Надо сказать, что случайные открытия в медицине — это не миф, а суровая реальность. До середины XX века новые лекарства находили во многом случано. Знаменитый пенициллин — классический пример: Александр Флеминг перед отпуском просто забыл помыть чашки Петри с бактериями, а вернувшись увидел, что в одной из чашек выросла плесень, вокруг которой не было бактерий. И такое случалось сплошь и рядом. Если сейчас каждый год в мире выходит в клинику около 100 новых соединений, то в начале прошлого века появлялись только единичные лекарственные вещества и это была чистая удача. Такие единичные находки зачастую тянули за собой целые классы препаратов, но системой это назвать было нельзя. А потом грянула революция.
Эксперименты на животных: первый шаг к порядку
Где-то с середины XX века ученые начали действовать рационально. Появились модели на экспериментальных животных — фармакологи смогли проверять гипотезы до того, как пробовать на человеке.
Новый бум случился в 70-х годах. Тогда создавали животных моделей чуть ли не на конвейере: диабет, гипертония, рак — для каждой болезни искали своего «зверька», на котором можно было тестировать пользу соединений.
И результат не заставил себя ждать. Сразу появился всплеск новых лекарств. Казалось, что вот он — правильный путь.
Но у метода оказались минусы. Животное нужно вырастить, за ним нужно ухаживать, эксперименты длятся месяцами. Это сложно, медленно и очень дорого. И самое неприятное: то, что работает на животных, на человеке часто оказывается бесполезным.
Ближе к концу XX века, в 80-90-х годах, подоспели новые технологии. Клеточные культуры, молекулярная биология, биохимические методы — теперь можно было тестировать вещества прямо на белках, не тестируя их на мышах в клетках. Это стало гораздо быстрее и эффективнее. Вместо того чтобы месяцами ждать, умрёт ли животное, можно померить взаимодействие в кюветке за несколько часов. И снова случился всплеск — выросло количество новых лекарств используемых в клинике.
А затем на сцену вышли компьютеры. Рост вычислительных мощностей, понимание структурных формул, накопление баз данных — всё это привело к рождению целого направления: компьютерное конструирование лекарств. Именно об этом и пойдёт речь дальше.
Горькая правда: 15 лет и миллиарды долларов
Как выглядит реальный процесс разработки? Прежде чем мы окунёмся в высокие технологии, давайте поймём масштаб проблемы. Разработка одного лекарства занимает от 10 до 15 лет. Это не опечатка. Целых полтора десятилетия от первой идеи до появления на прилавке.
А сколько это стоит? Огромные деньги — миллиарды долларов. Не каждая фармацевтическая компания может себе такое позволить.
Что входит в этот процесс? Вот только основные этапы:
- Поиск идеи и лекарственной мишени — надо понять, какой белок или процесс блокировать.
- Поиск веществ — нужно найти соединения, которые будут действовать на эту мишень.
- Оценка эффективности — проверка, действительно ли вещество работает.
- Оценка побочных эффектов — а не убьёт ли оно пациента заодно с болезнью?
- Доклинические исследования — всё ещё на животных, но уже по строгим протоколам.
- Клинические исследования — три фазы на добровольцах и пациентах.
- Регистрация — подача документов в регуляторы (это ещё год-полтора чистой бюрократии).
И это только верхушка айсберга. Считается, что на пути от идеи до аптеки нужно провести порядка 800 экспериментальных исследований.
Сколько новых лекарств выходит в мире каждый год? Всего около 100 новых соединений. Для целой планеты — это капля в море.
А сколько соединений нужно перебрать, чтобы создать один препарат? Примерно 10 тысяч. Десять тысяч кандидатов, из которых до финала дойдёт только один.
И даже когда всё сделано правильно, шансы на успех — невысоки. Всего 10–15% проектов, которые были начаты, доходят до финального хорошего результата. Максимум — 20%. То есть из десяти перспективных идей в аптеку попадёт максимум две.
Почему проекты проваливаются?
Даже если всё идёт по плану, есть три главных убийцы лекарственных проектов.
Первое и самое частое — проблемы с эффективностью. Вы провели доклинические исследования на животных, всё блестяще. Начинаете клинические исследования на людях — эффект — ноль. Почему? Человек отличается от животного. Метаболизм другой, пути передачи сигналов в клетках другие. Вещество может не дойти до нужной мишени или дойти, но у человека есть «обходные пути», которые сводят блокировку на нет.
