Приветствую всех читателей!
На протяжении без малого пятнадцати лет я занимаюсь созданием инновационных фармацевтических продуктов и систем диагностики. За это время я неоднократно наблюдала, как появление очередного технологического прорыва порождало эйфорию и надежду на скорое избавление человечества от всех недугов. Безусловно, достижения в генной инженерии, молекулярной биологии и иммуноонкологии стали фундаментом для прорывных методов лечения, однако многие тяжелые патологии всё еще остаются вызовом для современной науки.
В последние годы роль универсального ключа к решению медицинских проблем прочат искусственному интеллекту. Здесь уместно вспомнить как амбициозные планы Марка Цукерберга по искоренению болезней, так и прогнозы Билла Гейтса о том, что нейросети возьмут на себя большую часть врачебных функций. Тем не менее, как и в других высокотехнологичных отраслях, период завышенных ожиданий сменился этапом прагматичного осмысления реальных возможностей и границ применимости данных методов. В этой статье я представлю взгляд представителя академической науки на текущий ажиотаж вокруг ИИ и проанализирую, насколько обоснованы утверждения о неизбежной замене человека алгоритмами.
Классическая парадигма создания лекарственных средств
Для объективной оценки потенциала ИИ в фармацевтике необходимо понимать структуру жизненного цикла разработки нового препарата и специфику данных, генерируемых на каждом этапе (рис. 1). Всё начинается с идентификации биологической мишени и поиска химических соединений, способных точечно воздействовать на неё. Далее следуют доклинические испытания: проверка безопасности, стабильности и биологической активности молекул на клеточных культурах (in vitro) и животных моделях (in vivo). Только в случае успеха препарат переходит в фазу клинических исследований, где его свойства изучаются на добровольцах и пациентах. Завершается процесс строгой экспертизой регуляторных органов, принимающих решение о выходе продукта на рынок. Нередко проводятся и постмаркетинговые исследования для анализа эффективности лекарства в реальной клинической практике.
Как иллюстрирует схема, по мере продвижения проекта стоимость исследований экспоненциально растет, а требования к объему данных ужесточаются, при этом подавляющее большинство кандидатных молекул отсеивается еще на старте.
Прорывы ИИ в области Drug Discovery
Поиск новой молекулы невозможен без глубокого понимания патогенеза заболевания и выбора мишени. С одной стороны, системная биология должна определить ключевые звенья процесса (ферменты, рецепторы, цитокины), воздействие на которые даст терапевтический эффект. С другой — необходимо понять, насколько эта мишень доступна для «атаки». Критически важным здесь является знание пространственной конфигурации белка, однако экспериментальное определение структуры — процесс долгий и дорогостоящий. Эту проблему триумфально решила нейросеть AlphaFold 2, предсказывающая 3D-структуру белка по его аминокислотной последовательности. Вклад создателей алгоритма, Демиса Хассабиса и Джона Джампера, был отмечен Нобелевской премией по химии в 2024 году.
Другим значимым направлением стало использование ИИ для генерации химических структур с заданными фармакологическими свойствами. К середине 2025 года уже около 45 молекул, созданных при участии алгоритмов, достигли стадии клинических испытаний. Однако полная автоматизация здесь сталкивается с фундаментальной сложностью: химические формулы невозможно напрямую подать на вход моделям машинного обучения. Требуется их преобразование в математические дескрипторы. Универсального стандарта пока не существует, и выбор адекватного способа представления молекулы требует глубокой экспертизы на стыке химии и математики.
![Рис. 2. Варианты представления химических структур на языке математики. a) Примеры дескрипторов, b) Использование 3D дескрипторов в графовых нейросетях. Источник [Gaurav et al., Microbiology 2023;169:001333]](https://habrastorage.org/r/w1560/getpro/habr/upload_files/b27/688/8e3/b276888e372ed1d03867f7d1f49af5c9.png "Рис. 2. Варианты представления химических структур на языке математики. a) Примеры дескрипторов, b) Использование 3D дескрипторов в графовых нейросетях. Источник [Gaurav et al., Microbiology 2023;169:001333]")
Еще один барьер — «проклятие размерности». Количество признаков в некоторых моделях исчисляется тысячами, что требует колоссальных объемов данных для обучения. Если исследователь не имеет доступа к базам данных фармацевтических гигантов, формирование качественного датасета становится практически невыполнимой задачей.
К тому же, биологические показатели (токсичность, распределение) крайне чувствительны к условиям эксперимента. Смешивание гетерогенных данных из разных источников без учета их специфики неизбежно ведет к ложным выводам. Это подтверждает тезис о том, что ИИ — лишь инструмент в руках эксперта, способного не только обучить модель, но и оценить жизнеспособность предложенной структуры и реалистичность её синтеза.
