Guest Club с основателем биотех-стартапа BIOPTIC Андреем Дороничевым: «Искусственный интеллект не заменит людей, но сделает их в десять раз эффективнее»

BIOCAD всегда выбирал путь, по которому до него никто не ходил. Первые в России биоаналоги. Первый в стране собственный оригинальный препарат на основе моноклональных антител. И теперь — одни из первых, кто начал системно внедрять искусственный интеллект на всех этапах разработки препаратов: от структурной биоинформатики до контроля производства. Задача одна — от скорости внедрения передовых технологий зависит, как быстро пациенты получат необходимое лечение.

Именно поэтому гостем проекта Guest Club, где сотрудники BIOCAD общаются с учеными, космонавтами и даже нобелевскими лауреатами, стал человек, который знает, как превращать передовые AI-решения в реальные продукты. Андрей Дороничев — основатель OPTIC, бывший директор по продуктам Google, создатель мобильной версии YouTube. Сегодня его стартап помогает фармкомпаниям принимать стратегические решения с помощью AI-агентов.

Вместе с вице-президентом BIOCAD по ранней разработке Павлом Яковлевым они обсудили, как нейросети меняют разработку лекарств, почему сотрудникам фармкомпаний не стоит бояться ИИ и что общего между поиском молекул и поиском видео в интернете.

От YouTube к молекулам: как ИИ-стартап нашел себя в биотехе

Павел Яковлев:

Андрей, сегодня в основном хочется поговорить о том, как ты и твоя команда с помощью AI пытаетесь изменить подход не только к генерации кандидатов лекарственных молекул, но и ко всему пути, который проходит препарат, чтобы оказаться у пациента. Это очень созвучно тому, что мы постоянно транслируем: совершенно неважно, сколько мышей мы вылечили от рака на доклиническом этапе разработки лекарственного средства. Гораздо важнее, сколько препаратов действительно дошло до регистрации, а значит — до пациентов. Но начать стоит все-таки с молекул.

Недавно в журнале Cell Chemical Biology вышла работа, в которой одна из AI-моделей BIOPTIC использовалась при поиске новых соединений для терапии атаксии Фридрейха. Это такое редкое наследственное заболевание, которое поражает нервную систему и сердце. Алгоритм посмотрел в пространство из 3,2 млрд соединений, 53 из них было синтезировано и проверено на клеточных культурах. При этом BIOPTIC начинался совсем не как биотехнологическая компания. Как вы оказались внутри эксперимента на пациентских клетках?

Андрей Дороничев:

Честно говоря, по случайности. Мы начали OPTIC как вертикальную AI-лабораторию в конце 2021 года. У нас не было четкого понимания, на какой отрасли фокусироваться. Я был на выходе из Google, ChatGPT тогда еще не вышел, но внутри индустрии мы уже понимали, что вот-вот появится искусственный интеллект для «внешнего мира». И тогда горизонтальные сценарии его использования будут покрыты гигантами типа Google или OpenAI. И мы решили, что сфокусируемся на какой-то узкой вертикали, где есть много данных, желательно в открытом доступе, много денег и не так много AI-таланта, то есть исследователей в области искусственного интеллекта.

Мы начали с истории, максимально близкой моему опыту в Google и YouTube, — идентификации цифрового контента. Построили супербыстрый движок для поиска подделок и нарушений авторских прав в блокчейне. Примерно год мы на этом росли, а потом рынок пошел вниз, и мы поняли, что не хотим тратить время на эту задачу.

При этом у нас было крутое техническое решение: очень быстрый AI-поиск по миллиардам сложных цифровых объектов — видео и картинок. Все работало буквально за миллисекунды. Я с ним ходил по разным конференциям, в том числе приехал в Ванкувер на TED. И вот, общаясь с участниками, я оказался за одним столом с профессором из Университета Британской Колумбии, доктором Артемом Черкасовым, который занимался тогда проблемой лечения рака простаты.

