Гарвард ускоряет поиск лекарств: ИИ предлагает лечить болезнь «с конца»
Исследователи Гарвардской медицинской школы представили инструмент на основе искусственного интеллекта, который может заметно сократить путь от гипотезы до лекарства. Речь идёт не об очередном помощнике для анализа данных, а о попытке изменить саму логику разработки терапии.
Разработка под названием PDGrapher опубликована в журнале Nature и использует машинное обучение для поиска таких комбинаций генов, которые способны вернуть больную клетку в здоровое состояние. По оценке авторов, система работает до 25 раз быстрее существующих вычислительных методов, применяемых на ранних этапах drug discovery.
Ключевая особенность подхода — смена отправной точки. Вместо классического вопроса «что произойдёт, если применить это лекарство?» команда задала обратный: «какое вмешательство нужно, чтобы клетка перестала быть больной». Руководитель проекта, доцент Гарвардской медицинской школы Маринка Житник, называет это переходом от тестирования гипотез к целевому проектированию вмешательств.
В основе PDGrapher лежит концепция optimal intervention design. Алгоритм анализирует генные сети и подбирает такие изменения, которые теоретически восстанавливают нормальные клеточные функции. Это позволяет уходить от модели «одно лекарство — одна мишень» и рассматривать сразу несколько генов и их взаимодействия.
Практическая ценность такого подхода в том, что он открывает доступ к новым терапевтическим стратегиям, которые ранее просто не попадали в поле зрения исследователей. Особенно это важно для редких и слабоизученных заболеваний, где данных мало, а традиционные методы перебора работают слишком медленно.
При этом сами авторы подчёркивают, что технология не лишена ограничений. Соавтор исследования Сян Лин признаёт, что текущая версия модели пока не умеет эффективно использовать накопленные научные знания для уточнения связей между генами. Это означает, что PDGrapher скорее задаёт направление поиска, чем даёт готовые ответы.
С точки зрения сроков команда настроена реалистично. Первый автор работы Гуадалупе Гонсалес оценивает, что инструмент может войти в практику исследовательских лабораторий в ближайшие один–три года. А вот лекарства, разработанные с его помощью, появятся не раньше чем через десятилетие.
Тем не менее значение работы выходит за рамки одного инструмента. PDGrapher отражает более широкий сдвиг в биомедицине — от анализа отдельных генов к моделированию целых сетей взаимодействий, где болезнь и потенциальное лечение рассматриваются как две стороны одной системы.