Почему ИИ не может создать лекарство, но помогает ученым

Искусственный интеллект глубоко проник во все сферы современной жизни, фармацевтическая отрасль не стала исключением. Инструменты ИИ применяются в самых разных направлениях — от поиска биологических мишеней до планирования клинических исследований и контроля качества на производстве.

Фармацевтические компании обещают «сократить годы до месяцев» при разработке и выводе препаратов в рынок, ученые получают новые инструменты для работы с массивами данных, а регуляторы — новые вызовы: как использовать современные возможности для ускорения внедрения новейших лекарств в клиническую практику и одновременно качественно проверять результаты работы моделей, которые сами «учатся» использовать и воспроизводить данные.

При этом отрасль все чаще делает оговорку: ИИ не заменяет исследователя и не берет на себя ответственность за решение «работает лекарство или нет». В мире нет ни одного препарата, который был бы создан только искусственным интеллектом и прошел путь до успешного применения в практике без участия команды ученых, врачей и технологов.

В России интерес к искусственному интеллекту в фармацевтических разработках (Research and Development, R&D) постоянно растет. Это связано с тем, что препараты становятся сложнее, а требования к скорости их вывода на рынок растут. К тому же применение ИИ способствует развитию импортозамещения: чем больше решений создается внутри страны, тем меньше зависимость от внешних цепочек поставок и зарубежных разработок.

На этом фоне компании, обладающие полным циклом R&D — от разработки до промышленного выпуска, — получают преимущество: цифровые методы можно встраивать в каждую стадию, а не «подгонять» под отдельные процессы.

Классический путь создания лекарственного препарата обычно занимает годы: поиск мишени, подбор и получение молекулы, доклинические и клинические исследования, масштабирование производства, регистрация. На каждом этапе возникают узкие места, и большинство кандидатов отсеивается. ИИ ценен именно там, где скорость упирается не в отсутствие идеи, а в объем вариантов и данных, которые нужно перебрать и сопоставить.

Самый понятный пример — виртуальный скрининг и оптимизация молекул. Модели помогают быстрее просеивать библиотеки соединений, оценивать, какие из них потенциально лучше связываются с нужной мишенью, и предлагают варианты, которые стоит получить и проверить в испытаниях в первую очередь. Лаборатория может проверить сотни или тысячи гипотез при помощи ИИ — и уже это экономит месяцы, а зачастую годы работы и бюджет.

Искусственный интеллект позволяет прогнозировать свойства молекулы-кандидата до этапа «мокрых» испытаний в лаборатории, где проводятся эксперименты с уже реальными биологическими материалами. Современные модели умеют оценивать растворимость, проницаемость, потенциальные токсические риски, взаимодействие с ферментами метаболизма, а также устойчивость соединения. Идея проста: чем раньше понятны слабые места, тем меньше денег и времени уйдет на тупиковые эксперименты.

Еще одна важная функция ИИ — анализ уже накопленных знаний. Публикации, патенты, базы клинических испытаний, фармаконадзор — это миллионы документов и записей. ИИ умеет быстро «прочитывать» такие массивы, связывать факты и искать повторы ошибок: где уже пытались идти похожим путем, почему прежний сценарий не сработал, какие побочные эффекты встречались у близких по структуре молекул.

Отдельный сценарий — репозиционирование, когда препарат не открывают с нуля, а переоценивают уже известные молекулы для выявления новых показаний. ИИ значимо ускоряет такой поиск: он проводит «гигиену данных», помогает сузить данные для анализа и сформировать список гипотетических решений.

То есть, искусственный интеллект является отличным помощником, особенно на старте проекта, а дальше препарат проходит тот же путь, что и любой другой кандидат: с независимой проверкой, клиническими протоколами, биостатистикой и строгим контролем безопасности.

«Пока что видится, что искусственный интеллект помогает особенно значимо сократить время на предварительных этапах исследований. В частности, предсказать биологическую активность уже понятной нам молекулы -, или ускорить подходы к синтезу, и даже предсказать на расчетных моделях, как будет усваиваться препарат в организме», — говорит глава российской биофармацевтической компании «Промомед» Петр Белый.

Но пока ни одна с нуля созданная с помощью ИИ молекула в мире не превратилась в зарегистрированный лекарственный препарат. Ведь создание лекарства — это не только подбор структуры. Это понимание биологии болезни и физиологии организма, управление рисками, подтверждение причинно-следственных связей, оценка реальной клинической пользы и ответственность за безопасность пациента.

Поэтому задача ИИ — ускорять процесс: убирать лишнее, помогать с анализом больших данных, предоставлять информацию о типичных ошибках и предлагать варианты дизайна клинического исследования на основе уже известной информации.

Отдельная тема — качество данных: если наборы неполные, смещенные или плохо размеченные, модель может «ускорить» движение в неправильную сторону. Поэтому в фармацевтике искусственный интеллект почти всегда внедряют вместе с «дисциплиной данных»: едиными стандартами описания экспериментов, нормативами хранения информации и контролем изменений.

В России искусственный интеллект в фармацевтике чаще всего внедряют там, где он быстро дает измеримый эффект: ускоряет поиск молекул-кандидатов, сокращает число дорогих экспериментов и помогает планировать клинические испытания.