Будучи совершенно из разных областей, мы разговаривали о том, что делаем: я дал ему представление о нашем техническом решении, а он мне подсветил проблему, для которой это решение может пригодиться. Он сказал: «Слушай, если вы быстро индексируете миллиарды видео, попробуете то же самое сделать в большом молекулярном пространстве? У нас сейчас вышла база данных, там около 40 миллиардов молекул, и мы хотим их проверить на мишенях, под которые разрабатываем лекарства. Но все наши вычислительные методы слишком медленные. У меня есть суперкомпьютер, куча серверов, и при этом один скрининг занимает три недели». И я подумал: «Мы, по идее, можем за два часа это сделать». Так и вышло.

Дальше мы уже с большим интересом стали вовлекаться в коллаборации с разными лабораториями, с академической наукой, с индустрией. И там уже, конечно, наш портфель продуктов расширился далеко за пределы того первого решения.

А что от первоначального OPTIC перешло в BIOPTIC?

Доступ к талантам. Набрать сильных AI-исследователей невероятно сложно: ты борешься за них с гигантами вроде Anthropic и OpenAI. Нам повезло: в русскоязычном пространстве много крутых специалистов по машинному обучению, а у меня был публичный профиль в технической среде. Это помогло нанимать суперспецов, которых мы иначе не получили бы.

Команда, которая решала задачи компьютерного зрения, легко переключилась на молекулярные: ядро инфраструктуры перенеслось. Но главное — это способность привлекать таких людей и ставить перед ними нетипичные задачи.

Конечно, многих отпугивает специфика и отсроченный результат: обычно ты сразу видишь, работает модель или нет, а в фарме надо выделить бюджет, ждать шесть недель синтеза первых молекул, провести тесты в лаборатории. И только потом ты понимаешь, была ли верна твоя гипотеза. Такая особенность биотеха непривычна для «классических» технарей. Но те, кто проходит через это «испытание», получают доступ в уникальный мир, который при ином раскладе не открылся бы никогда. Мы работаем с ведущими биологами и помогаем лечить сложные заболевания. Это супернаграда для нас. Самое ценное наследство от OPTIC — наша способность собирать междисциплинарную команду, где айтишники и биологи говорят на одном языке.

В поисках «потерянных» молекул

У вас есть три основные модели для работы с малыми молекулами. Можешь объяснить, что делает каждая?

Bioptic B1 — это поисковая машина по молекулам. Вы даете ему активный лиганд и пространство молекул, а он находит те, которые будут работать так же или лучше, но при этом структурно не похожи на исходник. Он специально отсекает все, что слишком похоже по структуре. Это помогает найти альтернативные варианты — best-in-class.

Bioptic B2 — модель, работающая на основе белковых последовательностей. Для B1 нужен хотя бы один известный лиганд. А B2 может найти молекулу для доселе неизвестной мишени. По сути, мы построили мини-версию AlphaFold 3 еще до того, как она вышла на рынок. С помощью Bioptic B2 мы нашли первую в своем классе молекулу для одной из самых сложных мишеней при трижды негативном раке молочной железы. Ранее не было известно ни одного соединения, способного связываться с этой мишенью.

Bioptic B3 — универсальный предсказатель свойств молекул (всасывание, распределение, метаболизм, выведение, токсичность) для их оптимизации. Иными словами, модель не имеет отношения к поиску молекул, а используется для улучшения уже найденных кандидатов.

Заголовки новостей часто пестрят: «Нейросеть создала лекарство». При этом путают генерацию нового соединения и умный поиск среди уже существующих. Получается, ИИ-модели не создают новых соединений, а ищут среди уже существующего комбинаторного пространства? Как это устроено?

Да, важное замечание. Это не база, а комбинаторное пространство возможных синтезируемых молекул. Провайдеры предоставляют набор реакций, комбинаторно можно собрать огромное количество вариантов. Так что это поиск не по базе, а среди теоретически возможных синтезируемых вариантов.

Отделим два подхода.

