Компания Recursion Pharmaceuticals представила на вебкасте Morgan Stanley подход к разработке лекарств, в котором ключевую роль играют методы искусственного интеллекта. На встрече, прошедшей в среду, руководство подробно рассказало, как платформа на основе ИИ применяется по всей цепочке создания препаратов — от выбора биологических мишеней до проектирования молекул и планирования клинических исследований.
Как устроена платформа: от мишеней до клиники
Генеральный директор Наджат Хан (Najat Khan) и финансовый директор Бен Тейлор (Ben Taylor) описали, что Recursion использует машинное обучение в связке с экспериментальной биологией. Такой подход позволяет анализировать, как генетические изменения (генетические возмущения) влияют на работу клеточных и молекулярных систем, и тем самым быстрее находить потенциальные “точки приложения” для будущих лекарств.
В качестве одного из примеров компания привела работу по картированию, в рамках которой удалось выявить 25 новых мишеней одновременно. В традиционной модели такие задачи нередко выполняются последовательно: сначала выбирают одну мишень, затем переходят к следующей. Recursion подчеркивает, что одновременное выявление набора мишеней способно сократить сроки, которые иначе занимали бы годы.
Проектирование молекул: генеративный ИИ вместо долгого перебора
Отдельный блок выступления был посвящен молекулярному дизайну. Recursion сообщила, что вывела соединение в стадию клинических испытаний после проектирования примерно 330 молекул за 17 месяцев. Для сравнения компания привела отраслевые ориентиры: в индустрии обычно рассматривают от 2 500 до 5 000 соединений в течение четырех–пяти лет.
Здесь компания делает акцент на генеративном ИИ — классе алгоритмов, которые не просто оценивают варианты, а предлагают новые структуры с заданными свойствами. По словам менеджмента, модель оптимизирует будущие кандидаты по нескольким критериям одновременно: мощности действия (potency), селективности (selectivity), безопасности и синтетической реализуемости (synthetic feasibility), то есть тому, насколько реально изготовить вещество в лаборатории и в дальнейшем на производстве.
Клинические испытания: ускорение набора пациентов
Руководство заявило, что ИИ-ориентированные решения уже помогают ускорять набор участников в клинических исследованиях — на 30–50%. Механика эффекта, как объяснила компания, связана с более точным подбором рекрутинговых стратегий и выбором площадок.
Кроме того, Recursion применяет алгоритмы к разработке протоколов и к стратификации пациентов. Под стратификацией обычно понимают разделение участников на подгруппы по биомаркерам и другим характеристикам, чтобы повысить вероятность ответа на терапию и уменьшить “размывание” результатов в группе.
Данные и экономический эффект: ставка на масштабирование экспериментов
Recursion также рассказала о накопленной экспериментальной базе. На текущий момент у компании сформировано 40 петабайт собственных данных, к которым добавлены еще 25 петабайт, полученных в рамках партнерств. В числе сотрудничеств названа работа с подразделением Genentech компании Roche.
В выступлении прозвучало важное объяснение про стоимость разработки. По словам менеджмента, блоки, связанные с тестированием на животных и соответствующими этапами химии, производства и контроля качества (CMC — chemistry, manufacturing and controls), могут составлять около половины расходов от первоначальной идеи до формирования “development candidate”, то есть кандидата на дальнейшую разработку. Компания ожидает, что по мере развития предиктивных (прогнозирующих) моделей экономия будет измеряться миллионами долларов.
Почему это важно: узкое покрытие генома и дорогая клиника
В завершение руководители связали технологию с общей проблемой фармотрасли. По их оценке, уже одобренные препараты и препараты на поздних стадиях терапии нацелены лишь примерно на 10% генома. При этом значительная часть капитала — около 70% средств, необходимых для успешной разработки препарата, — уходит именно на клиническую стадию.
Иными словами, ИИ-подход Recursion нацелен не только на ускорение отдельных этапов, но и на снижение числа “провалов” и затрат, которые возникают, когда кандидаты не оправдывают ожиданий в клинике. В таком контексте заявленные технологические результаты — от одновременного поиска 25 мишеней до проектирования 330 молекул за 17 месяцев — подаются как попытка изменить баланс между поиском, разработкой и стоимостью пути к пациенту.
