Искусственный интеллект относится к способности алгоритмов, интегрированных в системы и инструменты, обучаться на данных, чтобы они могли выполнять автоматизированные задачи без явного программирования каждого шага человеком.

ИИ революционизирует фармацевтическую отрасль, ускоряя и удешевляя процесс разработки новых лекарств. Традиционные методы создания лекарственных препаратов требуют огромных временных и финансовых затрат (в среднем 10–15 лет и от 43,4 млн до 4,2 млрд долларов США на одно лекарство). Однако с внедрением ИИ этот процесс становится более эффективным, точным и предсказуемым.

ИИ — несомненно, очень полезный инструмент: он уже с успехом используется для поиска мишеней, создания новых молекулярных структур, а затем и в доклинических и клинических исследованиях для идентификации пациентов, сбора клинической информации.

Так, в 2020 году компания Exscientia объявила о первой молекуле, разработанной с использованием ИИ. С помощью программы AlphaFold на базе ИИ (от Google DeepMind) была предсказана структура более 200 миллионов белков [1].

Осенью 2022 года Nvidia запустила BioNeMo — программный сервис, предлагающий доступ к десяткам моделей ИИ, включая AlphaFold. Другие модели могут имитировать молекулярный докинг с помощью DiffDock, генерировать малые молекулы с помощью MolMIM или белки с помощью RFdiffusion или предсказывать, насколько сильно молекула связывается с белком, с помощью NeuralPLexer [2].

Методы ИИ включают в себя машинное обучение (англ. machine learning; ML), глубокое обучение (англ. deep learning; DL), обработку естественного языка (англ. natural language processing; NLP) и генеративные модели. Например, AlphaFold (от Google DeepMind) использует глубокое обучение для прогнозирования структур почти всех известных белков, меняя понимание о патогенезе заболеваний [1]. Последние достижения в области масштабирования позволили создать большие мультимодальные системы (англ. large multi-modal models; LMM), способные обрабатывать огромные объёмы мультимодальных данных.

Технологии с использованием ИИ активно используют для решения важных проблем в фармацевтической промышленности и отраслях разработки ЛП. Увеличение количества рандомизированных клинических исследований (РКИ) с большими объёмами клинических, лабораторных и других данных определяет необходимость в их систематизации и интерпретации, которые может обеспечить использование ИИ и машинного обучения [3].

Прогнозирование результатов клинических исследований с помощью интегрированных моделей ИИ и машинного обучения позволяет значительно снизить стоимость доклинических и клинических исследований, а также повысить их эффективность [4].

Однако насколько ИИ способен повысить вероятность успеха в разработке лекарственного вещества, которая пока составляет менее 10 % для лекарственного препарата? Совершил ли ИИ революцию в разработке новых лекарственных веществ? Удастся ли с помощью ИИ найти новые классы лекарственных веществ? Поможет ли ИИ понять патогенез заболеваний? Пока успехи довольно скромные. AlphaFold галлюцинирует и не может заменить экспериментальные данные. В области доклинической и тем более клинической разработки и подавно — ещё очень долго главным критерием при одобрении лекарственных препаратов будет успех клинического исследования, и короткого пути тут нет. Многие надеялись, что вероятность успеха удастся повысить до 30–50 %. Более реалистичная оценка для ближайшего будущего — 3–5 %, и это уже будет очень хорошо. Правда, чтобы доказать даже такой результат, нужны десятки одобренных лекарственных препаратов, созданных с помощью ИИ. Пока что и до этого далеко: ничего кроме клинических провалов и остановленных программ такие лекарства не показали.

В чём причина? Для обучения ИИ нужны качественные данные. Там, где их много, успех есть: это моделирование молекул, генетика, тексты, телеметрия. В области патофизиологии и фармакологии данных так мало и они такие «грязные», что сначала требуется много усилий по их сбору.

Те системы, над которыми мы можем свободно экспериментировать (клетки, животные), должны дать нам информацию о системах, с которыми возможности эксперимента очень ограничены (пациенты). Ключевой барьер — это наличие данных о корреляции двух областей, и пока статистическая мощность датасетов измеряется тысячами, ИИ не может дать большой прибавки. Можно сколько угодно ускорять поиск молекул или оптимизацию антител — это даст прибавку в те самые несколько процентов, но не более [5].