Поэтому наш подход: первых кандидатов ищем среди комбинаторных библиотек — благо они теперь огромные, среди 40 миллиардов вариантов находим что-то практически для чего угодно. Плюс — гарантированно за шесть недель молекулы синтезируются и приходят на тестирование, что дает предсказуемость сроков.

А вот когда доходим уже до стадии улучшения, там может быть генеративная химия: тренируем маленькую модель в окрестностях выбранного соединения и апгрейдим те свойства, которые нужно дооптимизировать. Это уже кастомная работа. Но модели B1, B2, B3 универсальны: вы приходите с мишенью, мы прогоняем — почти как поиск в Google — и обычно что-то находим. В этом вся соль.

Это, наверное, то, что отличает технологические компании от фармацевтических — заточка под конкретный механизм. А что в итоге у медицинского химика оказывается на столе?

Список молекул в формате SMILES и показатель уверенности от нуля до единицы. Если уверенность 0,0001 — это «мусор». Как правило, в начале списка есть пара десятков перспективных молекул.

Хорошо, а если вернуться к тому, с чего мы начали. Из 53 соединений в исследовании по атаксии Фридрейха только два попали в статью. Это норма?

Да. Хороший показатель в вычислительной химии — 2–3%. У нас обычно 10–15%. В том исследовании мы нашли не просто две активные молекулы, а две, которые оказались сильно лучше того варианта, что уже был у лаборатории.

«Мы занимаемся ерундой»: как русский фидбэк дал новый виток развития

Многие думают: нашел молекулу — и все, лекарство готово, победа. Но мы-то с вами знаем, что это только начало. Обычно у фармкомпании есть «кладбище проектов», которые были лучшими в своих лабораторных и животных моделях, вылечили всех мышей на свете на этапе доклиники. Но при этом по разным причинам не пошли в клинические исследования. Или даже уже на клинических исследованиях были отозваны и не пошли дальше. У вас тоже в какой-то момент произошло это озарение?

Да. В первый год BIOPTIC мы натренировали модели, подписали коллаборации, нашли молекулы, запатентовали их. Я гордо поехал на крупную отраслевую конференцию, думал: «Сейчас найдем фармкомпанию и продадим лицензию».

А потом Алекс Жаворонков меня озарил.

И вот Алекс одарил меня русским фидбэком и объяснил, почему мы занимаемся ерундой и почему наши первые хиты вообще ни о чем. Потому что, пока мы в клинику не попадем, можно даже ни с кем не разговаривать и не ездить на конференции.

Ну да, вы ускоряете этап, который занимает 10% от всей разработки препарата…

Именно! Но тогда мы этого не знали. Когда ты впервые в жизни выезжаешь на Uber из Сан-Франциско в Лондон, и тебе говорят: «Вот есть Uber, который едет 10 минут, а есть, который едет час», — ты, конечно, думаешь: «Сейчас я на Uber, который едет 10 минут, до Лондона гораздо быстрее доеду». Но потом ты выясняешь, что совершенно неважно, сколько времени занял Uber до аэропорта, — важно, что дальше тебе 10 часов лететь в самолете. И самолет в этой метафоре — клинические испытания. Мы об этом ничего не знали, потому что этим путем еще не ходили.

Тогда я начал разбираться в рынке и выяснил, что за последние пять лет уже 25 компаний нашли свои молекулы для той же мишени, что и мы, и многие оказались сильно впереди нас. Это был первый момент прозрения: я понял, что я не один такой. Многие ученые, увлеченные своим белком, вообще не в курсе конкурентов и рынка. Они мыслят совершенно другими категориями и просто хотят делать лучшую науку.

И вот этот провал мы в итоге превратили в победу, построив Bioptic Agent. Мы поняли, что искусственный интеллект может помогать решать не только чисто научные проблемы, но и устранять этот разрыв связи между наукой и бизнесом.

