Искусственный интеллект давно называют одной из самых перспективных технологий для поиска новых лекарств, а инвестиции в AI-биотехнологии уже исчисляются десятками миллиардов долларов. Но пока реальные результаты заметно скромнее обещаний: ИИ научился находить перспективные кандидаты, однако это еще не привело к появлению большого числа новых препаратов на поздних стадиях клинических испытаний.

К такому выводу пришли авторы рецензируемой работы, опубликованной в Nature Reviews Drug Discovery. Они называют клинический эффект ИИ «разочаровывающе ограниченным».

Найти молекулу оказалось проще, чем доказать ее эффективность

Кака рассказывает Axios.com, главная проблема связана с разрывом между ранними этапами разработки лекарств и испытаниями на людях.

ИИ действительно стал полезным инструментом для поиска потенциальных лекарственных соединений и определения перспективных биологических мишеней. Но после этого разработка сталкивается с той же проблемой, что и традиционные препараты: необходимо доказать, что кандидат действительно работает у людей.

Особенно сложным остается второй этап клинических испытаний — Phase 2. Здесь препарат проверяют на пациентах и пытаются получить убедительные доказательства его эффективности и безопасности. Результаты могут сильно различаться между людьми, а биология реального человеческого организма значительно сложнее тех моделей, на которых обучаются алгоритмы.

Поэтому способность ИИ предсказывать перспективные молекулы сама по себе еще не означает, что эти молекулы станут эффективными лекарствами.

Главный дефицит — данные о человеческой биологии

Исследователи указывают на проблему, которая гораздо менее эффектно выглядит, чем новые модели ИИ, но может оказаться более важной для развития технологии: качество данных.

Для обучения моделей необходимы подробные сведения о работе клеток и организма, однако такие наборы данных часто оказываются недостаточно надежными, неполными или просто слишком сложными для стандартизации.

Биотехнологический журналист Дерек Лоу, комментируя исследование, отметил, что ученые пока не знают, как привести многие из этих данных к виду, пригодному для полноценного машинного обучения, и возможно ли это вообще.

Это создает своеобразный парадокс. Алгоритмы становятся все лучше, но данные, на которых им предстоит изучать человеческую биологию, остаются одним из главных ограничений.

В AI-биотехнологии уже вложили более $40 млрд

По данным PitchBook, за это десятилетие венчурные инвесторы вложили в AI-биотехнологические компании более $40 млрд.

При этом препаратов, разработанных с существенным использованием ИИ и уже продвинувшихся дальше второй фазы испытаний, пока очень мало. Сам по себе этот показатель не должен удивлять: разработка лекарств занимает годы и требует прохождения нескольких стадий испытаний.

Но именно здесь возникает расхождение между реальностью и первоначальными обещаниями индустрии. Сторонники использования ИИ неоднократно утверждали, что технология сможет заметно сократить сроки разработки лекарств. Пока убедительных доказательств такого ускорения недостаточно.

ИИ уже помогает принимать решения о лечении

При этом утверждать, что ИИ вообще не дает практической пользы в фармацевтике, было бы неправильно.

Например, Moderna и Merck начали третью фазу испытаний, в которой ИИ используется для выбора опухолевых мишеней у конкретных пациентов с раком. После этого пациентам назначается уже существующий препарат.

Однако это несколько другой сценарий. Здесь ИИ помогает принимать более точные решения о лечении конкретного человека, а не полностью меняет процесс создания нового лекарства с нуля.

Подобные применения могут стать важной частью медицины даже без появления полностью созданных ИИ препаратов.

Самые дорогие проблемы начинаются после открытия препарата

Некоторые инвесторы считают, что следующий большой эффект ИИ должен проявиться не только в поиске молекул.

Роберт Нельсен из Arch Venture Partners указывает на необходимость значительно большего объема данных о биологии, включая клеточные и популяционные данные. По его мнению, вместе с изменениями регулирования и развитием вычислительных технологий это может существенно изменить фармацевтическую отрасль.

Биджан Салехизаде из NaviMed Capital, напротив, предупреждает, что ИИ может пока использоваться преимущественно там, где внедрить его проще всего: в биостатистике, обработке данных после завершения набора пациентов и подготовке документов для регуляторов.

При этом самые дорогие и сложные задачи остаются нерешенными. Речь идет о проведении крупных исследований с сотнями или тысячами клинических центров по всему миру, запуске исследований, переговорах с центрами, наборе пациентов и постоянном мониторинге данных.

Получается, что ИИ уже способен помогать на отдельных этапах разработки, но пока не продемонстрировал способность устранить главные препятствия, которые делают создание нового лекарства долгим и дорогим процессом.

Между обещаниями и доказанным эффектом остается разрыв

Сегодня ИИ уверенно используется в отдельных задачах фармацевтики и биомедицины, однако это еще не равнозначно перевороту в разработке лекарств.

Главный вопрос теперь заключается не столько в том, сможет ли алгоритм придумать перспективную молекулу, сколько в том, сможет ли вся система — от лабораторных данных до масштабных клинических испытаний — превратить это предсказание в эффективное лекарство.

Пока именно на этом этапе преимущества ИИ остаются гораздо менее убедительными, чем обещания вокруг технологии.