Революция разума: на подступах к Сингулярности. Как технологии изменят общество и сознание - Рэймонд Курцвейл

DeepMind не стали полагаться на традиционные методы, которые опираются на каталог известных форм молекул, используемых как ориентиры. Как и AlphaGo Zero, система AlphaFold обходилась без помощи человека. Она наголову разбила все 98 конкурирующих решений, верно предсказав структуру в 25 случаях из 43, в то время как участник, занявший второе место, правильно обработал только 3 молекулы16.

Однако предсказания ИИ были все же не такими точными, как лабораторные эксперименты, так что DeepMind вернулись на стадию проектирования и внедрили трансформер – технологию глубокого обучения, которая задействована также в GPT-3. В 2021 году была выпущена версия AlphaFold 2, и на этот раз успех был ошеломляющим17. ИИ сумел достичь точности почти экспериментального уровня при тестировании практически любого белка. Теперь биологам доступны структуры не 180 000 белков18, а сотен миллионов, а вскоре будут обработаны миллиарды19. Темп инноваций в биомедицине значительно вырастет.

В настоящее время поиск лекарств с помощью ИИ не обходится без руководящей руки оператора: ученым нужно поставить задачу, сформулировать ее в терминах биохимии, задать параметры для моделирования. В ближайшие десятилетия, однако, ИИ получит возможность искать решения, применяя творческий подход. Например, нейросеть может выявить проблемы, на которые врачи не обратили внимания (скажем, неудовлетворительные результаты терапии у больных определенной категории), и предложить нестандартную тактику или комплексный подход к лечению.

При этом ИИ будет под силу моделирование систем все больших масштабов: отдельных белков, белковых комплексов, органелл, клеток, тканей и, наконец, целых органов. Это откроет перед нами новые горизонты в лечении заболеваний, сложность которых пока настолько высока, что не поддается изучению традиционными методами. Например, за последние десять лет было разработано множество перспективных подходов к лечению рака, таких как иммунотерапия CAR-T и BiTEs, а также терапия ингибиторами контрольных точек иммунитета20. С их помощью удалось спасти тысячи жизней, однако и они нередко терпят неудачу, потому что опухолевые клетки учатся им противостоять. Часто при этом вокруг опухоли происходят изменения в состоянии среды, которые мы не можем полностью проанализировать с помощью доступных на сегодняшний день технологий21. Когда ИИ научится подробно моделировать опухолевые процессы и микросреду, в которой они развиваются, мы сможем предлагать новые варианты терапии, обходя защитные механизмы раковых образований.

Аналогичным образом течение нейродегенеративных заболеваний, таких как болезнь Альцгеймера или Паркинсона, зависит от скрытых и очень сложных процессов, при которых неправильно свернутые белки накапливаются в тканях мозга и вызывают его повреждение22. Исследования этих патологий продвигаются медленно и с огромным трудом, поскольку у нас нет возможности изучать их развитие непосредственно внутри живого мозга. Однако, применив компьютерное моделирование, мы сможем установить первопричины этих заболеваний и назначить лечение задолго до того, как у пациента появятся неврологические симптомы. Кроме того, системы моделирования работы головного мозга обеспечат прорывные результаты и в лечении психических расстройств, с которыми рано или поздно в той или иной степени столкнется примерно половина населения США23. В настоящее время врачи вынуждены назначать препараты из групп СИОЗС и СИОЗСиН, которые помогают скорректировать химический дисбаланс на некоторое время, но пациенты нередко ощущают слишком слабый эффект от лечения или вообще не отмечают пользы, зато сталкиваются с множеством побочных эффектов24. Как только ИИ освоит полномасштабное функциональное моделирование человеческого мозга – самой сложной структуры в известной части Вселенной! – мы сможем лечить многие психические заболевания на самых ранних стадиях.

В дополнение к перспективам использования ИИ для разработки новых методов лечения мы также ожидаем революционных преобразований в методике испытаний, служащих для проверки инновационных препаратов. Скоро FDA начнет учитывать результаты компьютерного моделирования при принятии решения об одобрении лекарств25. В ближайшие годы это нововведение может сыграть особо важную роль в случае новых пандемий, таких как COVID-19, когда новый вирус возникает внезапно и ускоренный выпуск вакцины может спасти миллионы жизней26.

Но представьте, что нам удастся полностью перенести процесс клинических испытаний в виртуальную среду. С помощью ИИ мы сможем оценить, какое воздействие окажет препарат на десятки тысяч смоделированных пациентов на протяжении нескольких (виртуальных) лет, и провернуть все это за считаные часы или максимум несколько дней. Таким образом, мы получим более точные и полные результаты тестов, причем гораздо быстрее, чем проводя долгие и скудные исследования на людях, как это происходит сегодня. Основным недостатком традиционных тестов является то, что в них задействовано (в зависимости от типа лекарства и стадии испытаний) от нескольких десятков до нескольких тысяч человек27. Это влечет за собой крайне малую вероятность, что в группе добровольцев окажутся люди, чье тело отреагирует на введение препарата точно таким же образом, как ваше. Эффективность и безопасность лекарственного средства лично для вас зависят от множества факторов: генетических предпосылок, особенностей питания и образа жизни, гормонального фона, микробиома, особенностей течения болезни, других принимаемых вами препаратов, наличия или отсутствия сопутствующих заболеваний. Если в группе участников эксперимента не окажется человека, похожего на вас по всем этим параметрам, то даже препарат, который хорошо помогает большинству людей, лично вам может и навредить.

Сегодня результатом испытаний может быть вывод, что лекарство дало в среднем 15 %-ное улучшение состояния для группы из 3000 человек. Но моделирование может выявить дополнительные подробности. Например, окажется, что некоторая подгруппа из 250 человек (носители определенного варианта какого-либо гена) даже пострадала от приема препарата, испытав ухудшение состояния на 50 %, а у другой выборки из 500 человек (скажем, у которых заболевание развивалось на фоне почечной недостаточности) состояние, наоборот, улучшилось на 70 %. Компьютерное моделирование поможет найти подобные корреляции и построить индивидуальный профиль риска и пользы для каждого отдельного пациента.

Внедрение подобных технологий будет происходить постепенно, потому что требования к вычислительной мощности для моделирования биологических процессов различаются от задачи к задаче. Препараты, состоящие из одной молекулы, будут исследоваться в первую очередь, так как они относятся к более простой части спектра сложности анализа. С другой стороны, такие техники, как CRISPR, и методы, подразумевающие контроль экспрессии генов, связаны с необычайно сложными механизмами взаимодействия между множеством различных биологических молекул и структур. Поэтому для их адекватного анализа in silico потребуется больше времени. Чтобы стать полноценной заменой испытаниям на людях как основному методу исследования, компьютерным моделям предстоит научиться не только отвечать на вопрос о прямом действии препарата, но и предсказывать долгосрочные последствия его нахождения в сложной системе, которую представляет собой живой организм.

Пока не ясно, какой уровень детализации потребуется для такого моделирования. Например, для проверки лекарства от рака печени не кажется необходимым включать в симуляцию клетки кожи пальцев рук. Но для полной