Применение больших данных в процессе разработки лекарственных препаратов. Термин «большие данные» (англ. Big Data) описывает большие неупорядоченные объёмы данных, которые настолько обширны, что их слишком сложно обработать с помощью традиционных инструментов анализа [6]. Расширяется применение больших данных в клинических исследованиях и других областях исследований с использованием биологических данных. Огромный объём данных генерируется в процессе разработки и исследования лекарственных веществ. Необходимость в новых вычислительных методах, включая интеллектуальный анализ / генерацию данных, контроль, хранение и управление, приносит новые проблемы и возможности для исследований.

При анализе больших данных возникают определённые проблемы, связанные с объёмом данных и скоростью его увеличения, разнообразием источников и неопределённостью данных. Наборы данных, доступные для разработки лекарств, могут включать в себя множество соединений (например, от 100 000 до нескольких миллионов), которые были протестированы на многих моделях, а традиционные подходы к моделированию не всегда подходят для работы с такими данными. Кроме того, неопределённость или отсутствие части данных может служить препятствием для их использования. К сожалению, при переходе от исследований in vitro к исследованиям in vivo резко возрастают разнообразие и неоднородность полученных данных, что объясняется более сложными биологическими механизмами, такими как реакции организма на лекарства. Данная проблема больших данных потребовала разработки новых вычислительных подходов к обработке объёмных и многомерных источников данных для прогнозирования эффективности лекарственных препаратов и нежелательных реакций у животных и (или) людей [3].

Использование технологий машинного обучения в разработке лекарств. На этапе доклинических исследований важное значение имеет анализ известной информации о патофизиологии заболевания и выбор целевого белка для создания лекарства целенаправленного действия [3].

Неправильное понимание или недостаток информации о целевом рецепторе в лечении заболевания приводит к финансовым потерям и снижению эффективности процесса разработки лекарственного вещества. Эффективность и безопасность лекарственного препарата изучаются в РКИ. На данном этапе можно выявить непредсказуемые эффекты лекарственного препарата, не спрогнозированные на доклиническом этапе и связанные с дополнительными мишенями действия лекарственных веществ [3].

Использование алгоритмов машинного обучения, начиная с первых этапов клинического исследования, позволяет прогнозировать «скрытые» эффекты и возможные проблемы при воздействии лекарственного вещества на ту или иную мишень [3].

Применение технологий искусственного интеллекта в доклинических исследованиях. Рост вычислительных мощностей и разработка инновационных методов в области ИИ могут использоваться для реформирования процессов исследования и разработки лекарств. В последние годы произошёл значительный рост уровня цифровизации данных в фармацевтической промышленности. Их эффективное получение, анализ и применение для решения сложных клинических проблем является актуальной задачей. Системы на основе ИИ могут обрабатывать огромные объёмы информации, а использование алгоритмов машинного обучения позволяет повысить эффективность и производительность таких систем. Основное использование ИИ в данном направлении заключается в прогнозировании свойств лекарственных веществ, что может снизить потребность в клинических исследованиях и количестве их участников, а это будет выгодно как с финансовой, так и с этической точки зрения [3].

Предсказание структуры и свойств молекул. ИИ, особенно методы глубокого обучения, позволяет анализировать огромные массивы химических и биологических данных, предсказывая структуру молекул с нужными терапевтическими свойствами. Например:

Виртуальный скрининг соединений. Традиционный скрининг тысяч соединений в лабораториях занимает месяцы, но ИИ-алгоритмы могут за часы проанализировать миллионы вариантов, отбирая наиболее перспективные кандидаты. Например, IBM Watson Health и Benevolent AI используют ИИ для поиска потенциальных лекарств среди уже известных соединений (репозиционирование препаратов).

Оптимизация клинических исследований. ИИ помогает: выбирать подходящих пациентов для исследований, анализируя их генетические и медицинские данные; прогнозировать побочные эффекты, снижая риски; автоматизировать сбор и обработку данных, ускоряя исследования.

Персонализированная медицина. С помощью ИИ можно разрабатывать лекарства, учитывающие индивидуальные особенности пациента (генетику, метаболизм). Например, Insilico Medicine использует ИИ для создания персонализированных онкологических препаратов.

