ИИ от российских учёных создаёт новые лекарства⁠⁠

Благодаря нейросети GENTRL, учёным удалось найти, синтезировать и проверить на животных новое лекарство от фиброза лёгких всего за 46 дней. (Иллюстрация из оригинальной статьи)

Ни для кого не секрет, что фармацевтический бизнес, пожалуй, самый неэффективный бизнес на свете. Стоимость вывода новой молекулы на рынок в среднем $1.8 млрд, а >90% потенциальных лекарств проваливаются на какой-либо стадии коммерческих испытаний. Причём >30% стоимости нового лекарства сконцентрировано ещё в доклинической стадии исследований, а сами исследования растягиваются на долгие годы (Рис.1).

Помимо этого, драг-дизайн находится в глобальном творческом тупике: всё сложнее придумать что-то новое. Весь низко висящий виноград уже собран, а чтобы дотянуться до верхних веток приходится тратить в разы больше, и при этом никто не гарантирует успех.

Но отечественным учёным похоже удалось разрешить эту проблему. В начале сентября Nature Biotechnology опубликовала статью "Deep learning enables rapid identification of potent DDR1 kinase inhibitors" ("Глубокое обучение позволяет быстро определять возможные ингибиторы DDR1 киназы"). Название в принципе хорошо раскрывает суть происходящего. Авторы утверждают, что за 46 дней придумали, синтезировали и экспериментально проверили действие 6 новых препаратов от фиброза лёгких.

Добиться таких успехов они смогли благодаря разработанной ими ИИ-платформе GENTRL. Знатоки машинного обучения могут найти оригинальную статью и написать в каментах, насколько GENTRL ИИ или не-ИИ. Я же скажу, что с помощью этой штуки удалось совершить то, с чем не справился бы ни один человек, а у группы людей заняло бы годы.

Рис.1 — Cтоимость вывода нового препарата на рынок, разбитая по стадиям разработки. WIP (work in progress) — cколько нужно продуктов на этой стадии разработки, чтобы один из них вышел на рынок. Все затраты обозанчены в $ млн. В данной оценке не учитываются затраты на поиск новых таргетов и расходы компании, не связанные с RnD (например, з/п остальных отделов). Модель составлена по данным о 13 крупных фармкомпаниях. GENTRL относится преимущественно к стадии Target-to-hit

Сурс

Итак, GENTRL. C точки зрения техники, это "variational autoencoder" — нейросеть, которая позволяет, получив вход, дать похожий на него выход, но с некоторой вариацией, которую может задать её оператор. Например, имея фото лица, нарисовать на нём очки. Подробнее об этом типе сетей здесь.

Чтобы обучить GENTRL и фильтровать её (его?) выдачу, учёные использовали 6 баз данных, среди которых были базы, содержащие структуры сотен миллионов веществ, структуры известных DDR1-киназ и информацию из патентов.

Изначально GENTL произвела 30к потенциальных лекарств, из которых после нескольких раундов фильтрации и тестов была отобрана одна наиболее перспективная молекула (Рис.2).

Рис.2 — из 30'000 молекул, сгенерированных GENTRL для ингибирования DDR1-киназы учёные отобрали одну самую перспективную, пропустив всю выдачу через различные фильтры и эксперименты.

Некоторым эта статья может показаться скучной, но это только до тех пор, пока они не задумаются о её значении для всей индустрии. GENTRL — первый, но вряд ли последний пример дизайна лекарств с помощью ИИ. В статье показаны только одна мишень, и только одна молекула прошла полный набор доклинических исследований. Но теоретически подобные пайплайны могут быть применены ко многим заболеваниям, выдавая десятки перспективных молекул. У такой парадигмы есть все шансы прочно укорениться и изменить весь ландшафт индустрии.

Низкие издержки на RnD позволят множеству игроков войти в эту отрасль и соревноваться с биг фармой. Лучшее перестанет быть врагом хорошего: разработка менее токсичных и более эффективных аналогов существующих лекарств станет финансово оправдана. Со сниженной стоимостью разработки больше редких заболеваний получат собственные, специфические препараты. И как всегда, рост конкуренции должен отразиться падением цен.

Напоследок я бы хотел отметить, что в данной публикации Nature больше дюжины авторов живут и работают в России. В этом плане статья уникальна (буду рад, если кинете в каменты статьи из группы Nature, где тоже внезапно куча русских). Если несложно, то твитаните оригинальную статью: так вы повысите её Altmetric Score и порадуете аторов.

https://www.nature.com/articles/s41587-019-0224-x