А для компаний с собственными научными компетенциями важно, что алгоритмы не просто выдают ответ, а становятся частью исследовательского процесса — со стандартами качества и подтвержденными выводами.

«Промомед» — яркий пример такой интеграции. В структуру компании входят собственный R&D-центр мирового уровня и высокотехнологичные предприятия — заводы «Биохимик» и «Берахим». Именно такая связка позволяет реализовать концепцию полного цикла производства «от Идеи — к Молекуле, от Молекулы — к Пациенту», оперативно реагировать на потребности отрасли и внедрять новейшие технологии для создания инновационных лекарственных препаратов.

Такая архитектура — «наука плюс завод» — делает цифровые инструменты более прикладными. Когда разработчик контролирует весь процесс: синтез, масштабирование, стабильность. Это снижает риск, что кандидат окажется «идеальным на компьютере», но неудобным для промышленного выпуска.

А собственный R&D-центр — ядро прорывных решений и основа развития бизнеса. Он включает лаборатории разработки готовых лекарственных средств (биотехнологических и на основе малых молекул) и разработки фармацевтических субстанций, аналитическую лабораторию, службу регистрации, центр координации трансфера на производство, а также службу контроля качества, охватывающую весь цикл — от разработки и производства до использования препарата в практике.

В портфеле компании более 360 лекарственных препаратов, среди них инновационные биотехнологические препараты, не имеющие аналогов на российском рынке. На основе собственных разработок выпускаются лекарства для лечения социально значимых заболеваний: сахарного диабета, ожирения, онкологических, неврологических, инфекционных, ревматологических и других заболеваний.

Одной из ключевых тенденций в медицинских исследованиях является минимизация количества добровольцев за счет перехода к биофармацевтическим исследованиям и подхода доказательств, основанных на моделях в том числе компьютерных.

Комплекс биофармацевтических исследований в рамках биовейвера (процедуры оценки биоэквивалентности лекарственного препарата без проведения исследований на людях) позволил существенно сократить объем клинических испытаний. Полученные результаты, включая характеристики профиля высвобождения, стабильность, в том числе в физиологически-релевантных средах, легли в основу рекомендаций Евразийской экономической комиссии (ЕЭК). Данный подход соответствует стандартам Международного совета по гармонизации технических требований к регистрации лекарственных средств для человека (ICH) и открывает новые возможности для применения в регистрации лекарственных препаратов при сохранении высокого уровня доказательной базы.

Подтверждением успешной реализации модель-интегрированных доказательств служит положительное регуляторное решение по досье на комбинированный антиретровирусный препарат для лечения инфекции, вызванной ВИЧ в форме суспензии для внутримышечного введения с пролонгированным высвобождением.

Готовые лекарственные формы были подробно охарактеризованы и оценены по ключевым параметрам, включая размер частиц и профиль их распределения, а также установлена зависимость скорости высвобождения от указанных характеристик. Дополнительно была разработана и апробирована методика оценки высвобождения в условиях близких к физиологическим. На основании полученных результатов была создана и валидирована физиологически обоснованная фармакокинетическая модель, позволившая определить критические параметры и подтвердить биоэквивалентность лекарственной формы.

Но искусственный интеллект в фармацевтике — это не только лаборатория. Там, где речь идет о масштабировании, на первый план выходят цифровые подходы к производству: роботизация, автоматизированные узлы контроля, электронные журналы качества и прослеживаемость. Их цель та же — меньше ручных операций, меньше вариативности и выше производительность.

В «Промомед» отдельно акцентируют производственную составляющую: у компании есть автоматизированные производства препаратов на заводе в Саранске — на площадке «Биохимик». На предприятии полностью автоматизировали производство таблеток — это исключает прямой контакт персонала с продуктом, снижает себестоимость и повышает безопасность.

Автоматизация снимает влияние человеческого фактора в рутинных операциях, освобождает персонал для других процессов. Это также упрощает внедрение производств новых препаратов: если технологические процессы стандартизованы и оцифрованы, их проще перенастраивать под различные требования.

По мере роста применения искусственного интеллекта в фармацевтике острее становится и вопрос доверия. Ведь медицине недостаточно высокой точности на тестовой выборке: нужно доказать, что модель надежна, что ее результаты воспроизводимы, а ошибки контролируемы.

Для разработчика это означает дополнительную ответственность и дисциплину во всех сферах: документация, контроль данных, валидация моделей машинного обучения, управление изменениями (ведь модель может «эволюционировать» при обучении) и, конечно, кибербезопасность.

В итоге ИИ начинает выглядеть не как «волшебная кнопка», а как еще один сложный инструмент, который требует квалифицированной команды — биологов, химиков, клиницистов, инженеров данных, специалистов по качеству и технологов.

Несомненно, искусственный интеллект уже меняет фармацевтические исследования, но он не отменяет фундаментальную логику доказательной медицины и не снимает ответственность за пациента.

«Искусственный интеллект — это огромное подспорье, и мы им пользуемся, и поэтому мы можем говорить про конвейер инноваций. Но мы ни в коем случае не говорим о замещении искусственным интеллектом работы людей», — резюмирует Петр Белый.