В последние годы на перекрестке высоких технологий и медицины все чаще говорят об искусственном интеллекте (ИИ) как о панацее для всех бед в области разработки лекарств. Однако реальность оказалась не такой обнадеживающей. Статья в знаменитом канадском издании освещает, почему многообещающие технологии машинного обучения не исполнили своих обещаний в области фармацевтики. Проблема заключается в том, что, несмотря на огромные инвестиции и ожидания, ИИ не смог кардинально изменить процесс разработки лекарств. Истории успеха зачастую искажают картину.
Например, канадская компания Deep Genomics, основанная в 2015 году, однажды заявила, что разработала первый в мире терапевтический кандидат, выявленный с помощью ИИ. В 2019 году они сообщили о находке эффективного средства от редкой болезни – болезни Уилсона. Однако, спустя несколько лет, компания остановила свои исследования, а прогнозы о многих предклинических кандидатах так и не реализовались. Подобные примеры показывают, что даже передовые технологии не гарантируют успеха. Одна из основных проблем заключается в сложности самой биологии.
Разработка новых лекарств – это длительный, дорогой и рискованный процесс. Известно, что около 90% кандидатов в клинические испытания не проходят необходимые проверки. Расходы на исследования и испытания остаются колоссальными, а сроки зачастую растягиваются на десятилетия. ИИ обещал решить эти проблемы, но многие стартапы так и не смогли достичь успеха. Исторически сложилось так, что многие компании полагались на слишком большое количество моделей ИИ, которые работали независимо друг от друга.
Это создавало дополнительные сложности. У Deep Genomics к моменту их неудач было 40 различных моделей, каждая из которых занималась узким сегментом задачи. Такой подход оказался неэффективным и неустойчивым. Сложность биологических систем просто не может быть редуцирована до простых правил, что делает задачу по предсказанию успешности разработки лекарств крайне сложной для ИИ. Интересно, что эксперты в области лекарств редко совпадают с профессионалами в области ИИ.
Трудно ожидать от специалистов, работающих с чистыми данными и алгоритмами, понимания всех тонкостей фармацевтической разработки. Команды, работающие над проектами ИИ, часто не имеют достаточного опыта в исследовании лекарств, что делает многие из их экскурсий в эту область менее целенаправленными. Поэтому, когда компании начали осознавать свои ограничения и необходимость изменений, было уже слишком поздно. Подобные откровения происходили не только в Deep Genomics. На фоне растущего разочарования многие стартапы продолжали сталкиваться с реальностью, когда разработанные с помощью ИИ препараты не проходили клинические испытания или не показывали ожидаемой эффективности.
Например, компания BenevolentAI не смогла продемонстрировать улучшения состояния у пациентов с экземой, а Exscientia закрыл свои испытания против рака. Данные примеры служат ярким напоминанием о том, что ИИ, сколь бы мощным он ни был, не способен гарантировать успех. Несмотря на эти неудачи, многие ученые и компании продолжают верить в потенциал ИИ для изменения процессов разработки лекарств. Например, модель BigRNA от Deep Genomics, представленная в прошлом году, предполагает решение многих из описанных выше проблем за счет объединения слишком большого количества механизмов в одну более универсальную систему. Это позволяет работать с данными и выводами более слаженно, что, в свою очередь, может повысить эффективность и ускорить процесс разработки новых препаратов.
Также важно отметить, что технологии в области ИИ продолжают развиваться. Появление более мощных и универсальных моделей подразумевает возможность их адаптации к сложным задачам в сфере биомедицины. Если старые подходы не сработали, новые методы работы с данными могут дать совершенно иные результаты. Понимание того, что крупные компании могут адаптироваться к этим новым технологиям, открывает новые горизонты для сотрудничества и инвестиционных возможностей. В то время как только несколько компаний смогли добиться успеха с помощью ИИ, многие стартапы и исследовательские лаборатории наберутся сил и знаний, работая с неудачами и ошибками.
Хочется верить, что в будущем технологии ИИ смогут стать более надежными инструментами в разработке новых лекарств, позволяя этому процессу стать более эффективным и менее затратным. Тем не менее, необходимо помнить, что ИИ – это лишь инструмент, который в наилучших руках может привести к удивительным результатам. Индустрия по-прежнему находится на этапе экспериментов, и неизбежно придется пройти через множество неудач, прежде чем мы увидим реальные прорывы. Инновационные подходы к разработке лекарств могут занять несколько лет, но ждать результатов стоит. Итак, несмотря на пессимистичный настрой некоторых специалистов, будущее изучения и применения ИИ в фармацевтике оптимистично.
Нужно продолжать исследовать, пробовать новые методы и учиться на прошлом. Каждый шаг, каждый эксперимент как с успешными, так и с неудачными результатами – это часть научного процесса, который в конечном итоге может привести к настоящей революции в разработке лекарств и улучшению качества здоровья миллионов людей.
