ИИ сокращает поиск новых антибиотиков с лет до часов: новый класс лекарств не появлялся полвека
Поиск новых классов антибиотиков сократился с лет до часов благодаря анализу геномов нейросетями. Это ускоряет борьбу с устойчивыми инфекциями, которые ежегодно уносят миллионы жизней.
Лаборатория биоинженера Сесара де ла Фуэнте (César de la Fuente) применяет нейросети для анализа геномов живых и вымерших организмов в поисках молекул, способных бороться с устойчивыми инфекциями. Традиционный поиск новых классов антибиотиков занимает годы, но использование ИИ позволяет сократить первичный этап скрининга до нескольких часов.
Согласно данным OpenAI, проблема резистентности микробов к лекарствам становится глобальной угрозой: в 2021 году около 5 миллионов смертей были связаны с устойчивостью бактерий к антибиотикам. Прогнозы указывают на удвоение этого показателя к 2050 году. При этом новый класс антибиотиков не появлялся уже 50 лет.
Как ИИ ищет молекулы в «коде жизни»
Команда де ла Фуэнте рассматривает биологию как информационную систему. ДНК и белки интерпретируются как последовательности символов (нуклеотиды и аминокислоты), которые можно анализировать алгоритмически.
- Глубокое обучение: Модели ИИ обучаются распознавать паттерны в биологических последовательностях, чтобы находить потенциально активные молекулы в огромных базах данных геномов и белков.
- Инструментарий: Помимо собственных моделей, лаборатория использует ChatGPT и Codex для генерации гипотез, написания кода, обработки данных и анализа результатов.
- Междисциплинарность: ИИ помогает преодолеть разрыв между специалистами: биологи могут писать программы, а программисты — решать биологические задачи, не углубляясь во все детали молекулярной биологии.
Использование ИИ для анализа геномов позволяет переосмыслить подход к поиску лекарств: вместо модификации существующих препаратов внимание смещается на поиск принципиально новых структур в неизученных участках биологического «кода».
От цифрового кандидата до лекарства
Нахождение потенциальной молекулы с помощью ИИ — лишь первый шаг. Дальнейший путь к созданию готового препарата остается долгим и сложным:
- Экспериментальная проверка: Необходимо подтвердить, что молекула действительно убивает целевой микроб и безопасна для человеческих клеток.
- Оптимизация: Химики дорабатывают соединение, чтобы повысить его эффективность, стабильность и снизить токсичность.
- Тестирование на устойчивость: Проверяется, как быстро микробы вырабатывают сопротивление к новому веществу.
- Производство и регулирование: Разрабатывается надежный метод синтеза молекулы, после чего препарат проходит регуляторный контроль и клинические испытания.
Сесар де ла Фуэнте подчеркивает, что ИИ не заменяет лабораторные эксперименты. «Эксперименты с реальными данными необходимы для валидации предсказаний ИИ», — отмечает он. По его словам, прорывы чаще всего происходят на стыке научных дисциплин, где традиционные методы дают мало информации, а алгоритмы способны найти скрытые закономерности.
Практическое значение
- Скорость скрининга: Переход от многолетнего ручного поиска к часовому компьютерному анализу позволяет проверять значительно больше кандидатов за то же время.
- Доступность данных: Цифровые базы геномов открывают доступ к биологическим последовательностям вымерших видов, что расширяет пул потенциальных источников новых молекул.
- Снижение барьеров входа: Инструменты вроде ChatGPT позволяют ученым из разных областей быстрее осваивать чужую терминологию и методы, ускоряя междисциплинарное сотрудничество.
Хотя ИИ радикально ускоряет этап поиска кандидатов, окончательное создание нового антибиотика по-прежнему требует многолетних экспериментальных подтверждений и клинических испытаний, что ограничивает скорость вывода препаратов на рынок в краткосрочной перспективе.
Подтверждение: openai.com