Второе — токсичность. Лекарство может быть очень эффективным, но если оно заодно разрушает печень или почки — такой препарат никому не нужен. Никто не хочет лечить одну болезнь, получая в нагрузку повреждения внутренних органов.
Третье — биодоступность. Вещество показало себя отлично в пробирке и даже на животных. Но в организме человека оно не всасывается, слишком быстро выводится или не может добраться до мишени. Опять же — проблема экстраполяции от животного к человеку.
И четвёртое, о чём редко говорят — коммерческие причины. Да, даже работающее и безопасное лекарство могут закрыть. Почему? Представьте, что пять компаний одновременно разрабатывают препарат против одного и того же заболевания. Первая, кто выходит на рынок, забирает все сливки — самые высокие цены, самые большие продажи. Остальные зачастую понимая, что догнать лидера у них нет возможности, а денег потрачено уже очень много, — проект закрывают.
У больших транснациональных компаний на полках лежат десятки таких замороженных исследований. Их не выбрасывают окончательно — вдруг через 20 лет откроются новые свойства молекулы или появится другое заболевание, при котором она будет полезна. И такое действительно бывает, но нечасто.
Мишень-центричная парадигма: главная идея современной фармакологии. Как это работает?
Сейчас в мире доминирует подход, который называется «мишень-центричный». Звучит сложно, но на деле всё просто. Есть мишень — обычно это белок, который отвечает за развитие болезни. Есть лекарственное вещество (в науке его называют «лиганд») — химическое соединение, которое должно на эту мишень подействовать. Заблокировали мишень — вылечили болезнь.
Этот подход сформировался ещё в XX веке и до сих пор остаётся основным. Хотя, конечно, есть нюансы: одно вещество может действовать на несколько мишеней сразу, и иногда это даже полезно — например, при аллергии или некоторых неврологических заболеваниях.
Когда в начале 2000-х годов закончился проект «Геном человека», учёные задали себе важный вопрос: «А на сколько мишеней вообще действуют современные лекарства?». Ответ оказался скромным: около 500 белков. С учётом бактерий, вирусов и грибов — но всё равно не так много.
Тогда авторы одного известного исследования сделали прогноз: через 10–20 лет количество мишеней вырастет до 5–10 тысяч белков. Прошло 20 лет. Сбылось? Сейчас в исследованиях разных компаний фигурирует чуть меньше 10 тысяч мишеней. Одна из аналитических компаний ведёт базу данных о том, на какие мишени действуют исследуемые соединения. Там указано, что более 6 тысяч мишеней уже либо используются в клинике, либо находятся на разных стадиях клинических исследований. Конечно, это не значит, что на каждую из этих мишеней получится создать лекарство. Но сама цифра внушает оптимизм: медицина будущего будет иметь гораздо больше инструментов, чем сейчас.
Почему же фармацевты всё чаще смотрят в сторону ИИ и машинного обучения?
Ответ прост: мы столкнулись с объёмами данных, которые не может переварить ни один человек. Посмотрим на биологическую сторону вопроса. У человека всего 23 хромосомы, которые кодируют около 20 тысяч белков. Но это только верхушка айсберга. Есть изоформы (разные версии одного белка), есть мутации, есть посттрансляционные модификации. С учётом всего этого разнообразие белковых форм у человека можно оценить в 2 миллиона. А ещё белки взаимодействуют друг с другом — это создаёт сотни тысяч дополнительных объектов, которые нужно анализировать.
А теперь посмотрим на химию. За всё время исследований в мире использовано порядка 10 тысяч уникальных лекарственных соединений. Но если посмотреть, сколько из них реально применяется в России или Америке — получится от 1,5 до 2 тысяч уникальных соединений на страну (списки немного различаются).
А сколько соединений вообще было синтезировано и хоть как-то испытано? Около полутора-двух миллионов.
А сколько соединений синтезировано в принципе, даже если их не тестировали? Больше 150 миллионов.
А сколько можно теоретически сгенерировать, если соединять атомы разными способами? Здесь наука заходит в область генеративной химии — создания новых структур, которых ещё никто не синтезировал. Оценки говорят о 10⁶⁰ возможных соединениях. Это больше, чем атомов в Солнечной системе. Хранить такие данные невозможно, не то что тестировать. Именно поэтому нужны модели предсказания. Они позволяют сфокусироваться на маленькой области этого гигантского химического пространства и не перебирать всё подряд наугад.
Как это работает: два главных подхода
Существует два основных направления в компьютерном конструировании лекарств. По-английски они называются target-based и ligand-based drug design.
