Лекарства, рождённые в нейросети: как ИИ-спроектированные молекулы дошли до клинических испытаний

Классическая разработка лекарства напоминает поиск единственного ключа к замку в коробке, где лежат миллиарды заготовок. Поиск занимает 10–15 лет, стоит один-два миллиарда долларов — и всё равно около 90% кандидатов проваливаются, когда доходит до испытаний на людях. На этом фоне звучали почти дерзко обещания компаний вроде Insilico Medicine, Exscientia и Recursion: нейросети сократят этап поиска молекулы с лет до месяцев и повысят шансы на успех. Прошло несколько лет, и сейчас, в середине 2020-х, впервые можно оценить эти обещания не по презентациям, а по данным. Молекулы, придуманные или отобранные искусственным интеллектом, действительно дошли до клинических испытаний, первые результаты опубликованы. Но честный ответ на вопрос «сработало ли?» оказался сложнее и интереснее, чем заголовки.

Как вообще «придумать» лекарство

Лекарство — это обычно маленькая молекула, которая прицельно встраивается в белок-мишень: блокирует его работу, активирует или перенаправляет. Проблема в том, что пространство возможных химических соединений оценивается в 10 в 60-й степени вариантов — больше, чем атомов в Солнечной системе. Перебрать их все невозможно ни в пробирке, ни на суперкомпьютере.

Традиционная медицинская химия идёт итерациями: химики синтезируют сотни и тысячи соединений, тестируют, видят, что получилось, и делают следующую волну догадок. На это уходят годы.

Генеративный дизайн лекарств меняет порядок работы. Модель, обученная на известных молекулах, структурах белков и результатах экспериментов, не просто отбирает лучшее из существующего каталога — она предлагает новые структуры, которых не было ни в одной библиотеке соединений, с заданными свойствами: прилипать к нужному белку, растворяться в крови, не бить по печени, не застревать в печёночных ферментах. Дальше молекулы всё равно синтезируют и проверяют в лаборатории — ИИ ничего не отменяет, он просто резко сужает поле поиска.

AlphaFold: перелом, за который дали Нобеля

Долгое время слабым звеном была сама форма «замка». Чтобы спроектировать ключ, нужно знать трёхмерную структуру белка-мишени, а определять её экспериментально — рентгеноструктурным анализом или криоэлектронной микроскопией — дорого и медленно, а иногда невозможно.

В 2020 году система AlphaFold2 от DeepMind на конкурсе CASP показала, что предсказывает структуры белков по аминокислотной последовательности с точностью, близкой к экспериментальной. Это был один из редких случаев, когда вычислительная биология решила проблему, которую учёные штурмовали полвека. В 2024 году Демис Хассабис и Джон Джампер получили за эту работу Нобелевскую премию по химии. Следующая версия, AlphaFold 3, пошла дальше: она предсказывает уже не только форму отдельных белков, но и то, как белки взаимодействуют с другими молекулами — включая потенциальные лекарства.

Важно понимать границу: предсказать структуру — не значит предсказать, сработает ли молекула в организме. Но это устранило главный узкий горлышко на старте и сделало ИИ-дизайн не маркетинговой идеей, а рабочим инструментом.

Рентозертиб: случай, за который цепляется вся индустрия

Самый цитируемый пример — работа Insilico Medicine. Компания использовала ИИ дважды: сначала для поиска новой мишени при идиопатическом лёгочном фиброзе — тяжёлом заболевании, при котором лёгкие замещаются рубцовой тканью, а терапевтических опций немного. Модель, анализируя массивы данных об экспрессии генов, указала на фермент TNIK. Затем генеративная платформа спроектировала молекулу-ингибитор этой мишени.

Препарат, известный как INS018_055 и получивший имя рентозертиб, дошёл от гипотезы до первой фазы испытаний примерно за 30 месяцев — вдвое-втрое быстрее типичного графика. В 2024–2025 годах опубликованы первые данные фазы IIa: препарат оказался достаточно безопасным, а у пациентов, получавших его, показатели функции лёгких выглядели лучше, чем на плацебо.

Это честная веха: впервые молекула, у которой и мишень, и структуру предложил ИИ, показала сигнал эффективности на людях. Но важно не перепутать: фаза IIa — небольшая выборка и короткое наблюдение. Решающие испытания, где препарат сравнивают со стандартом лечения на сотнях пациентов, ещё впереди. Многие многообещающие молекулы проходили фазу II и гибли в фазе III.

Урок первопроходца: попасть в клинику — не значит победить

История Exscientia полезна как противоядие от эйфории. Именно эта британская компания в 2020 году первой в мире вывела в клинику молекулу, спроектированную ИИ: DSP-1181, кандидата для лечения обсессивно-компульсивного расстройства, созданного совместно с японской Sumitomo. Заголовки тогда были триумфальными — этап дизайна занял меньше года вместо привычных четырёх-пяти.

