На лабораторном столе робот размером с микроволновую печь открывает крошечные пробирки, создавая молекулы, которые еще неделю назад существовали только в виде строк кода.
Некоторые из этих молекул ведут свою родословную от шерстистых мамонтов и неандертальцев — от их биологических чертежей (например, геномов и протеомов). Другие были созданы с нуля с помощью алгоритмов. Все они тестируются на бактериях, которые все чаще становятся невосприимчивыми к нашим лучшим лекарствам. Антимикробная резистентность (AMР) уже убивает большое количество людей каждый год во всем мире и угрожает еще большему количеству в ближайшие десятилетия. Однако мир не открывал новых классов антибиотиков уже несколько десятилетий, а количество кандидатов в лекарства остается скудным. Именно поэтому все больше ученых обращаются к искусственному интеллекту (ИИ), чтобы сократить долгий и полный неудач поиск антибиотиков до чего-то более быстрого и дешевого, используя цифровые инструменты для обнаружения или разработки новых кандидатов.
«Несколько лет назад у нас появилась идея рассматривать всю биологию как источник информации, как набор кодов», — рассказывает научный сотрудник Пенсильванского университета Сезар де ла Фуэнте. «Если думать об этом таким образом, можно разработать алгоритмы для сортировки этих кодов и выявления того, что может выглядеть как антибиотики». Но хотя ИИ может стать прорывом в открытии антибиотиков, он не меняет правила полностью. Превращение потенциального антибиотика в жизнеспособное лекарственное средство зависит не только от компьютеров, но и от мобилизации ресурсов, которые помогают превратить потенциальные лекарства в клинические инструменты.
Хотя за последние 40 лет произошло многое, открытие нового класса антибиотиков не входит в их число. Это не очень хорошо, учитывая, что, по прогнозам, в течение следующих 25 лет АМР убьет 39 миллионов человек (уже сейчас она убивает примерно 1 человека каждые 20 секунд). Есть антибиотики, находящиеся на стадии доклинических и клинических испытаний. Однако, по данным Всемирной организации здравоохранения, в разработке находится недостаточно инновационных соединений, чтобы справиться с растущей угрозой АМР.
Нехватка открытий в области антибиотиков не связана с недостатком усилий. Большинство существующих в мире антибиотиков были открыты в результате поиска в природе соединений, которые убивали микробы, не нанося вреда людям. Этот традиционный подход уже не работает. «Это очень кропотливый процесс, при котором ученые берут образцы почвы и воды и пытаются очистить активные соединения, которые могут содержаться во всех этих сложных органических веществах», — говорит де ла Фуэнте. «Но, как вы можете себе представить, это не только кропотливый, но и непредсказуемый процесс». Усложняет дело то, что антибиотики не могут просто уничтожать бактерии; необходимо также учитывать организм человека. "Это означает, что эффективные антибиотики должны быть растворимыми, попадать в нужное анатомическое место в нужной концентрации и не убивать организм хозяина в процессе", — комментирует Джонатан Стокс, доцент кафедры биохимии и биомедицинских наук Университета Макмастера. «Учитывая, что открытие лекарств для любого терапевтического применения — это задача оптимизации множества свойств, нам необходимо изучить огромное количество молекул».
Высокопроизводительные скрининги, в ходе которых сотни тысяч соединений экспериментально тестируются на бактериях/очищенных микробных мишенях, помогли оптимизировать процесс открытия лекарств. Однако они также являются дорогостоящими, трудоемкими и имеют тенденцию отдавать предпочтение соединениям, которые не могут преодолеть внешнюю мембрану грамотрицательных бактерий (одних из самых сложных для борьбы организмов с АМР). Столкнувшись с этими препятствиями, исследователи все чаще обращаются к тому, что, в отличие от мирового репертуара антибиотиков, быстро развивается: искусственному интеллекту (ИИ).