Первый подход — на основе мишени. Для него нужно знать трёхмерную структуру белка. Она может быть получена экспериментально (например, методом рентгеноструктурного анализа) или смоделирована на компьютере. И здесь, как раз в дело вступает искусственный интеллект, который помогает предсказывать 3D-структуру белков по их аминокислотной последовательности.
Что происходит дальше? Компьютер моделирует взаимодействие между молекулой лекарства и белком. Учитываются физико-химические свойства, эффекты взаимодействия на уровне атомов, рассчитывается энергия связывания. Это называется «докинг» — от английского docking, что значит «причаливание корабля к пирсу». Молекула «причаливает» к белку, и программа считает, насколько выгодно такое объединение. Это сложная вычислительная задача, но технология уже отработана и широко используется. Единственный минус — много ложных положительных результатов. Программа может сказать, что вещество подходит, а в реальном эксперименте — нет. Но комбинация разных подходов всё равно эффективнее, чем случайный перебор.
Второй подход — на основе структур уже известных веществ. Он хорош тем, что для многих белков уже накоплены большие базы данных о том, какие соединения на них действуют, а какие — нет. Имея эту информацию, можно попытаться создать математическую модель, которая связывает особенности химической структуры с биологической активностью. Здесь, как раз очень широко используются методы машинного обучения. Вы берёте тысячи молекул с известной активностью, «скармливаете» их компьютеру — и он учится предсказывать, будет ли новая, ещё не изученная молекула работать или нет.
Насколько это эффективно? Давайте сравним. Если вы тестируете соединения случайным образом, ваш успех (вероятность найти активное вещество) составит около 0,1%. То есть на тысячу проверенных соединений — одна находка. Компьютерные методы повышают выход примерно в 200 раз — до 20%. Десять проверенных соединений — и два из них активны. Это колоссальный прогресс.
Революция AlphaFold: теперь 3D-структуру белка можно получить за минуты
Как раньше определяли структуру белков?
Для подхода, основанного на данных о мишени, самое важное — трёхмерная структура белка. Экспериментальные методы определения структуры были разработаны ещё в 70-х годах прошлого века. За 50 лет работы учёным по всему миру удалось определить структуру около 200 тысяч белковых комплексов (самих белков меньше, потому что многие изучали многократно). Но белков в природе — сотни миллионов. И для большинства из них структура неизвестна.
Как Google изменил правила игры
И тут на сцену выходит компания из Google (точнее, её подразделение DeepMind) с программой AlphaFold. Это метод на основе искусственного интеллекта, который по одной только аминокислотной последовательности белка предсказывает, как этот белок сворачивается в пространстве. Вы просто подаёте на вход строку букв (последовательность аминокислот) — и получаете на выходе трёхмерную модель: где какой атом находится, какие участки белка с чем взаимодействуют. И это занимает минуты, а иногда и секунды.
Каждые несколько лет проводятся международные соревнования по предсказанию структуры белков. AlphaFold выигрывает последние несколько раз подряд. Никто пока не смог её обойти, хотя есть альтернативные разработки — например, ESMFold от компании Meta (Facebook)*.
Метод докинга не просто теория. У него есть успешные практические примеры. Самый яркий — создание препаратов против протеазы ВИЧ. Именно с помощью компьютерного скрининга и докинга были найдены первые активные соединения, которые потом доработали до реальных лекарств. Так что это не фантастика, а работающий инструмент.
QSAR и машинное обучение: как научить компьютер видеть связь «структура — активность»
Подход на основе структур известных соединений — называется QSAR. Аббревиатура расшифровывается как «количественный анализ связи структура-активность» (от англ. Quantitative Structure-Activity Relationship).
Алгоритм выглядит так:
- Собираются данные — структуры соединений и их экспериментальная активность.
- Структурная формула превращается в числа. Химики придумали специальные математические описания — дескрипторы (например, молекулярный вес, количество атомов определённого типа, форма молекулы, заряды и т.д.).
- Таблица с дескрипторами подаётся на вход алгоритмам машинного обучения. Их существует больше десятка — разные методы регрессии, нейронные сети, деревья решений.
- Алгоритм строит зависимость между числовым описанием структуры и экспериментальным эффектом.
- Модель проверяется на независимых тестовых выборках — тех соединениях, которые не участвовали в обучении.
Если точность хорошая, модель готова к использованию. Ей можно «скормить» новую молекулу и предсказать, будет ли она активной.
