В специальном выпуске подкаста StarTalk известный астрофизик Нил Деграсс Тайсон, комик Чак Найс и спортивный комментатор Гэри О'Райли обсуждают одну из крупнейших научных революций современности — решение проблемы свертывания белков с помощью искусственного интеллекта. Главный гость программы, директор по ИИ компании Isomorphic Labs Макс Ядерберг, объясняет, как нейросети семейства AlphaFold от Google DeepMind навсегда изменили подходы к структурной биологии и фармакологии. Переход от случайного экспериментального перебора молекул к рациональному компьютерному дизайну открывает человечеству путь к созданию персонализированных лекарств от рака, лечению редких генетических болезней и управлению механизмами клеточного старения.
🧩 От распознавания образов к биологическим машинам 2:43
Макс Ядерберг изучал алгоритмы глубокого обучения в Оксфордском университете. Примерно 10–15 лет назад, когда индустрия искусственного интеллекта еще не была мейнстримом, ключевым вызовом для ученых оставалось понимание изображений и видеоконтента. В рамках своей докторской диссертации Макс Ядерберг разработал алгоритм, который смог проанализировать весь архивный каталог телеканала BBC и создать поисковую систему, способную находить объекты и текст на кадрах многолетней давности.
Техническая сложность этой задачи заключалась в том, что ИИ воспринимает изображения принципиально иначе, чем человеческий мозг. Компьютер видит картинку как упорядоченный массив пикселей. Закодировать вручную правила, связывающие абстрактные пиксели с человеческим языком, практически невозможно. Решением стало использование искусственных нейронных сетей. Сеть обучается на огромном количестве примеров: ей демонстрируют изображения, содержащие текст или объекты, и одновременно сообщают правильный ответ. Постепенно, в процессе сотен тысяч итераций, нейросеть выстраивает внутренний алгоритм, который извлекает информацию из пикселей и компилирует её в точные текстовые описания.
До перехода в Isomorphic Labs Макс Ядерберг долгое время работал в Google DeepMind. На ранних этапах развития компании ключевой задачей ученых было доказательство самой жизнеспособности технологий глубокого обучения. ИИ обучали играть в шахматы, го и стратегическую компьютерную игру Starcraft, где алгоритмы в итоге сумели победить профессиональных игроков мирового уровня. По словам Макса Ядерберга, эти игровые проекты служили полигоном для тестирования фундаментальных систем, которые авторы мечтали применить для решения глобальных прикладных задач. Позже Демис Хассабис основал компанию Isomorphic Labs, выделив её из Google DeepMind, с долгосрочной целью — полностью победить человеческие заболевания с помощью медицинского ИИ.
📐 Что такое Isomorphic: поиск математического языка биологии 7:30
Название компании Isomorphic Labs отсылает к математическому и физическому термину «изоморфизм», который означает взаимно однозначное отображение между двумя пространствами или структурами. Макс Ядерберг отмечает, что в классической физике ученые могут описать фундаментальные процессы лаконичными математическими уравнениями — математика выступает идеальным языком физического мира. Однако живую клетку невозможно описать простыми формулами. Биология, по мнению Макса Ядерберга, представляет собой самую сложную форму выражения химии из всех известных человечеству, обладающую колоссальным количеством движущихся элементов.
Именно ИИ и машинное обучение призваны стать тем самым «Розеттским камнем» и идеальным языком описания биологических систем. Философия создателей Isomorphic Labs строится на вере в то, что между сложным биологическим макрокосмом и архитектурой нейросетей существует изоморфизм — математическое соответствие, позволяющее ИИ точно моделировать живую материю.
Нил Деграсс Тайсон обращает внимание на то, что при стандартном обучении химии студентов редко фокусируют на трехмерной форме молекул. В учебниках химические реакции обычно записываются в виде плоских формул и символов элементов, которые полностью игнорируют пространственную конфигурацию и пространственную изомерию (хиральность) молекул. Биология же работает исключительно в 3D-пространстве.
🧬 Проблема свертывания белка и триумф AlphaFold 9:10
Белки являются главными строительными блоками и функциональными молекулярными машинами внутри любого живого организма. Каждый белок состоит из линейной последовательности аминокислот. В живой природе насчитывается около 20 основных аминокислот. В современной фармацевтике ученые также научились синтезировать искусственные, ненатуральные аминокислоты для создания модифицированных лекарственных препаратов.
Попадая в клетку, цепочка аминокислот не остается линейной — она спонтанно сворачивается в сложную трехмерную структуру. Эта уникальная геометрия критически важна, поскольку белки функционируют как крошечные механические устройства. Они физически взаимодействуют друг с другом, а также с молекулами ДНК и РНК. Процесс их взаимодействия напоминает сборку трехмерного пазла, где детали должны идеально подходить друг к другу по форме. При этом белковые структуры динамичны:
- Они непрерывно меняют форму в ответ на внешние сигналы.
