Исследователи из Гарвардской медицинской школы представили уникальный инструмент, способный радикально изменить процесс создания новых лекарств. Их разработка — PDGrapher, графовая нейросеть, которая помогает находить терапевтические мишени и потенциальные комбинации препаратов гораздо быстрее и точнее, чем существующие методы.
Процесс разработки новых лекарств всегда считался одним из самых дорогих и долгих в науке. В среднем от идеи до выхода готового препарата на рынок проходит от 10 до 15 лет, а расходы фармацевтических компаний могут достигать миллиардов долларов. При этом значительная часть кандидатов отсеивается уже на ранних этапах испытаний. Причина кроется в сложности биологических систем: предсказать, как именно подействует лекарство на клетку или организм в целом, чрезвычайно трудно.
PDGrapher призван решить именно эту задачу — ускорить вычислительные стадии разработки, которые предшествуют лабораторным и клиническим экспериментам.
Большинство современных алгоритмов в биоинформатике работают по принципу прямого прогноза: они анализируют молекулу и пытаются оценить, как она повлияет на конкретную клетку. Однако PDGrapher использует метод обратного поиска. Вместо того чтобы угадывать реакцию клетки на лекарство, модель сравнивает здоровое и больное состояние клетки и ищет, какие изменения помогут «вернуть» её в нормальное состояние.
По сути, нейросеть не подбирает таблетки вслепую, а как бы разгадывает биологическую головоломку, определяя, какие звенья клеточных взаимодействий стоит изменить, чтобы восстановить здоровье.
Учёные протестировали PDGrapher на 19 наборах данных, охватывающих 11 видов рака. Модель показала впечатляющие результаты:
-
вычисления выполнялись до 25 раз быстрее, чем у конкурирующих алгоритмов;
-
вероятность нахождения правильных терапевтических мишеней оказалась выше;
-
в ряде случаев модель смогла «открыть заново» уже известные решения, которые были специально исключены из обучающих данных.
Это говорит о том, что система не просто запоминает датасеты, а действительно способна находить новые, неожиданные варианты терапии.
Результаты исследования опубликованы в престижном журнале Nature Biomedical Engineering, что подчеркивает научную значимость работы.
Хотя пока PDGrapher прошёл только вычислительные испытания, исследователи планируют следующий этап — доклинические и клинические исследования. Они помогут оценить, насколько предсказания модели эффективны для реальных пациентов.
Даже на нынешней стадии разработка имеет практическую ценность. Система уже может использоваться как исследовательский инструмент:
-
для быстрого отсевa неработающих гипотез,
-
для снижения стоимости лабораторных экспериментов,
-
для ускорения поиска комбинаций препаратов, которые могут быть эффективны при сложных заболеваниях.
Код алгоритма выложен в открытый доступ на GitHub под лицензией MIT, что делает его доступным для мирового научного сообщества. Это позволит исследователям из разных стран тестировать, улучшать и адаптировать систему под конкретные задачи — от онкологии до разработки лекарств против редких заболеваний.
Появление PDGrapher может стать важным шагом к персонализированной медицине. Если система научится учитывать индивидуальные данные пациента — генетику, состояние организма, реакции на прошлое лечение, — врачи смогут подбирать терапию под конкретного человека, а не только по общим стандартам.
Внедрение подобных ИИ-систем может сократить стоимость вывода лекарства на рынок на миллиарды долларов и ускорить процесс с десятилетий до нескольких лет. В условиях, когда пандемии и новые заболевания требуют оперативных решений, такие технологии могут сыграть решающую роль.
Москва, 30-31 мая 2024, MATE