А потом проект тихо остановили. Формальные причины сводились к тому, что профиль препарата не оправдал ожиданий, — обычная история для фармы, только на этот раз молекулу «придумал» алгоритм. Другие ранние программы Exscientia тоже попадали под сокращение. В 2024 году компанию поглотила американская Recursion — консолидация, которую многие прочитали как признак того, что автономная бизнес-модель «ИИ-компании лекарств» пока не выдержала проверку временем.

Урок простой: скорость, с которой молекула дошла до человека, — метрика этапа дизайна, а не метрика лекарства. Клинический провал может наступить по десяткам причин, никак не связанных с элегантностью химической структуры.

Гонка конвейеров и большие деньги

Тем временем поле выросло. У Recursion, Schrödinger, BenevolentAI и ряда других компаний в клинике находятся молекулы в фазах I–II — по онкологии, редким заболеваниям, иммунологии. Всего, по разным оценкам, к середине десятилетия ИИ-спроектированные или ИИ-отобранные кандидаты исчисляются уже десятками.

Самая громкая ставка — Isomorphic Labs, спин-офф DeepMind, построенный вокруг технологий семейства AlphaFold. Компания привлекла порядка 600 миллионов долларов инвестиций и заключила партнёрства с Eli Lilly и Novartis с потенциальным объёмом сделок до трёх миллиардов. Первые молекулы Isomorphic готовятся к клинике. Когда фармацевтические гиганты с вековой историей платят такие деньги за доступ к платформе — это сильный сигнал, что технологию воспринимают всерьёз. Хотя, заметим, крупные сделки в биотехе заключаются и на более ранних, непроверенных этапах: это в первую очередь ставка на вероятность, а не признание факта.

Что говорит статистика — и почему ей пока верить рано

Самое интересное — цифры. Анализы Boston Consulting Group и отраслевые обзоры, включая свежие публикации в Nature Reviews Drug Discovery, показывают обнадёживающую картину: ИИ-спроектированные молекулы проходят фазу I — первичную проверку безопасности — успешнее среднего по индустрии. Порядок цифр: 80–90% против обычных 40–60%.

Логичное объяснение есть: генеративные модели изначально оптимизируют молекулы под «развитостойкость» — растворимость, метаболизм, отсутствие очевидной токсичности. То, что раньше выбивало кандидатов в первой фазе, алгоритм отсеивает ещё на экране.

Но здесь нужны три оговорки. Во-первых, выборки малы: десятки молекул против тысяч в исторической статистике — при таких объёмах доверительные интервалы огромны. Во-вторых, фаза I в принципе самая лёгкая часть пути; основная гибель кандидатов происходит в фазах II и III, на эффективности, а данных по ним почти нет. В-третьих, на 2025–2026 год ни одна полностью ИИ-спроектированная молекула не прошла фазу III и не зарегистрирована как лекарство. Заголовки о «поздних фазах» чаще всего означают фазу II — это прогресс, но не финиш.

Где технология спотыкается

За оптимизмом стоят вполне материальные ограничения.

Данные. ИИ хорош ровно настолько, насколько хороши данные, на которых он учился. Биологические базы данных полны шума, систематических ошибок и невоспроизводимых экспериментов — проблема воспроизводимости в биомедицине признана давно и ИИ её не отменяет, а скорее наследует.

Токсичность и метаболизм. Структуру белков модели предсказывают блестяще, а вот поведение молекулы в живом организме — так называемые ADMET-свойства (всасывание, распределение, метаболизм, выведение, токсичность) — заметно хуже. Организм не сводится к одному замку и одному ключу.

Чёрный ящик в конвейере. Компании редко раскрывают, какова была доля ИИ в финальной молекуле, а какова — классической медицинской химии, которая «допиливала» кандидата руками. Это затрудняет честную оценку вклада технологии.

Регуляторы. FDA и EMA пока не выработали отдельных рамок для ИИ-спроектированных препаратов. Формально молекула оценивается по тем же стандартам, но вопросы прозрачности алгоритмических пайплайнов при регистрации ещё предстоит обсудить — особенно если возникнет спор о том, почему кандидат был выбран именно таким.

Что дальше

Главный вопрос сместился. «Умеет ли ИИ придумывать молекулы» больше не вопрос — умеет, и десятки кандидатов в клинике это подтверждают. Теперь спор о другом: проходят ли эти молекулы испытания успешнее обычных и окупятся ли миллиардные инвестиции в платформы по сравнению с традиционной разработкой.

Ближайшие три-пять лет дадут ответ. По мере продвижения рентозертиба и молекул Recursion, Isomorphic и их конкурентов в фазы IIb и III статистика наберёт объём, и станет ясно, было ли преимущество ранних фаз началом тренда или эффектом малой выборки.

Пока справедлива сдержанная формулировка: искусственный интеллект уже сократил самый медленный и дорогой этап — поиск и оптимизацию молекулы — с лет до месяцев, и это реальная, измеримая экономия. Но лекарством кандидат становится не в момент, когда его придумала нейросеть, а в момент, когда он доказал пользу на тысячах пациентов. Этот экзамен ИИ-спроектированные молекулы ещё только начали сдавать — и индустрия, вложившая в них миллиарды, ждёт первых оценок с куда большим напряжением, чем показывает.