- Контакт с одной молекулой может вызвать конформационные изменения на противоположном конце белка, запуская или останавливая работу биохимического конвейера.
- Эти сложнейшие динамические системы состоят из тысяч и миллионов атомов, а сами процессы изменения формы внутри клетки протекают на микросекундных масштабах.
В течение последних 50 лет биохимики определяли трехмерную структуру белков исключительно вручную. Это требовало колоссальных трудозатрат: ученым нужно было изолировать белок, вырастить из него высококачественный кристалл, а затем подвергнуть его рентгеноструктурному анализу или изучить с помощью просвечивающей электронной микроскопии (электронного рассеяния). На расшифровку формы одного-единственного белка у лабораторных исследователей уходили месяцы, а иногда и годы работы.
Нейросеть AlphaFold полностью перевернула эту индустрию. Ей достаточно получить на вход лишь текстовое описание последовательности аминокислот, чтобы выдать готовую и точную трехмерную модель белка. Алгоритм был обучен на массиве данных, собранных человечеством за полвека — это порядка 200 000 верифицированных белковых и биомолекулярных структур. Экспериментальной точности моделирования удалось достичь в версии AlphaFold 2, созданной Google DeepMind, за что разработчики получили Нобелевскую премию по химии. Новейшая версия AlphaFold 3 сделала шаг вперед: она прогнозирует структуры не только чистых белков, но и их комплексные соединения с ДНК, РНК, а также с так называемыми малыми молекулами, которые чаще всего и выступают в роли лекарств.
💊 Революция в дизайне лекарств и вычислительный тупик 17:20
Фармацевтическое проектирование опирается на концепцию «целевых белков» (мишеней). Если ученые понимают, какой именно белок отвечает за развитие патологии или жизнедеятельность раковой клетки, они пытаются создать терапевтическую молекулу, способную физически заблокировать этот белок или изменить его функции.
Исторически фармацевтические гиганты искали новые лекарства вслепую. Они брали библиотеки из миллиона случайных химических соединений и буквально тестировали их на целевых белках в пробирках, надеясь обнаружить хоть какое-то терапевтическое сродство. Макс Ядерберг сравнивает этот классический подход с «просеиванием грязи в поисках ценных крупиц». Именно слепой перебор обуславливал критически низкий процент успеха (Eroom's law) при создании новых медикаментов.
Применение AlphaFold 3 позволяет химикам детально рассмотреть атомарную структуру взаимодействия мишени и лекарства на экране компьютера. Однако фундаментальная сложность заключается в поиске самой малой молекулы. По оценкам ученых, химическое пространство потенциальных лекарствоподобных соединений составляет порядка $10^{60}$ вариантов. Физически протестировать или даже смоделировать такое количество терапевтических комбинаций методом полного перебора невозможно — для этого не хватит мощностей никаких суперкомпьютеров планеты.
По мнению Макса Ядерберга, решить эту проблему способны только генеративные ИИ-модели и автономные ИИ-агенты. Вместо случайного блуждания они осуществляют интеллектуальный направленный поиск в химическом пространстве, самостоятельно генерируя и оптимизируя структуры молекул под конкретную биологическую задачу. Гость подчеркивает, что существующие алгоритмы глубокого обучения очень точны, но не идеальны и все еще способны совершать ошибки. Из-за этого исследователи по-прежнему обязаны проводить финальную валидацию результатов в реальных химических лабораториях, однако объем физической рутины сокращается в тысячи раз.
💰 Экономика Big Pharma и персонализированная медицина 21:06
Нил Деграсс Тайсон озвучивает известное в экономике фармакологии правило: «Первая таблетка нового лекарства стоит 50 миллионов долларов, а каждая вторая — 10 центов», поскольку основные затраты уходят на предварительные научные исследования. Макс Ядерберг уточняет и расширяет этот тезис актуальной статистикой:
«Сегодня создание одного успешного лекарственного препарата обходится фармацевтическим компаниям в среднем в 3 миллиарда долларов».
Внедрение ИИ радикально меняет структуру затрат, скорость разработки, коммерческие риски и саму бизнес-модель Big Pharma. Это открывает колоссальные перспективы для борьбы с редкими (орфанными) генетическими заболеваниями, которые могут встречаться у одного человека на 100 000. В классической капиталистической модели разработка лекарств для столь узкой аудитории коммерчески невыгодна, так как компании не могут вернуть инвестиции. Снижение стоимости проектирования молекул с помощью ИИ делает терапию редких болезней экономически оправданной.
Значительная часть заболеваний человека вызвана так называемыми миссенс-мутациями (точечными заменами в ДНК), которые меняют одну аминокислоту в белке, из-за чего тот начинает сворачиваться неправильно. Искаженная молекулярная машина перестает адекватно выполнять свои функции. Большинство препаратов, занесенных в массивный справочник практикующих врачей PDR (Physician's Desk Reference), представляют собой традиционные химические агенты, которые лишь купируют симптомы патологии, но не исправляют дефектную укладку белка.
