утечку интеллектуальной собственности. «Очень важно получить лицензию на то, что защитит вашу компанию», — сказала она, добавив, что организациям следует сопротивляться искушению привязаться к одному поставщику. «Я бы посоветовала постараться сделать [ваши платформы] независимыми от LLM и создать гибкий интерфейс, который позволит переключаться между многими из них… В следующем году все будет совершенно по-другому, и выяснится, какая из них лучше всего подходит для ваших текущих задач».

Проблема «разработки лекарств с помощью ИИ»: больше шумихи, чем сути.

Искусственный интеллект не находится где-то там, автономно открывая лекарства и сопровождая их на протяжении клинических испытаний, заверила Хоу аудиторию. На самом деле, по ее словам, происходит нечто более постепенное и интересное: набор различных вычислительных инструментов, объединенных под общим названием «ИИ», интегрируется на разных этапах процесса разработки лекарств. Работа в области структурной биологии, ставшая возможной благодаря AlphaFold, по ее словам, является подлинным и значительным шагом вперед.

Она рассказала об одной компании, которая разработала новый модифицированный антитело полностью с помощью компьютерного моделирования, вырастила его в клетках, получила кристаллическую структуру и обнаружила, что она совпадает с расчетной структурой с точностью до ангстрема. «Это сокращает время разработки на год, может быть, на два года», — сказала она. «Это огромный шаг вперед».

Но Хоу также резко высказалась о неудачах. Она выделила модели транскрипционного профилирования как поучительный пример. Основная проблема заключается в данных: хотя AlphaFold добился успеха, потому что мог использовать многолетнюю, строго структурированную базу данных белков, транскрипционное профилирование включает десятки тысяч генов, на каждый из которых влияют тип ткани, возраст, пол и условия окружающей среды, которые слишком многочисленны, чтобы их перечислить.

Она утверждала, что действительно работают небольшие, специально разработанные модели, предназначенные для решения конкретных биологических задач, с тщательно отобранными и целенаправленно созданными данными. «Метод «сбора всех данных по крупицам», когда все данные помещаются в модель, а затем на их основе строится фундаментальная модель, — в биологии он не сработает так, как сработал в человеческом языке», — сказала она. «Биология сложнее английского языка».

Некоторые специалисты в этой области предложили в качестве решения использовать синтетические данные. Хоу резко отвергла эту идею. Она предупредила, что модели, обученные на синтетических данных, учится на несовершенствах симуляции, и обучение последующих поколений на этих данных экспоненциально усугубляет эти ошибки. «Не пытайтесь моделировать и обучать на этом», — сказала она. «Это ужасная идея. Создавайте больше моделей или делитесь ими с другими».

Предупреждение о недобросовестных лицах

Однако обмен данными не лишен рисков. Она рассказала, что лично слышала о компаниях, которые удаляли разделы с указанием авторства из научных статей, выдавая чужие работы за свои собственные. Она также предостерегла организации, которые обращаются к потенциальным партнерам с просьбой предоставить полный доступ к конфиденциальным данным, обещая добросовестность — гарантии, которые, по ее словам, не все стороны выполняют.

Ее практическая рекомендация: по возможности, делитесь весами модели, а не исходными данными, подобно федеративной модели, представленной на одном из пленарных заседаний конференции. После того, как модель обучена и ее веса извлечены, исходный набор данных невозможно восстановить.

Что работает, и что не работает

Хау провела краткий обзор дополнительных тенденций, выделив четкие различия между тем, что специалисты используют на практике, и тем, что остается лишь мечтой.

Что касается практической стороны: AlphaFold и связанные с ним инструменты структурной биологии, системы активного обучения, которые направляют экспериментальный дизайн для максимизации прироста информации, и подходы к федеративному обучению, позволяющие организациям объединять веса моделей без раскрытия базовых конфиденциальных данных. Также заслуживает внимания ввод данных в электронные лабораторные журналы с помощью ИИ, который она описала как эффективное решение давней проблемы сопротивления ученых обработке данных в электронных лабораторных журналах. «LLM сами решают свою проблему», — сказала она.

Что касается «ещё не доведённых до совершенства» технологий: автономные учёные-ИИ («Я ещё не видел ни одного учёного-ИИ в действии, хотя побывал во многих компаниях»), виртуальные клетки и моделирование сродства белков с помощью новых методов ИИ. «Для этого по-прежнему используются старые методы, такие как алгоритм Шрёдингера».

Она также привела простой эмпирический вывод: в прямых сравнительных тестах классические методы машинного обучения — случайные леса, LASSO-регрессия, линейные модели — часто превосходят новейшие архитектуры трансформеров в решении конкретных биологических задач, при этом значительно снижая затраты и вычислительные ресурсы. «Мы сэкономили нашим клиентам много денег, сказав: почему бы нам не попробовать линейную модель и посмотреть, подойдет ли она вам?»

Она осталась верна заявленной цели. «Сегодняшняя цель — не предсказывать будущее с помощью модных словечек, — сказала она в начале. — Цель — честно обсудить, что на самом деле требуется для следующей эры цифровых исследований и разработок».

Послушайте полную презентацию Хоу, в которой она расскажет о кризисе финансирования данных, омикс-технологиях, виртуальных клетках и многом другом, в этом месяце в эпизоде подкаста Trends from the Trenches, или посмотрите ее презентацию на YouTube.

Источник: www.bio-itworld.com