Раскрытие “серьезного экзамена” по проектированию антител с использованием ИИ: Когда исчезает иллюзия, остается ли реальная эффективность?
Здравствуйте, я ваш финансовый журналист и экономист. Сегодня мы поговорим не о колебаниях фондового рынка, а о самой горячей и в то же время наиболее склонной к преувеличениям теме в области биомедицины: может ли ИИ напрямую создавать лекарственные антитела, способные лечить болезни?
За последние два года, когда речь заходила об ИИ в фармацевтике, все слышали о “переворотах”, “революциях” и “мгновенном успехе”. Особенно после появления инструмента AlphaFold для прогнозирования структуры белков, вся индустрия взбудоражилась. Многие компании утверждали, что если предоставить ИИ антиген (например, вирус), он сможет в реальном времени спроектировать антитела с высокой аффинностью, избавив от традиционных длительных и сложных процессов отбора.
Однако недавно в журнале Nature Biotechnology была опубликована важная статья, в которой был организован “полноценный тест” под названием “AIntibody Challenge”. В этом тесте не было никаких искусственных условий и возможностей для обмана: 29 ведущих организаций представили 511 последовательностей антител, созданных с помощью ИИ, которые затем были синтезированы для проведения реальных экспериментов.
Каковы результаты? В двух словах: ИИ действительно обладает определенными возможностями и может быть полезен в некоторых аспектах, но от “всемогущества” ему еще далеко, и различия между различными ИИ-моделями значительнее, чем мы предполагали.
Далее я разберу результаты этого “экзамена” на понятном языке, чтобы показать реальный уровень способностей ИИ в проектировании антител.
---
1. Как проходил экзамен? — Не “открытые билеты”, а “слепой отбор”
Прежде всего, стоит понять, почему этот экзамен так важен. Многие исследования с использованием ИИ показывали хорошие результаты, потому что они основывались на “ретроспективных данных”. Это как если бы учитель сказал вам ответы, и вы просто пытались угадать правильные варианты. Но настоящая разработка лекарств основана на “прогностических” подходах: у вас есть только исходные данные (секвенции), и вы должны самостоятельно предсказать итог.
В рамках “AIntibody Challenge” был использован подход, аналогичный известному конкурсу по прогнозированию структуры белков (CASP):
- Выбор цели: в качестве мишени был выбран наиболее изученный участок связывания вируса SARS-CoV-2 с рецептором (RBD).
- Три задачи:
1. Улучшение аффинности: вам предоставляется набор существующих данных об антителях, и нужно немного их отредактировать, чтобы усилить их связывание с мишенью. Это соответствует этапу оптимизации в промышленных условиях.
2. Отбор лучших вариантов: среди нескольких тысяч последовательностей нужно выбрать наиболее перспективный вариант для дальнейшей разработки. Это соответствует этапу отбора кандидатов после массового анализа.
3. Создание новых последовательностей: вам нужно создать совершенно новые антитела, не используя существующие базы данных. Это самый сложный этап — проектирование с нуля.
- Критерии оценки: оценка включала не только аффинность, но и перспективность применения в качестве лекарства: например, не будет ли антитело самоагрегироваться, не будет ли оно нестабильным при высоких температурах, не будет ли оно способствовать нежелательным реакциям с другими молекулами. Если хотя бы один из критериев не будет выполнен, даже если аффинность высока, антитело может быть отклонено.
Ключевой момент: в этом экзамене исключались возможности “мудрости после факта”: все представленные ИИ-моделями последовательности синтезировались и проверялись в реальных условиях. Это и является настоящим критерием оценки их способностей.
---
2. Успешные моменты: ИИ действительно может сэкономить время и деньги на этапе улучшения аффинности
Среди трех задач наиболее выдающимися результатами стал этап улучшения аффинности.
Это как если бы у вас уже был хороший первоначальный вариант антитела, и ИИ помог его доработать:
- Результат: модель Aureka улучшила аффинность антитела примерно в 2000 раз, достигнув уровня 95 пм (пикомол). Этот результат почти сопоставим с лучшим результатом, полученным традиционными методами (113 пм); статистических различий практически нет.