Когда мы сделали это для себя, то увидели, что это может быть еще и внешним продуктом. На следующей конференции я сидел на обеде с сооснователем PureTech. Они выкупили за 4 миллиона долларов права на разработку молекулы для лечения шизофрении, которая провалилась в клинических испытаниях из-за токсичности, доработали ее, добавив другое соединение, которое нивелировало побочные эффекты, и в результате продали лицензию за 14 миллиардов.

И тут мне подарили второй русский фидбэк, сказав: «Андрей, ты занимаешься ерундой. Доклиника — это рулетка. Твои шансы как у стартапа — ноль. Но ваша автоматизация конкурентного анализа могла бы искать интересные возможности в фазе I–II — там, где риск ниже, а прибыль больше».

Так Bioptic Agent превратился из внутреннего инструмента в основной внешний продукт. Растет он быстро: за первый квартал прошлого года использование выросло в семь раз, за два месяца этого года мы подписали договоры с двумя фармкомпаниями из топ-5 мировых.

Сначала казалось, что лучший способ — это генерировать молекулы. А теперь поняли: Bioptic Agent важнее на более поздних этапах — вплоть до коммерциализации.

Это мощно. А расскажи подробнее о принципе работы Bioptic Agent. Допустим, я прихожу к агенту и говорю: «Найди мне недооцененные клинические активы». Что дальше происходит?

Bioptic Agent делает то же, что сделал бы человек, но плохо бы спал от этого. Открывает сотни вкладок, ищет в интернете, читает патенты, строит карту знаний. Он производит тысячи поисков. На один такой поиск запускается несколько сотен сессий с большими языковыми моделями. Самое важное — координация данных сквозь эти сессии и выстраивание связей между ними. Если в каком-то узле карты появляется новый документ, все остальные узлы тоже перестраиваются. Это занимает несколько часов, но на выходе вы получаете результат на двузначные проценты лучше, чем у любого горизонтального поисковика, и сопоставимый с консалтинговым агентством, которое решало бы такую задачу четыре месяца.

Мы используем систему коллективного обсуждения между разными ИИ-моделями: заставляем одну критиковать результаты другой, а третья выступает арбитром. Всё как в науке: один ученый может ошибаться или подгонять факты, а коллеги-рецензенты — нет. Кстати, в инструкциях к большинству больших языковых моделей написано: «Твоя задача — повышать вовлеченность, пользователь должен уйти довольным». Поэтому заставить такую модель честно сказать: «Я не знаю» — практически невозможно. А наша система, как рецензент, который этого не допустит.

И мы очень много внимания уделяем ссылкам на источники. В обычных чат-ботах с этим проблема — ссылки часто ведут не на те документы. А в Bioptic Agent каждая цифра в отчете подтверждена ссылкой на конкретный документ.

То есть принципиальное отличие от обычного чат-бота — это не нейросети, а то, как выстроена вся система?

Да, архитектура системы и связи внутри нее. Нейросети под капотом те же самые.

От «я один в поле воин» до «суперчеловека в экзоскелете»

Мы уже поняли, что разработчикам молекул ИИ не угрожает. А вот на следующих этапах — где вы видите ценность эксперта?

Когда мы готовили презентацию про Google Lens, то говорили, что через пять лет радиологи будут не нужны, потому что computer vision будет находить опухоли на рентгеновских снимках лучше и быстрее. Прошло 12 лет — радиологов стало больше, зарплаты выросли. Потому что ИИ не заменил их, а сделал работу радиологов эффективнее. Спрос на них вырос, зона применения их навыков стала шире, теперь радиолога вызывают там, где раньше его не дергали.

То же самое в фарме. Я пришел не заменять людей, а сделать их в 10 раз эффективнее. И выиграют те компании, которые будут внедрять ИИ. Важно идти в ногу со временем, пробовать новые инструменты и понимать, где можно делегировать ответственность, а где нельзя.

Человек в этой системе — точка принятия ответственности за результат. Любая организация состоит из лидеров и исполнителей. Чем дальше мы идем по лестнице ИИ, тем меньше будет чистых исполнителей — их заменят агенты. И тем больше будет лидеров, которые берут ответственность за результат работы этих агентов. Но эта точка интеграции ответственности всегда остается за человеком.