Стоит сделать важное уточнение. Методы машинного обучения, которые используются в QSAR, появились довольно давно — ещё в течение XX века. Это и статистические методы, и нейронные сети первых поколений. Сегодня всё это входит в большой зонтичный термин «искусственный интеллект». Сюда же относятся и большие языковые модели (вроде ChatGPT), и генеративные сети. Мы все — свидетели огромного прогресса в этой области. И всё это потихоньку заходит в фармацевтику.
Живой пример: как компьютерные методы искали лекарства от COVID-19.
Давайте пройдём по алгоритму, который запускается, когда появляется новый вирус.
Шаг первый: секвенирование генома. Как только вирус найден, учёные расшифровывают его генетический код. С помощью методов биоинформатики можно сразу определить, какие белки кодируются в этом геноме — даже не выделяя их физически, а просто анализируя последовательность.
Шаг второй: поиск аналогов. Посмотрели на последовательность генома — на какие известные вирусы это похоже? А вдруг для похожего вируса уже есть лекарство? Если да — можно сразу попробовать его использовать.
Шаг третий: поиск похожих белков. Даже если вирус новый, может оказаться, что какой-то его белок похож на белок другого вируса или даже человеческий белок. А на тот белок уже есть ингибитор — лекарство или экспериментальное соединение. Тоже хороший вариант.
Шаг четвёртый: докинг. Если ничего не подошло, нужно браться за моделирование. Для ковида не стали экономить деньги — белки вируса кристаллизовали экспериментально за несколько недель, получили трёхмерные структуры и запустили докинг.
Почему это важно? Белок — это не гладкий шар. У него есть полости, карманы, выпуклости. Активный центр, который нужно заблокировать, находится в определённом месте. Зная структуру, можно целенаправленно искать вещества, которые подойдут именно в этот карман.
Когда стало понятно, что ни одно из существующих лекарств на ковид не действует, возникла новая проблема: а где вообще брать соединения для поиска? Синтезированных молекул — больше 100 миллионов, но и этого показалось мало.
Тогда исследователи обратились к генеративному искусственному интеллекту. Генерация — это конструирование новых объектов на основе обученной модели. В данном случае — новых химических структур, причём с заданными свойствами.
Главное требование: соединение должно быть синтезируемым. Бесполезно генерировать молекулы, которые нельзя получить в реальности. Также важны растворимость в воде (чтобы можно было тестировать) и возможность принимать в виде таблетки (пероральная доступность).
В мире есть компании-поставщики таких соединений — они на заказ синтезируют молекулы и продают их исследователям.
Масштаб: миллиард структур, 130 команд, 3% успеха
Во время эпидемии COVID-19 была запущена глобальная инициатива. Сгенерировали набор данных из миллиарда химических структур с помощью ИИ.
Задача была поставлена перед научным сообществом всего мира: проанализировать этот миллиард молекул тремя разными компьютерными методами (докинг, QSAR-модели и ещё один подход на основе сходства между молекулами). Нужно было отобрать 10 тысяч самых перспективных структур, которые потенциально могли бы действовать на разные мишени вируса.
В проекте участвовало 130 команд из разных стран. Они прислали в сумме более 600 тысяч структур-кандидатов — каждый внес свой вклад порцию потенциально активных соединений.
Организаторы (эксперты-химики) отобрали из этого потока 820 соединений, которые разными методами предсказывались как активные. Все 820 были синтезированы и протестированы в реальных экспериментах.
Результат: 28 соединений оказались действительно активными (порог активности — 20 микромоль). Это 3% успеха.
На первый взгляд — немного. Но вспомните: без компьютерных методов проанализировать миллиард структур было бы просто невозможно. А 3% — это уже рабочий результат, который можно использовать для дальнейшей оптимизации.
Российский след: одна из первых в мире — программа PASS и её возможности
Автор лекции не просто рассказывает о чужих достижениях. Он сам участвовал в создании программы PASS (Prediction of Activity Spectra for Substances). Это одна из первых программ в мире (и первая в нашей стране), которая по структурной формуле соединения предсказывает спектр его биологической активности.
Что значит «спектр»? Программа предсказывает не только, будет ли вещество эффективным при каком-то заболевании, но и на какие белки оно подействует, какие побочные эффекты даст, не окажется ли токсичным. Позже появились и другие разработки, но PASS остаётся актуальным и в настоящее время. С развитием интернета программа стала доступна онлайн — и теперь ежегодно несколькими тысячами учёных со всего мира используется для исследований. В результате – на данный момент есть несколько тысяч научных публикаций с подтверждением того, что прогнозы программы PASS впоследствии подтвердились экспериментально.