Тем не менее, тренд на внедрение алгоритмов очевиден. По данным FDA, с 2016 по 2023 год ведомство получило более 500 заявок, где в той или иной мере использовался ИИ. Это вынудило регуляторов сформулировать принципы безопасного применения технологий, включая мультидисциплинарный подход, оценку рисков и прозрачность используемых алгоритмов.
Сложности интеграции ИИ в клиническую разработку
Рассмотрим стандартную задачу оценки безопасности терапии. Традиционно здесь применяются модели логистической регрессии, где предикторами служат дозировка и профиль пациента (пол, возраст), а результатом — вероятность развития побочного эффекта. Такие модели прозрачны, их параметры легко интерпретируются клиницистами. Использование же сложных «черных ящиков» в виде нелинейных нейросетей часто лишает нас этой интерпретируемости и затрудняет расчет доверительных интервалов. Нам крайне сложно доверять цифре, если мы не понимаем логику её получения.
Несмотря на консерватизм медицинской статистики, ИИ находит применение как ассистент в написании кода и первичной обработке данных. На рынке уже появляются решения, подобные продуктам от Sonata Software, облегчающие рутинные задачи исследователей.
В отличие от чисто статистических подходов, в фармакологии ценятся модели, опирающиеся на механизмы. Они строятся на уравнениях, описывающих физиологические процессы (деление клеток, ферментативная кинетика). Результат такого моделирования — это не просто число, а комплексное научное обоснование с графиками и прогнозами, а иногда и полноценное «виртуальное клиническое исследование».
Такая работа требует междисциплинарного взаимодействия математиков, биологов и врачей, которые следят за тем, чтобы математический язык адекватно отражал патофизиологию. В противовес этому, эмпирические нейросетевые модели требуют гигантских выборок, которых на ранних этапах испытаний просто не существует. Работа с малыми данными в сложных математических конструкциях может приводить к абсурдным результатам:
Компромиссом становятся гибридные модели, где физиологически обоснованные уравнения дополняются фрагментами нейросетей. Хотя такие публикации уже появляются, подход остается экспериментальным. Создание же полноценных ИИ-агентов для разработки моделей с нуля — задача нетривиальная, над которой трудится в том числе и наша команда.
Вместе с тем, ИИ уже эффективно решает прикладные задачи: отбор пациентов через анализ электронных карт (проекты Synapsis AI, Inclinico), автоматизация подготовки документов (платформа CAPTIS), анализ регуляторных текстов (Kredo_AI_bot) и научное рецензирование (Peer AI).
ИИ в клинической медицине
Если в фармацевтике цена ошибки — это потерянные годы и бюджеты, то в практической медицине на кону стоят жизни. В 2019 году проект IBM Watson Oncology казался революцией: предполагалось, что опыт клиники MD Anderson станет доступен любому врачу. Однако в 2022 году проект закрыли. Выяснилось, что рекомендации системы часто были некорректными, так как модель обучалась в специфических условиях одного центра и не учитывала особенности других клиник. Агрессивный маркетинг в обход принципов безопасности привел к череде скандалов. Схожая судьба постигла и российскую Botkin AI: в 2023 году её использование было приостановлено из-за технических сбоев и отсутствия подтвержденного эффекта.
Эти примеры — не приговор технологии, а призыв к осторожности. Регуляторы (Минздрав РФ, FDA) настаивают на том, что медицинский ИИ должен проходить полноценные клинические испытания, а разработчики обязаны сообщать о любых программных ошибках.
В России уже одобрено 48 медицинских ИИ-изделий. Сегодня они выступают как системы поддержки принятия решений («второе мнение»), сокращая время анализа снимков и минимизируя человеческий фактор. Примерами могут служить Celsus, «Третье мнение» или AIDiagnostic. ИИ также помогает выявлять пациентов, нуждающихся в срочной помощи, на основе динамики их анализов.
Административный пласт медицины также трансформируется: внедряются чат-боты для записи и сбора анамнеза, а системы вроде MedASR от Google переводят голос врача в текст, освобождая время для пациента.
Итоги
Подводя черту, отмечу: медицина и фармация остаются консервативными сферами из-за запредельной стоимости ошибки. ИИ здесь — не замена эксперта, а мощный союзник, автоматизирующий рутину. Масштабное внедрение технологий сдерживается дефицитом качественных данных и сложностью их интерпретации, особенно в случае редких заболеваний. Однако эволюция алгоритмов продолжается. Это путь к удешевлению разработки лекарств и повышению точности диагностики. Хотя панацея пока не найдена, я убеждена, что благодаря синергии человеческого интеллекта и нейросетей медицинская помощь станет более качественной и доступной.
