Как Claude используют в разработке лекарств

Нейросети уже помогают исследователям искать конструкции для будущих препаратов. Но самая интересная часть этой работы начинается после первого ответа: идею нужно превратить в образец, проверить в лаборатории и понять, что менять дальше.

27 октября Anthropic опубликовала примеры применения Claude в биотехнологических компаниях. Среди задач — изменить конструкцию для клеточной терапии, найти кандидатов для лечения аллергии и проверить производственные документы. Эти проекты показывают три разные роли ИИ: предложить вариант, помочь его оценить и убрать часть сопутствующей работы.

У команды Generate Biomedicines была конкретная задача: изменить часть искусственного рецептора, который помогает иммунным клеткам распознавать цель и запускать ответ. Такие рецепторы используют в CAR T-клеточной терапии. Проще говоря, иммунные клетки получают дополнительный механизм распознавания, чтобы атаковать определённые клетки-мишени.

Исследователи хотели укоротить внутреннюю сигнальную часть рецептора, сохранив её работу. Более компактная конструкция могла бы освободить место для дополнительных элементов. Сложность в том, что удаление части последовательности способно ухудшить работу клетки: сократить текст проще, чем сохранить биологическую функцию.

Исследователи задали Claude конкретные цели и исходные последовательности. ИИ-агенты искали литературу и предлагали изменения; учёные отбирали кандидатов, а затем измеряли их свойства. Новые результаты возвращались в следующий раунд работы.

В техническом отчёте Generate описана конструкция длиной 45 аминокислот — меньше трети длины клинически используемой конструкции, с которой её сравнивали. В экспериментах рецепторы дольше сохранялись на поверхности клеток, а клетки дольше уничтожали мишени по сравнению с исходным вариантом. Это лабораторный результат, не проверка нового лечения у пациентов.

Важная деталь: результаты одного раунда влияли на предложения следующего. ИИ работал с обратной связью из экспериментов, а не просто выдал список правдоподобных молекул.

Divergence Labs решает другую задачу, связанную с пищевой аллергией. Компания ищет способ отсоединять IgE — молекулы, участвующие в аллергической реакции, — от иммунных клеток.

По описанию Anthropic, Claude помог составить план и за месяц предложил около 35 тысяч вариантов антител для последующего отбора. В ранних испытаниях исследователи нашли кандидатов для двух нужных функций: связывания с IgE и его отсоединения. Следующая задача — объединить их в одной конструкции.

Число 35 тысяч здесь описывает объём поиска, а не число открытых лекарств. Для читателя это ключевое различие: ИИ способен расширить пространство вариантов, но ценность появляется, когда среди них находят те, чьи свойства подтверждает эксперимент.

Другой пример связан с Enveda. Производство экспериментального препарата требует записей: что сделали, в каких условиях и какие отклонения обнаружили. Ошибка или несогласованность в такой документации может потребовать дополнительной проверки.

Enveda описала систему проверки производственных записей, использующую языковую модель. Она определяет тип документа и подбирает записи, с которыми его нужно сверить: например, действующую производственную инструкцию и сведения об отклонениях. Проверяющий видит, какие документы сопоставлялись. Если нужная ссылка не найдена, система отмечает это, а не придумывает замену.

В сводке Anthropic приведён тест на 1061 странице: Claude нашёл 11 замечаний, уже обнаруженных людьми, и отметил ещё семь пропущенных. Заявленное время человеческой проверки сократилось с более чем 25 часов до менее трёх. Это результаты участников проекта, а не средняя эффективность ИИ во всей фармацевтике.

В описанном процессе итоговая проверка ответственным подразделением качества сохраняется. Помощник сокращает объём поиска и сопоставления, но не получает права сам разрешить использование партии препарата.

FDA разделяет доклинические исследования и испытания на людях. До перехода к людям исследователи изучают, в частности, возможную токсичность; затем оценивают результаты и решают, можно ли продолжать.

Поэтому сообщения о более активных клетках или перспективных антителах говорят о продвижении на определённом этапе. Они ещё не отвечают на вопросы о безопасности и пользе лечения у людей.

Если хочется разобраться в техническом отчёте подробнее, можно передать публичный фрагмент модели из provod.ai и попросить объяснить термины, отделить гипотезы от измерений. Важные выводы нужно сверить с самим отчётом: такое объяснение помогает его читать, но не заменяет научную оценку.

В этих проектах Claude включён в цикл исследования: предложить, проверить, скорректировать. В одном случае это компактный рецептор, в другом — отбор антител, в третьем — сопоставление записей о производстве.

Главное изменение — возможность быстрее пройти часть работы между идеей и следующим обоснованным решением. А читателю новостей о «лекарстве, созданном ИИ» стоит задать один вопрос: какой именно этап пройден? Ответ покажет, насколько близко история подошла к помощи пациентам.