Привет! Я Алина, врач-психиатр. На конференции в Шанхае мне понравился доклад Insilico Medicine — биотех-компания, которая ищет и создаёт лекарства с помощью ИИ: от поиска мишени (белка или гена, на который должно действовать лекарство) до дизайна самой молекулы. Сегодня перескажу пайплайн Insilico
💥 Шаг 1. Базы данных
Чтобы алгоритм нашёл мишень, ему нужно на чём то учиться. Учится он на омиксных данных, которые есть в открытых научных базах: лаборатории выкладывают туда свои эксперименты под кодами вроде GSE7307 (пример из доклада)
PandaOmics (их собственная платформа) собирает все доступные данные по эндометриозу — 88 «усреднённых по образцу» (bulk) и 4 с разрешением до отдельной клетки (single-cell) — и делает разметки: где случай, где контроль, какая ткань. Например, в GSE7307 — 677 образцов, 119 с эндометриозом против 502 здоровых
💥 Шаг 2. Ранжировать мишени
Сначала тысячи генов ранжируют — больше чем 20 моделями ИИ и биоинформатики сразу. Score идут слоями:
🔶 омиксные — экспрессия, мутации, сети, гетерогенный граф
🔶 текстовые — всплеск и тренд внимания литературы
🔶 KOL — индекс цитирования ключевых учёных
🔶 финансовые — гранты и их размер
🔶 LLM — druggability (можно ли вообще сделать лекарство против мишени), safety, novelty, mechanism clarity
Затем смотрят что это за белок (киназа, рецептор, ионный канал), насколько мишень уже освоена наукой (от Tclin с готовыми лекарствами до «тёмных» Tdark), можно ли против неё вообще сделать лекарство — таблеткой или антителом, и работает ли ген именно в больной ткани, а не по всему телу. На выходе — чистый список мишеней под болезнь и потенциальные диагнозы, на которые можно еще применить
💥 Шаг 3. TargetBench
Проверка метода. TargetBench 1.0 сравнивает датасет — 19 291 ген против 22 моделей с 5-fold кросс-валидацией (на 4 частях учат, на 1 проверяют). На вход идут и собственный TargetPro, и Open Targets, и LLM (BioGPT, ChatGPT, Grok, Claude, DeepSeek). Метрики — precision, доля druggable, число биоассеев
💥 Шаг 4. Агент PandaClaw
Поверх платформы — агент: задача формулируется словами, он сам подбирает навык из трёх категорий (Target Discovery, Pathways Analysis, Expression Analysis). На лёгочном фиброзе три агента искали параллельно — очевидную мишень, надёжную и новую. Так среди очевидных всплыл PDE4B (его ингибитор уже одобрен), а среди новых по TargetPro — CD44, прежде остававшийся вне фокуса. В этом и суть: подтверждённая мишень валидирует подход, а новая открывает будущее направление
💥 Шаг 5. Подтверждение
Например, для эндометриоза ИИ выделил два гена — GBP2 и HCK — с повышенной экспрессией в очагах. Дальше иммуногистохимия и сравнение с контролем
💥 Шаг 6. Спроектировать саму молекулу (Generative Biologics)
Здесь конвейер перестаёт быть про поиск и становится про создание лекарства. Отдельный модуль проектирует белковые препараты с нуля: пептиды, антитела, нанотела. Генеративные алгоритмы (graph-based AI, LLM, диффузионные модели) собирают молекулу-связыватель под мишень в 3D и ранжируют по MPO score — одной оценке, в которую сведены сразу несколько свойств: сила связывания, безопасность, технологичность в производстве
💥 Шаг 7. Из кейса — статья и фреймворк
Кейс эндометриоза вышел в Advanced Science. А общая методология «target identification + target assessment в эпоху ИИ» собрана в обзоре Nature Reviews Drug Discovery
Уже после доклада я стала таргетно искать материалы про психиатрию и увидела ScienceAIBench. Проверяли, как модели находят клинически подтверждённые мишени при депрессии, биполярном расстройстве и шизофрении. Метрика — MAP@TopK. Самой ровной по всем трём оказалась Claude Opus 4.1, биполярное расстройство хуже всего — у Gemini 0,567, у Grok 4 0,546.
Психиатрия — одна из самых сложных областей для ИИ: мало биомаркеров, диагноз держится на клинике. Домен, где модели слабее всего, ещё и наименее занят
И кстати на конференции женское психическое здоровье назвали одним из 6 потенциально прибыльных направлений
@FemtechForce — о технологиях для здоровья женщин
Текст подготовила #АлинаАкбашева