В настоящее время Isomorphic Labs фокусирует свои основные исследовательские мощности на двух наиболее востребованных и сложных медицинских направлениях:
- Онкологические заболевания (различные виды рака).
- Иммунология и аутоиммунные расстройства.
Главным ориентиром медицинского ИИ Макс Ядерберг называет создание истинно персонализированной медицины. В будущем ученые смогут полностью секвенировать геном опухоли конкретного пациента и за несколько дней сгенерировать уникальную терапевтическую молекулу, рассчитанную исключительно на подавление индивидуальных мутаций этого человека.
🧫 Механика доставки: от малых молекул до пептидов 31:10
Создание эффективного лекарства не ограничивается поиском молекулы, способной связаться с целевым белком. Ключевой проблемой остается фармакокинетика и физическая доставка действующего вещества к мишени. Если пациент принимает препарат в виде таблетки, молекула должна обладать целым комплексом жестких физико-химических свойств:
- Быть водорастворимой для адекватного усвоения.
- Успешно преодолевать агрессивную среду ЖКТ и проникать сквозь стенки кишечника в кровоток.
- Прицельно транспортироваться к пораженным тканям и клеткам.
- Проходить сквозь липидную клеточную мембрану, если целевой белок находится внутри цитоплазмы или ядра клетки.
- Не обладать системной токсичностью, то есть не взаимодействовать с другими здоровыми белками организма.
В зависимости от расположения мишени ученые проектируют разные типы лекарств. К первому типу относятся малые молекулы (традиционные таблетки), способные проникать внутрь клеток. Второй тип — крупные белковые препараты (например, моноклональные антитела), которые вводятся внутримышечно или внутривенно. Они не умеют пересекать мембрану и работают исключительно с рецепторами на внешней поверхности клеток. Промежуточное положение занимают пептиды — короткие цепи, состоящие всего из 5–50 аминокислот. Из-за меньшего размера пептиды в определенных конфигурациях сохраняют способность проникать сквозь клеточные стенки.
Макс Ядерберг убежден, что искусственный интеллект не уничтожит классическую химию, а станет её неотъемлемым фундаментом. Проводить сегодня серьезные химические или биологические исследования без ИИ — это то же самое, что пытаться заниматься наукой без знания математики.
🔮 Границы будущего: от микромира до симуляции человека 35:16
Глобальной мечтой ИИ-биологов является создание полноценной «виртуальной клетки» и цифровой модели человеческого организма. На самом базовом уровне физики умеют точно описывать уравнениями взаимодействие двух атомов. С помощью AlphaFold 3 человечество научилось точно моделировать крупные атомные ансамбли на уровне отдельных белков и комплексов. Следующий шаг — создание моделей биологических путей (pathways), описывающих, как эти белковые машины взаимодействуют в масштабах целой клетки.
Прямая симуляция человека методом «снизу вверх» пока невозможна, так как даже в одной клетке содержатся триллионы атомов. Чтобы обойти это ограничение, ИИ используют для интеграции разнородных макро- и микроданных. Нейросети заполняют пробелы между точными атомарными расчетами и крупными биологическими измерениями (количеством белков в клетке, типами тканей и т.д.), постепенно воссоздавая целостную картину живого организма.
Технологии AlphaFold уже выходят далеко за рамки создания классических лекарств:
- Борьба со старением: Исследователи изучают механизмы стабилизации белков и работу факторов Яманаки (особых белков-факторов транскрипции, способных перепрограммировать и омолаживать клетки).
- Экология: Ученые используют AlphaFold для направленной инженерии бактериальных ферментов, способных эффективно расщеплять пластиковые отходы и очищать мировой океан.
- Агротехнологии: ИИ помогает проектировать генетически устойчивые и высокоурожайные сельскохозяйственные культуры, способные переносить экстремальные климатические изменения.
- Реконфигурация лекарств: Модели токсичности позволяют пересматривать существующий медицинский каталог, модифицируя старые препараты для снижения их побочных эффектов.
- Квантовые вычисления: Внутри Isomorphic Labs развернута специальная группа квантового моделирования. Пока они симулируют квантовые эффекты молекул на классических суперкомпьютерах, но появление полноценных квантовых процессоров позволит поднять точность расчетов на недосягаемый уровень.
Касаясь рисков создания столь мощных биотехнологий, Макс Ядерберг призывает научное сообщество к жесткой ответственности. Государствам и лабораториям предстоит выработать строгий баланс между открытыми научными публикациями (Open Science) и закрытием критически опасных данных (например, формул потенциального биологического оружия) ради глобальной безопасности человечества.
