Искусственный интеллект проник во многие области современности, и фармацевтика — не исключение. Технологии ИИ применяются на разных этапах — от обнаружения биологических целей до проектирования клинических испытаний и контроля качества на производственных линиях. Компании заявляют о возможности сокращения сроков разработки препаратов с нескольких лет до месяцев, исследователи получают инструменты для работы с огромными объёмами данных, а регуляторы сталкиваются с новыми задачами: как воспользоваться достижениями для ускорения внедрения инновационных лекарств в практику и при этом надежно проверять результаты моделей, которые сами обучаются использовать и воспроизводить информацию. При этом отраслевые эксперты всё чаще подчёркивают: ИИ не заменяет исследователя и не берёт на себя ответственность за то, эффективен ли препарат. На сегодняшний день не существует лекарства, созданного исключительно искусственным интеллектом и доведённого до клинического применения без участия команд учёных, врачей и технологов. В России интерес к использованию ИИ в фармацевтических исследованиях и разработках (R&D) постоянно растёт. Это объясняется усложнением самих лекарств и возрастанием требований по скорости вывода их на рынок. Кроме того, внедрение ИИ способствует процессам импортозамещения: при создании решений внутри страны снижается зависимость от иностранных поставок и зарубежных разработок. В таких условиях компании с полным циклом R&D — от научной идеи до промышленного выпуска — получают преимущество, поскольку цифровые методы можно интегрировать во все этапы, а не подстраивать под отдельные процедуры. © РИА Новости / Владимир ФедоренкоПерейти в медиабанкТаблетки От идеи — к молекулеТрадиционный путь разработки лекарства обычно занимает много лет: определение мишени, поиск и синтез молекулы, доклинические и клинические исследования, масштабирование производства и регистрация. На каждом из шагов возникают узкие места, и большинство кандидатов отсеивается. ИИ особенно полезен там, где задержка вызвана не недостатком идей, а огромным количеством вариантов и объёмом данных для сравнительного анализа. Наиболее наглядный пример — виртуальный скрининг и оптимизация соединений. Модели позволяют быстрее просевать библиотеки веществ, предсказывать, какие соединения вероятнее всего будут эффективно взаимодействовать с целевой молекулой, и подсказывать приоритетные образцы для лабораторной проверки. Благодаря ИИ лаборатории могут протестировать сотни и тысячи гипотез, что экономит месяцы и порой годы времени и значительные средства. Искусственный интеллект помогает прогнозировать свойства кандидатных молекул ещё до «мокрых» экспериментов с биологическими материалами. Современные алгоритмы оценивают растворимость, проницаемость, возможную токсичность, взаимодействие с ферментами метаболизма и стабильность соединения. Чем раньше выявляются уязвимости, тем меньше ресурсов тратится на безрезультатные опыты. Ещё одна важная роль ИИ — систематизация уже накопленных знаний. Публикации, патенты, реестры клинических испытаний, данные фармаконадзора — это огромные массивы текстовой и структурированной информации. ИИ способен быстро «прочитать» такие материалы, связать факты и найти повторяющиеся ошибки: где предпринимались схожие подходы, почему они оказались неудачными, какие нежелательные реакции фиксировались у близких по структуре препаратов. Отдельный кейс — репозиционирование: не создание нового препарата с нуля, а поиск новых показаний для известных молекул. ИИ серьёзно ускоряет такие исследования: он очищает и структурирует данные, помогает сузить набор для анализа и формирует список перспективных гипотез.