Преимущества искусственного интеллекта в фармацевтической отрасли: сокращение времени разработки (с 10+ лет до 2–5 лет); снижение затрат за счёт уменьшения числа неудачных экспериментов; повышение точности подбора молекул и прогнозирования эффективности; ускорение вывода лекарственных препаратов на рынок.

Несмотря на прогресс, остаются проблемы:

ИИ трансформирует фармацевтическую отрасль, делая разработку лекарственных препаратов быстрее, дешевле и эффективнее. В будущем ожидается появление большего количества ИИ-разработанных лекарственных препаратов, включая лекарства от редких заболеваний. Однако для полной интеграции ИИ в медицину необходимо решить вопросы регулирования, стандартизации ИИ. Применение ИИ в разработке лекарственных препаратов открывает огромные возможности для медицины, но одновременно поднимает ряд этических вопросов. Вот основные из них.

Прозрачность и объяснимость(Transparency and explainability)

Ответственность и регулирование(Responsibility and regulation)

Доступность и коммерциализация(Availability and commercialization)

Конфиденциальность данных (Data privacy)

Этические проблемы (Ethical issues)

Пути решения (Solutions)

Рекомендации ВОЗ подчёркивают необходимость баланса между инновациями и безопасностью. LMM могут революционизировать здравоохранение, но требуют прозрачности, этического дизайна и глобального сотрудничества. Ключевые приоритеты — защита прав пациентов, минимизация предвзятости и обеспечение устойчивого развития технологий [9].

ИИ в фармацевтической отрасли — это мощный инструмент, но его использование требует баланса между инновациями и этической ответственностью.

Достижения в области ИИ в эпоху больших данных помогают проложить путь к рациональной разработке лекарственных веществ, что окажет значительное влияние на процессы открытия и исследования новых лекарственных препаратов и в конечном итоге на систему здравоохранения в целом. Сочетание машинного обучения, особенно глубокого, с человеческими навыками и опытом может стать лучшим способом работы с многочисленными базами данных. Значительные возможности интеллектуального анализа данных в конечном итоге определяют новую парадигму развития цифровой медицины.

Большие мультимодальные системы (LMM), предварительно обученные на огромных объёмах данных, открывают новую эру в развитии клинической фармакологии. Применение таких технологий способно ускорить открытие лекарств, оптимизировать процесс доклинических и клинических исследований и персонализировать подходы к лечению пациентов [3].

Существующие правила лишь косвенно затрагивают вопросы, связанные с ИИ и LMM. Проблемы риска неправильного использования данных пациентов подчёркивают острую необходимость в совершенствовании регуляторного надзора и разработке нормативной базы, специально регулирующей использование ИИ и LMM в медицине на основе принципов прозрачности, подотчётности и безопасности. Она должна включать конкретные положения, которые помогут предотвратить неправомерное использование ИИ и LMM. Необходимо также предпринять усилия по продвижению этических норм и стандартов. Этичное использование ИИ в медицине — это не просто вопрос соблюдения нормативных требований, но и решающий фактор в обеспечении безопасности и благополучия как пациентов, так и общества в целом [10].

Предиктивные и аналитические возможности технологий ИИ превосходят традиционные методы поиска новых молекул для разработки лекарственных препаратов. Пока точность большинства алгоритмов остаётся недостаточной (менее 90 %), поэтому при использовании технологий машинного обучения, таких как LMM, необходима постоянная оценка моделей и актуализация информации для обеспечения их более высокой точности. Однако, несмотря на ограничения, интеграция ИИ в рабочие процессы и более широкое его использование может снизить затраты на разработку новых лекарственных препаратов и повысить её эффективность. Анализ больших данных и моделирование способствуют сокращению времени на поиск потенциальных молекул при разработке лекарств.

Применение ИИ позволяет также уменьшить затраты на исследования, поскольку он помогает эффективно сортировать и анализировать огромные массивы данных, выявляя наиболее перспективные соединения и минимизируя количество неудачных исследований.

1 Генеративно-состязательная сеть (англ. generative adversarial network; GAN) — алгоритм машинного обучения без учителя, который учит две нейронные сети конкурировать друг с другом и генерировать более реалистичные новые данные из заданного для обучения их набора [7]. 2 Систематическая ошибка (англ. bias; смещение) — процесс, который на любом из этапов рассуждений приводит к неслучайному (систематическому) отклонению результатов или выводов от истины [8].