Как выглядит работа
В результате работы программы для соединения, на основе его структуры выдаётся список предсказанных активностей — и положительных (от каких болезней поможет), и отрицательных (токсичность, побочные эффекты). Для каждой активности указывается вероятность подтверждения в эксперименте. На основе технологий, заложенных в PASS, создан целый набор веб-приложений для разных задач: предсказание метаболизма, предсказание цитотоксичности, действие на экспрессию генов и многое другое.
Есть такое понятие — «репозиционирование лекарств». Это когда препарат, разработанный для одной болезни, неожиданно оказывается эффективным при другом заболевании. И программа PASS помогла найти несколько таких случаев в клинике.
Вот некоторые конкретные примеры:
• Одно вещество разрабатывалось для лечения гипертонии. А оказалось, что оно ещё и положительно действует на мозг (неотропный эффект).
• Один антибиотик неожиданно показал эффективность при воспалительных заболеваниях кишечника.
Отдельная история — природные соединения. В мире (особенно в Индии и Китае) активно исследуют экстракты растений. Например, в Европе самое популярное средство от депрессии — это экстракт зверобоя (в нашей стране это почти не используется, хотя тема очень перспективная). Коллеги из Индии с помощью PASS подтвердили, что одно лекарственное растение, которое традиционно использовали при кожных заболеваниях, обладает ещё и антидепрессантным действием.
Ещё один интересный проект, в котором участвовал автор, был посвящён поиску противоопухолевых соединений.
Была взята база данных, где собраны все соединения, которые можно купить на рынке — экспериментально синтезированные молекулы. Всего — 54 миллиона структур. Используя поиск мишеней на основе моделирования блокирования клеточного цикла и апоптоза клеток рака молочной железы, авторы отобрали больше 10 мишеней. Для 54 миллионов структур был сделан прогноз действия в отношении этих 10 мишеней, который позволил отобрать 26 соединений, перспективных для дальнейшего исследования.
Экспериментальная проверка показала, что два из этих 26 соединений обладают противоопухолевой активностью. По одному из них был оформлен европейский патент в качестве противоопухолевого соединения в отношении рака молочной железы.
Ещё один пример: поиск ингибиторов MEK-киназы.
В рамках дипломной работы одного из студентов создавались модели для количественного и качественного прогноза активности. Искали ингибиторы против белка MEK-киназы — это важная мишень для лечения онкологических заболеваний, так как она участвует в сигнальных путях, регулирующих деление клеток.
Алгоритм был стандартным: собрали данные о структурах и их активности, превратили структуры в дескрипторы, обучили модели машинного обучения, проверили точность. И получили рабочие модели, которые были использованы для поиска новых противораковых соединений, ингибиторов MEK-киназы. В результате, из примерно 260 тысяч структур образцов коммерчески доступных соединений были выявлены порядка 300 кандидатов в активные соединения, для которых был проведен докинг, показавший, что около 100 из 300 соединений могут активно взаимодействовать с MEK-киназой не хуже вещества сравнения (известного лекарства).
Резюме: от случайности к инженерии
Что мы имеем в итоге? Раньше создание лекарств было похоже на лотерею. Случайные находки, метод тыка, миллионы потраченных долларов и десятилетия работы — без гарантии успеха.
Сегодня это становится точной инженерной дисциплиной. Мы знаем структуры белков, умеем моделировать взаимодействия, предсказывать активность по химической формуле. Искусственный интеллект позволяет перебирать миллиарды вариантов там, где раньше мы едва справлялись с тысячами.
Конечно, проблема полностью не решена. Клинические исследования на людях — самая дорогая и долгая часть — пока не поддаются полной автоматизации. Но первые стадии, поиск активных соединений, стали в 200 раз эффективнее. А от качества первых стадий во многом зависит успех всего проекта.
И главный вывод: в этой области работают разнообразные специалисты — фармакологи, медицинские химики, биохимики, биоинформатики, хемоинформатики, фармацевты, программисты. Никто не справится в одиночку. Но когда они работают вместе, и к ним на помощь приходит искусственный интеллект — рождаются новые лекарства. Которые через 10–15 лет (или быстрее, если ИИ продолжит ускоряться) окажутся в аптеках и спасут чьи-то жизни.