- Неожиданный успех: команда, использующая простые статистические методы (ProBioGen), также заняла третье место. Это показывает, что даже простые подходы могут быть эффективны при наличии достаточного количества реальных данных.
- Промышленное значение: на этом этапе ИИ действительно может помочь сократить время и уменьшить количество неудачных попыток.
Простое объяснение: если ИИ используется для доработки уже существующего продукта, его результаты могут быть впечатляющими. Это как если бы вы попросили ИИ исправить уже написанный текст: он может выявить ошибки и улучшить формулировки.
---
3. Неловкие моменты: ИИ не справляется с задачами отбора лучших вариантов
Этот момент наиболее шокирующий и вызывает сомнения в способностях ИИ:
- Результаты на этапе отбора: исследователи обнаружили, что без использования ИИ шанс выбрать лучший вариант среди нескольких тысяч последовательностей составляет 39%.
- Неудачи ИИ: большинство моделей показали худшие результаты, чем случайный выбор. То есть “лучшие” варианты, предложенные ИИ, не лучше случайных выборов.
- Единственный успех: только команда из Вашингтонского университета (WashU) превзошла уровень случайного выбора.
- Ограниченная универсальность: одна и та же модель ИИ может быть лучшей на одних данных, но плохой на других. Это свидетельствует о том, что ИИ пока не понимает закономерностей формирования антител и просто запоминает особенности конкретных данных.
Простое объяснение: это как если бы ИИ оценивал экзаменационные работы. Если задачи знакомы ему (например, улучшение аффинности), он может справиться хорошо; но если задача нова и требует выбора лучшего варианта из множества вариантов, его результаты могут быть хуже, чем у случайного участника.
---
4. Опасные моменты: ИИ создает “красивые, но непригодные для использования” молекулы
На этапе создания новых антител ИИ показал свои возможности, но также и свои ограничения:
- Самый сильный результат: модель Xencor создала антитело с очень высокой аффинностью (2,9 пм), но оно не смогло быть выделено из смеси в ходе химических тестов. Это серьезный недостаток для лекарственных препаратов.
- Проблемы с оценкой: из-за специальных правил оценки некоторые недостатки могли компенсировать другие плюсы, но в реальной разработке такие молекулы были бы отклонены.
- Ограниченность инноваций: многие “новые” варианты на самом деле представляют собой лишь небольшие изменения в существующих последовательностях; настоящих инноваций мало.
Простое объяснение: ИИ похож на талантливого художника без опыта: он может создавать впечатляющие работы, но используемые материалы могут быть опасны или не подходящими для практического применения. В искусстве это может привести к успеху, но в практических целях такие работы могут быть бесполезными.
---
5. Заключения для индустрии: Не стоит верить в “всемогущие” модели
Этот экзамен стал предупреждением для всей биомедицинской индустрии и предлагает практические рекомендации:
- Нет универсальных решений: для разных этапов разработки лучше использовать комбинацию различных методов: моделей для улучшения структуры, машинного обучения и других подходов.
- Необходимы реальные эксперименты: результаты, полученные с помощью ИИ, нуждаются в дополнительной проверке.
- Направления для улучшений: следует отказаться от предварительных оценок аффинности, симулировать более ранние этапы исследований, учитывать влияние различных факторов на перспективность применения антител.
Вывод: Проектирование антител с использованием ИИ — это не уже завершенная революция, а лишь этап на пути к новым возможностям. ИИ может значительно ускорить и удешевить разработку лекарств в определенных случаях, но до идеала “ввода антигена и получения клинически готового антитела еще далеко.
Для инвесторов и специалистов важно разобраться с реальными возможностями ИИ и не верить в его способность полностью заменить традиционные методы. Победителями будут те команды, которые смогут гармонично использовать ИИ с традиционными экспериментальными подходами, а не те, кто слепо верит в его всемогущество.