Где ИИ участвует в создании лекарства: от мишени до отбора кандидата

В истории rentosertib генеративный ИИ участвовал сразу в двух разных шагах: в поиске мишени TNIK и в создании молекулы, которая эту мишень блокирует. Дальше кандидат проверяли уже обычными клиническими методами, и именно это разделение шагов определяет, что можно утверждать, а что нет.

Карта процесса выглядит так: сначала выбирают биологическую мишень, затем предлагают молекулы, которые могут на нее действовать, затем отбирают кандидатов для лабораторной и доклинической проверки, а после этого кандидат проходит испытания на людях. ИИ может присутствовать на отдельных участках этой карты, но присутствие на одном участке не означает, что весь путь стал автоматическим. На каждом переходе решение принимают люди, а данные проверяют методами, которые не зависят от того, как была предложена молекула.

Поиск мишени это отдельный вопрос от создания молекулы. В публикации о rentosertib сказано, что с помощью генеративных ИИ-инструментов TNIK была определена как регулятор патологии идиопатического легочного фиброза, а затем генеративный ИИ помог создать первый малый молекулярный ингибитор TNIK, rentosertib. Это два разных утверждения: первое касается биологии болезни, второе касается химии кандидата. Если перепутать их, легко приписать модели знание о болезни, которого у нее нет, или приписать молекуле свойства мишени.

Прогноз структуры белка это еще один отдельный участок, а не синоним генеративной химии. AlphaFold по аминокислотной последовательности предсказывает трехмерную структуру белка, и в статье 2021 года точность проверяли на слепом тесте CASP14 и на недавно выпущенных экспериментальных структурах. Такой прогноз может помочь понять, как устроена мишень или где находится участок связывания, но он сам по себе не создает лекарство и не доказывает, что предложенная молекула будет работать в организме.

Отдельный пример относится только к этапу скрининга, а не ко всему пути. В препринте Ban и соавторов 2025 года по домену Mac1 белка NSP3 вируса SARS-CoV-2 машинное обучение ускоряло виртуальный скрининг: сначала скрининг подмножества примерно из 25 миллионов соединений, затем расширение хита в пространстве из 44 миллиардов соединений. Исходный хит CACHE3-HI_1706_56 имел KD 20 мкМ, 17 близких аналогов вытесняли пептид, связывающийся с Mac1, а 12 аналогов были подтверждены методом поверхностного плазмонного резонанса. Структура комплекса хита с Mac1 была определена кристаллографией с высоким разрешением и подтвердила предсказанный способ связывания. Этот пример показывает скрининг и подтверждение связывания на уровне хита, но не показывает оптимизацию до лекарственного кандидата, доклинику и испытание на людях, и он опубликован как препринт, а не как рецензированная статья.

Отбор кандидата означает, что из множества предложенных вариантов остаются немногие, и дальше их судьба решается экспериментом. В публикации о rentosertib авторы сами отмечают, что к моменту выхода статьи немногие ИИ-открытые или ИИ-сконструированные препараты дошли до клинических испытаний, а ИИ-препараты показывали сходные с не-ИИ препаратами уровни неудач на фазе II. Это прямо противоречит чтению одного успешного перехода в клинику как доказательства превосходства метода.

Испытание rentosertib фазы IIa проверяло прежде всего безопасность, а не превосходство ИИ-подхода. Первичным исходом была доля пациентов хотя бы с одним нежелательным явлением, возникшим на фоне лечения, и значения были сходными в группах rentosertib и плацебо. Рост форсированной жизненной емкости легких в группе самой высокой дозы был вторичным результатом в малом и коротком исследовании. Поэтому фраза "ИИ создал лекарство" в строгом смысле неверна: ИИ помог предложить кандидата, а клинический результат принадлежит конкретному веществу, дозам протокола, популяции и дизайну испытания.

Читать заявления о ИИ в разработке лекарств стоит по шагам: какая модель использовалась, на каких данных она обучалась, что именно она предложила, как предложение проверяли независимо и где проходит граница между компьютерным результатом и клиническим исходом. Если в сообщении нет этих разделений, его нельзя использовать как доказательство скорости, дешевизны или эффективности подхода в целом.

Ограничения: Статья не сравнивает ИИ-подход и обычный подход по времени, стоимости или частоте успеха, потому что такие сравнительные данные в проверенных источниках не приведены. Она не утверждает, что AlphaFold участвовал в создании rentosertib: это разные типы ИИ-инструментов. Пример Mac1 это препринт и только этап хита, он не доказывает эффективность против вируса у людей и не доказывает преимущество скрининга в целом.

Конфликты интересов и юрисдикция: Для rentosertib: по досье первой волны от 29 октября 2026 года часть авторов являются сотрудниками Insilico Medicine, а Insilico Medicine была спонсором исследования, остальные авторы заявили об отсутствии конкурирующих интересов. Регуляторная юрисдикция для rentosertib по проверенному abstract не названа, поэтому юрисдикция в статье не утверждается. Для Mac1: полный раздел конфликтов препринта в этой проверке не прочитан, поэтому конфликты не утверждаются. Для AlphaFold: см. статью 42.

Автор: life.usb.ru