Как и в радиологии: теперь врач не смотрит сотни снимков — он проверяет результаты ИИ и подписывает диагноз. Так же и в других дисциплинах: не надо бояться, надо брать ответственность и осваивать инструменты. Вместо обычного поиска используйте Claude Code, это откроет новый мир. А лучше — работайте с агентом.

Мне кажется, это одна из главных мыслей, которая должна была прозвучать. А что бы ты посоветовал тем, кто пришел в биотех не из мира технологий?

Любая интеллектуальная работа в ближайшие пять лет будет фундаментально переосмыслена, так же как в свое время ручной труд был переопределен индустриализацией.

Мой главный совет: прямо сегодня открывайте AI-инструменты и начинайте решать свои ежедневные задачи через агента. Если вы научитесь управлять этими «виртуальными сотрудниками», вы превратитесь в суперчеловека в экзоскелете. Вы ничем не будете отличаться от программиста в Google, который сейчас проходит тот же путь: от «я один в поле воин» до «я плюс весь AI-обвес».

Святой Грааль и никакой магии. Блиц из зала — вопросы от сотрудников BIOCAD

Можно ли будет с помощью ИИ проводить клинические исследования — полностью или частично — in silico, в компьютере, без людей? И способно ли такое моделирование учесть человеческую уникальность?

Сейчас это фантастика. Симулировать даже одну клетку — нерешенная задача. Это святой Грааль всей нашей индустрии машинного обучения. Пока это не удалось даже фонду Марка Цукерберга. В организме 14 триллионов клеток, так что до симуляции целого человека или хотя бы отдельных органов — десятки лет.

С другой стороны, если бы в 90-м мне сказали, что мы будем генерировать видео нейросетями, я бы тоже не поверил. Прошло 30 лет — и вот, пожалуйста. Так что через 30 лет, возможно, что-то и получится.

Но уже сейчас в клинических испытаниях есть масса моментов, которые можно ускорить и сделать эффективней с помощью нейросетей. Начиная с процедуры информированного согласия: человек лежит в кровати, его везут на операцию, подают кипу документов, а он в этот момент не соображает, что подписывает.

Можно улучшить рекрутинг пациентов, процедуру согласия, информационные потоки. В два-три раза снизить стоимость рекрутинга за счет лучшего таргетинга. И еще процентов 30 затрат сократить, наладив информационные потоки — чтобы люди не распечатывали протоколы, не передавали их кому-то для заполнения и не вбивали потом данные обратно в компьютер вручную, что реально сейчас происходит.

Прежде чем симулировать человека, мы можем решить с помощью ИИ много других задач. Клинические испытания станут дешевле и эффективнее — не обязательно быстрее, но с большей вероятностью успеха.

Может ли Bioptic Agent найти причину неудачи молекулы в клинических и доклинических исследованиях и предложить модификации молекулы?

Увы, нет. Bioptic Agent не может за один присест все найти и проанализировать каждую программу до уровня «почему именно она провалилась».

Первая задача — собрать информацию. Типичный запрос: «Сделай ландшафт программ по такому-то таргету. Собери все в таблицу: данные по безопасности, эффективности, ключевые параметры». Это уже суперценно — экономит неделю работы или десятки тысяч долларов.

Дальше вы можете спросить: «Почему эта молекула провалилась? Проанализируй по всем известным источникам», — и он найдет самую актуальную информацию.

Потом можно копнуть еще глубже: подключить предсказатель свойств Bioptic B3 и сказать: «Давай прогоним наши собственные предсказания по токсичности для этой молекулы, и ты скажешь мне, что думаешь».

Он не творит магию за пределами того, что сделал бы человек на его месте. Он использует все доступные данные и инструменты и пытается с их помощью проанализировать большой массив информации. И делает это более структурировано и со значительно большей скоростью, чем любой человек. Но магии за пределами этого он не совершает.