Биология + Нейронные сети

Помимо этого, драг-дизайн находится в глобальном творческом тупике: всё сложнее придумать что-то новое. Весь низко висящий виноград уже собран, а чтобы дотянуться до верхних веток приходится тратить в разы больше, и при этом никто не гарантирует успех.

Но отечественным учёным похоже удалось разрешить эту проблему. В начале сентября Nature Biotechnology опубликовала статью "Deep learning enables rapid identification of potent DDR1 kinase inhibitors" ("Глубокое обучение позволяет быстро определять возможные ингибиторы DDR1 киназы"). Название в принципе хорошо раскрывает суть происходящего. Авторы утверждают, что за 46 дней придумали, синтезировали и экспериментально проверили действие 6 новых препаратов от фиброза лёгких.

Добиться таких успехов они смогли благодаря разработанной ими ИИ-платформе GENTRL. Знатоки машинного обучения могут найти оригинальную статью и написать в каментах, насколько GENTRL ИИ или не-ИИ. Я же скажу, что с помощью этой штуки удалось совершить то, с чем не справился бы ни один человек, а у группы людей заняло бы годы.

Рис.1 — Cтоимость вывода нового препарата на рынок, разбитая по стадиям разработки. WIP (work in progress) — cколько нужно продуктов на этой стадии разработки, чтобы один из них вышел на рынок. Все затраты обозанчены в $ млн. В данной оценке не учитываются затраты на поиск новых таргетов и расходы компании, не связанные с RnD (например, з/п остальных отделов). Модель составлена по данным о 13 крупных фармкомпаниях. GENTRL относится преимущественно к стадии Target-to-hit

Сурс

Итак, GENTRL. C точки зрения техники, это "variational autoencoder" — нейросеть, которая позволяет, получив вход, дать похожий на него выход, но с некоторой вариацией, которую может задать её оператор. Например, имея фото лица, нарисовать на нём очки. Подробнее об этом типе сетей здесь.

Чтобы обучить GENTRL и фильтровать её (его?) выдачу, учёные использовали 6 баз данных, среди которых были базы, содержащие структуры сотен миллионов веществ, структуры известных DDR1-киназ и информацию из патентов.

Изначально GENTL произвела 30к потенциальных лекарств, из которых после нескольких раундов фильтрации и тестов была отобрана одна наиболее перспективная молекула (Рис.2).

Рис.2 — из 30'000 молекул, сгенерированных GENTRL для ингибирования DDR1-киназы учёные отобрали одну самую перспективную, пропустив всю выдачу через различные фильтры и эксперименты.

Некоторым эта статья может показаться скучной, но это только до тех пор, пока они не задумаются о её значении для всей индустрии. GENTRL — первый, но вряд ли последний пример дизайна лекарств с помощью ИИ. В статье показаны только одна мишень, и только одна молекула прошла полный набор доклинических исследований. Но теоретически подобные пайплайны могут быть применены ко многим заболеваниям, выдавая десятки перспективных молекул. У такой парадигмы есть все шансы прочно укорениться и изменить весь ландшафт индустрии.

Низкие издержки на RnD позволят множеству игроков войти в эту отрасль и соревноваться с биг фармой. Лучшее перестанет быть врагом хорошего: разработка менее токсичных и более эффективных аналогов существующих лекарств станет финансово оправдана. Со сниженной стоимостью разработки больше редких заболеваний получат собственные, специфические препараты. И как всегда, рост конкуренции должен отразиться падением цен.

Напоследок я бы хотел отметить, что в данной публикации Nature больше дюжины авторов живут и работают в России. В этом плане статья уникальна (буду рад, если кинете в каменты статьи из группы Nature, где тоже внезапно куча русских). Если несложно, то твитаните оригинальную статью: так вы повысите её Altmetric Score и порадуете аторов.

https://www.nature.com/articles/s41587-019-0224-x