Когда мы говорим об ИИ, мы обычно имеем в виду машинное обучение (МО) — подраздел ИИ, в котором алгоритмы обучаются на основе тренировочных данных, чтобы делать прогнозы о новых данных; чем больше качественных данных поступает, тем точнее прогнозы. Модели МО могут быстро выявлять закономерности и сводить бесчисленные возможности к меньшему числу, чтобы помочь в принятии решений. Такая технология значительно ускорила открытие новых кандидатов в антибиотики. Например, ученые могут загрузить в модель МО химические структуры тысяч соединений, которые экспериментально продемонстрировали свою активность или неактивность в отношении целевой бактерии. Получив миллиарды новых химических структур, модель анализирует потенциальные «попадания» на основе того, что она научилась отличать активные соединения от неактивных. «Модели MО — это генераторы рекомендаций», — говорит Стокс. «Я, как ученый, могу затем взять эти рекомендации, выбрать лучшие из них, перейти в лабораторию и провести реальный эксперимент.
Данные, лежащие в основе этих рекомендаций, обширны, разнообразны и в значительной степени не изучены. Эффективность и скорость MО означают, что ученые теперь могут искать новые антибиотики в местах, где они никогда раньше не искали, в том числе в далеком прошлом. Биология долгое время была основным источником новых антибиотиков (например, микроорганизмы в почве). Однако в эпоху вычислительной техники поиск потенциальных лекарственных препаратов связан не столько с изучением почвы, сколько с анализом данных.
Лаборатория де ла Фуэнте, которая стала центром развивающейся области открытий антибиотиков с помощью искусственного интеллекта, является пионером в использовании машинного обучения для анализа данных геномного и протеомного секвенирования, охватывающих все древо жизни, извлекая фрагменты, которые кодируют продукты с антимикробным потенциалом. Основной интерес лаборатории заключается в выявлении антимикробных пептидов — коротких аминокислотных последовательностей с широким разнообразием и привлекательными антибиотическими свойствами — от как живых (например, человека), так и вымерших организмов.
Конкретный пример: его сотрудники создали модель, которая, проанализировав протеомы наших ближайших вымерших родственников, неандертальцев и денисовцев, обнаружила пептиды с предполагаемой антимикробной активностью. При синтезе в лаборатории эти пептиды эффективно убивали патоген Acinetobacter baumannii in vitro и in vivo. С помощью другой модели они проанализировали протеомы шерстистого мамонта, прямозубого слона, гигантского ленивца, древней морской коровы и других архаичных животных. Несколько пептидов продемонстрировали противоинфекционную активность у мышей с абсцессами кожи или инфекциями мышц бедра. Примечательно, что пептиды (с такими названиями, как mammothisin-1 и elephasin-2) были в целом столь же эффективны, как существующий антибиотик полимиксин B, и убивали бактерии путем деполяризации их цитоплазматической мембраны.
Де ла Фуэнте отметил, что этот процесс так называемого молекулярного восстановления может дать важные сведения о биологии и эволюции (т. е. как изменения в последовательностях влияют на молекулярную функцию с течением времени). В то же время он открывает доступ к молекулам, которые, возможно, приносили пользу давно вымершим организмам, а также могут помочь нам решить современные проблемы, в том числе АМР. «Эволюция кодирует огромный биологический интеллект», — объяснил он.
«Мы рассматриваем молекулы как документы этой истории — молекулярные окаменелости, которые мы можем прочитать, чтобы извлечь полезную информацию, и, потенциально, молекулы, которые могут помочь человечеству».
Но что, если самые многообещающие антибиотики — это молекулы, которые не существуют и никогда не существовали? Количество теоретически возможных химических соединений примерно в 100 раз превышает количество всех песчинок на Земле. «Это такое огромное число, что оно не поддается осмыслению», — говорит Стокс. Некоторые соединения могут быть запрятаны в биологическом коде; другие представлены в онлайн-репозиториях, содержащих миллионы химических структур, которые MО может просеять в поисках кандидатов в антибиотики. Однако, учитывая огромное количество химических возможностей, такие репозитории имею ограниченные возможности.
Решение: разработать новые соединения с нуля. Используя так называемое генеративное моделирование, ученые обучают модели МО на молекулах, которые, как заранее известно, являются активными или неактивными антибиотиками. «Но вместо того, чтобы показывать изображения новых молекул из Интернета, вы просите модель нарисовать мне совершенно новую молекулу, которая должна быть активной», — объясняет Стокс, подчеркивая, что это значительно расширяет пространство поиска новых химических веществ.
