Искусственный интеллект в разработке лекарств — решение всех проблем или пустой хайп?

Недавно СЕО компании Moderna объявил в интервью, что AI через 3-5 лет поможет проникнуть в тайны большинства болезней, а это позволит их лечить. Оставим такие смелые прогнозы на его совести. Лучше обратимся к настоящему: насколько AI сейчас помогает разрабатывать лекарства? Совершил ли он революцию?

AI — несомненно, очень полезный инструмент: он уже с успехом используется для поиска мишеней, создания новых молекулярных структур, а затем — в клинических исследованиях для идентификации пациентов, сбора клинической информации. AlphaFold вообще произвел фурор, предсказав структуры 200 миллионов белков (при том, что в базе реальных структур их около 200 000)! Компания Nvidia заявляет о своих планах доминировать в этой области, предоставляя вычислительные мощности всем готовым платить.

Однако насколько AI способен повысить вероятность успеха разработки лекарств (которая, напомню, составляет менее 10% для лекарства, вошедшего в клинику)? Насколько с помощью AI удастся найти новые классы лекарств? Понять патогенез болезней? Пока успехи довольно скромные. AlphaFold галлюцинирует и не может заменить экспериментальные данные. В области доклинической и тем более клинической разработки и подавно: еще очень долго главным критерием при одобрении лекарства 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 — процентов на 3-5%, и это уже будет очень хорошо. Правда, чтобы доказать даже такой результат, нужны десятки кейсов одобренных лекарств, созданных с помощью AI. Пока что и до этого далеко: ничего кроме клинических провалов и остановленных программ, такие лекарства не показали. В итоге акции публичных битоех-AI-компании переживают не лучшие времена (см. рисунок в комменте).

В чем причина? Для обучения AI 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. СЕО компании insitro Дафне Коллер хорошо объясняет, что те системы, над которыми мы можем свободно экспериментировать (клетки, животные) должны дать нам информацию о системах, с которыми возможности эксперимента очень ограниченны (пациенты). Ключевой барьер — наличие данных о корреляции двух областей, и пока мощность датасетов измеряется тысячами, AI 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.

Возвращаясь к прогнозу Стефана Банселя: мы все были бы счастливы, если он сбудется, но, как говорит та же Коллер, не стоит кормить публику завышенными обещаниями: когда они не выполняются, это наносит вред всей области (как произошло, например, с longevity).