Модели машинного обучения помогают нам ориентироваться в этом пространстве. Мы можем предсказывать свойства молекул, выбирать подходящие варианты. Но выбранную молекулу нужно еще синтезировать и проверить. И тут тоже есть модели, которые предсказывают, можно ли ее синтезировать из того, что есть в лаборатории.

Допустим, мы нагенерировали с помощью ИИ 100 000 молекул. А теперь попробуйте их синтезировать в пробирке. Представьте, что у вас есть мешок с деталями LEGO и вы хотите собрать конкретную модель, но даже не знаете, все ли детали есть и соединятся ли они друг с другом. Химик может сидеть день и найти решение. А может неделю-две — и прийти к выводу: «Это невозможно сварить, придумайте новую молекулу».

Разработка лекарства — это не задача с одним решением. Мы ищем ту самую молекулу, тот самый ключик к лечению. Но фишка в том, что и замочных скважин — мишеней для препарата — несколько. И ключей может быть несколько. Наша задача — найти рабочую молекулу, которая будет нас удовлетворять по заданным характеристикам: эффективности и безопасности.

Процесс разработки лекарства состоит из множества шагов. И один из них — анализ патентов: не придумал ли уже кто-то в мире нашу молекулу. Ведь если мы пойдем дальше, потратим деньги, а потом окажется, что мы не можем производить и продавать препарат, потому что кто-то это уже делает, — это катастрофа.

Поэтому у нас есть проект, который помогает медицинским химикам автоматически вытаскивать информацию из патентов объемом по 500–600 страниц, и сравнивать ее с данными о нашей молекуле. Если находим совпадение — эту ветку дизайна просто не развиваем. В разработке же много веток, можно пойти другим путем. Если бы медицинский химик читал такой документ сам, это заняло бы неделю. И мы не исключаем, что-то можно проглядеть, ведь информации колоссально много. Но в любом случае алгоритм лишь подсказывает. Решение, закрывать ли ветку дизайна, принимает человек.

Процесс разработки лекарства — это очень трудоемкая история. Занимает более 10 лет, стоит миллиарды долларов, а вероятность того, что молекула-кандидат дойдет до регистрации, — 5–10%. Поэтому на каждом этапе мы стараемся выгадать хоть какое-то ускорение. И здесь ИИ очень помогает. Но есть вещи, которые он не заменит никогда.

Может ли ИИ описать человеческий организм уравнениями? Это нерешенная задача от слова «совсем». Поэтому все гипотезы мы проверяем на живых системах. До пациента препарат доходит только после огромного количества проверок: функциональные тесты на клетках, потом на более сложных моделях, на мышках, а затем три фазы клинических испытаний. Никакой алгоритм не способен пройти этот путь вместо реальных исследователей. Это регуляторные требования и безопасность.

По сути, для пациента нет никакой разницы, где родилась идея препарата: в голове ученого, в ходе научного спора или с помощью ИИ. Главное — что в итоге это будет проверенный, качественный препарат, который помогает. ИИ лишь ускоряет подготовку к старту, но на финише — всегда реальные исследования в реальном мире.

То, что когда-то было случайным открытием, сейчас становится системным процессом. Все знают пример с Виагрой, которую изначально разрабатывали от стенокардии, а в итоге внезапно обнаружили другой эффект. Теперь это не случайность, а отдельное направление, когда мы пробуем с помощью ИИ перепрофилировать лекарства и более аналитически к этому подойти. Но прежде чем сказать «да», мы обязаны провести новые тесты. ИИ подсказывает путь, но идти по нему мы должны сами.

Сейчас такая LLM-лихорадка у всех. Все общаются с чат-ботами, и вначале реально кажется, что они всемогущи. Но на самом деле все не так просто. Такие чат-боты сделаны для того, чтобы генерировать текст. А для молекул у нас есть специализированные модели и алгоритмы.

Если мы учим ChatGPT китайскому, то данных куча. А если мы говорим про разработку лекарств, то в фарме данных катастрофически мало, чтобы обучать такие же большие модели. Именно поэтому в разработке лекарств используются не гигантские LLM, а маленькие специализированные нейросети для конкретных задач. Потом мы ставим эксперимент в лаборатории: активна молекула или нет, токсична или нет. Получаем новые данные — и «скармливаем» их модели, чтобы она стала еще «умнее».

Это длинный и сложный путь. Чтобы обучить человека, нужны учебники, задачники, тетради. Чтобы обучить нейросеть — ровно то же самое: нужны качественные, тщательно подготовленные человеком данные.

25 лет BIOCAD прекрасно справлялся без искусственного интеллекта. Естественный интеллект в компании очень сильный, у нас большой портфель препаратов, и все это было достигнуто еще до применения нейронок.

Но ИИ — мощный инструмент, от которого нельзя отказываться. Он пришел в нашу жизнь, и это не просто возможность быстрее считать, это открытие новых парадигм. И все же тут нет зеленой кнопки «Сделай мне хорошо» или «Выпусти новую молекулу», после нажатия которой молекула вылезет из синтезатора и ты выйдешь с ней на рынок. Такое просто невозможно.

ИИ помогает сотрудникам делать больше за ту же единицу времени. Через какое-то время мы сами не заметим, как будем рады отдать всю скучную работу алгоритмам и делать только интересные вещи.

Многое в своей работе я делаю в условиях неопределенности: общаюсь с пользователями, составляю техническое задание, тестирую, ищу решения. Это не простая рутина «переложить из коробочки в коробочку», которую можно делегировать алгоритму. Вряд ли ИИ сможет заменить меня в обозримом будущем.