Генеративные модели также могут объединить биологию и химию. Группа де ла Фуэнте недавно описала систему, которая берет последовательность генома патогена — или даже его краткий фенотипический эскиз — и предлагает «новые для природы» молекулы для его нейтрализации, что может быть использовано для борьбы с возникающими угрозами. Кроме того, сотрудники группы создали генеративные инструменты искусственного интеллекта для систематической настройки и усиления антибактериальной активности потенциальных соединений.
Сложность генеративного ИИ заключается в том, что он склонен изобретать соединения, которые кажутся великолепными в цифровом мире, но которые практически невозможно синтезировать в реальном. А если соединение невозможно синтезировать, его нельзя использовать. Это препятствие, которое Стокс и его коллеги пытаются преодолеть. Они создали генеративную модель машинного обучения, которая использует библиотеки «строительных блоков» многоатомных молекул, а не собирает молекулы атом за атомом, как это делают большинство генеративных моделей. Поскольку известно, как каждый строительный блок взаимодействует с другими фрагментами, и его можно легко, быстро и недорого изготовить с помощью стандартных химических реакций, молекулы, получаемые в результате моделирования, не только теоретически многообещающи, но и синтетически выполнимы. Действительно, соединения, разработанные с помощью модели, продемонстрировали антибактериальную активность против A. baumannii и других патогенов в лабораторных условиях.
«Теперь мы больше не предлагаем модели нарисовать что-то безумное. Мы можем ограничить ее этим химическим пространством», — пояснил Стокс. Модель по-прежнему генерирует огромное количество новых химических веществ — 46 миллиардов в ее текущей версии — но гарантирует их экспериментальную и, следовательно, терапевтическую возможность. Вооружившись способностью ИИ к эффективной добыче данных и молекулярному дизайну, нет сомнений, что вскоре мы вскоре увидим на рынке новые антибиотики, не так ли? Не совсем.
Открытие ведущих соединений — это лишь небольшой шаг в многолетнем процессе разработки лекарств. Многие препятствия возникают после фазы открытия, когда кандидаты проваливают клинические испытания по разным причинам (например, токсичность) или не имеют финансовой поддержки для прохождения всех этапов разработки. На разработку антибиотика уходит много денег, но поскольку после выхода на рынок они стоят недорого, а люди принимают их только в течение короткого периода времени, фармацевтические компании получают от них мало прибыли, если вообще получают. По этой причине и Стокс и де ла Фуэнте подчеркнули, что успех новых антибиотиков — независимо от участия ИИ — будет зависеть от того, выделят ли правительства и меценаты средства на нужды общественного здравоохранения.
Когда речь заходит об открытии антибиотиков с помощью ИИ, будущее зависит от данных, данных и еще раз данных. Прогнозы моделей машинного обучения стоят ровно столько, сколько стоят данные, на которых они обучены, а это означает, что важно разрабатывать качественные, стандартизированные и биологически релевантные массивы обучающих данных. Предвидя эту потребность, лаборатория де ла Фуэнте потратила годы на сбор тщательно отобранных обучающих данных для своих моделей. Сотрудники лаборатории измерили минимальные ингибирующие концентрации для тысяч молекул в различных штаммах бактерий, поддерживая постоянными температуру, pH, среду и другие переменные, чтобы результаты были сопоставимы. Это кропотливая работа, но, как утверждает де ла Фуэнте, именно стандартизация превращает умный код в модели, которые действительно полезны и значимы.
В конечном итоге эти модели могут делать больше, чем просто находить или генерировать структуры антибиотиков. Стокс отмечает, что в итоге исследователи должны думать не только об использовании ИИ для поиска «хитов» среди лекарств, но и начать интегрировать его во весь процесс разработки антибиотиков, от доклинических исследований до клинических испытаний. Например, модели могут помочь предсказать, насколько вероятно, что лекарство будет успешным (или неуспешным) в клинических испытаниях, и почему.
Тем не менее, несмотря на огромный потенциал, алгоритмы сами по себе не победят АМР. «ИИ это просто еще один инструмент в нашем арсенале, который ускоряет решение проблем, которые мы все равно собирались решать. Вот и все — ни больше, ни меньше» — говорит Стокс. ИИ может помочь создать новые антибиотики, имеющие шансы на успех. Но, в конечном счете, вывод антибиотиков из лаборатории, прохождение этапов разработки и, в конечном итоге, доставка их людям, которые в них нуждаются, остается делом рук человека.
