Ким Брэнсон, старший вице-президент и глобальный руководитель отдела ИИ и машинного обучения в фармацевтическом гиганте GSK, обсуждает трансформацию отрасли через внедрение алгоритмов. В беседе с представителями a16z он раскрывает, как машинное обучение переходит от «пилотных проектов» к основе стратегии разработки лекарств. Главная идея дискуссии: будущее медицины зависит не только от сложности моделей, но и от способности компаний генерировать уникальные данные и измерять биологические процессы с беспрецедентной точностью.
🧬 Путь от структурной биологии к коду 0:26
Ким Брэнсон признается, что в детстве увлекался математикой и физикой, а к биологии пришел только в университете, где его поразила сложность взаимодействия иммунной системы и бактерий . По его мнению, биология — это не просто набор разрозненных фактов («блобология»), а четкая структура, которую можно изучать методами рентгеновской кристаллографии и вычислительного дизайна .
Свою карьеру он начинал в 1999 году, когда скепсис в отношении вычислительных методов в фармацевтике был огромен. Тем не менее именно тогда при помощи программы Goodford GRID был спроектирован препарат Relenza (занамивир) — одно из первых лекарств, созданных на основе компьютерного моделирования поверхности белков . Позже Брэнсон работал в стартапах и в компании Vertex, где осознал ценность работы с огромными наборами данных, недоступными в академической среде .
🧪 AI в GSK: трансляция технологий в масштабе гиганта 4:22
Переход Брэнсона в GSK (GlaxoSmithKline) пять лет назад был вызван решимостью компании «вывернуть себя наизнанку» и интегрировать ИИ в ядро стратегии . Ким отмечает ключевую роль руководства: Хэл Бэррон (бывший глава R&D GSK) понимал техническую сторону вопроса и мог «написать код на Python», что критически важно для управления инженерами .
Внедрение ИИ в крупной корпорации сталкивается с рядом вызовов:
- Дилемма инноватора: опытные сотрудники часто скептически относятся к новым методам, если старые «все еще работают» .
- Закон Амдала для организаций: Брэнсон адаптировал его, указывая на критическое соотношение между вычислениями и коммуникациями. В огромной компании сообщение доходит до всех уровней очень медленно .
- Стратегия «пузыря»: на первых порах команда ИИ работала в защищенном контуре, создавая возможности и инструменты, которые теперь внедряются в общие процессы компании .
🚀 Как ИИ меняет разработку лекарств сегодня 8:55
Брэнсон подчеркивает: ИИ — это не «волшебная кнопка», которая выдает готовую молекулу по названию болезни. Это глубокая оптимизация каждого этапа :
- Выбор мишени (Target Discovery): используя генетические базы данных и электронные медицинские карты, ИИ выявляет значимые различия между больными и здоровыми людьми .
- Машинное зрение в патологии: модели анализируют снимки печени или почек, переводя качественные оценки (например, «сильное рубцевание») в непрерывные количественные признаки . Это позволяет точнее соотносить изменения в органах с генетическими вариантами.
- Функциональная геномика: вместо того чтобы проверять все гены подряд, команда использует активное обучение (Active Learning). Модель предсказывает, какие манипуляции с генами (с помощью CRISPR или TALON) дадут нужный эффект, что на 20% быстрее случайного скрининга .
- Прогностическая патология: ИИ способен подсчитать количество окрашенных пикселей на слайде точнее человека, а также определить конкретные типы клеток, которые реагируют на терапию в ходе клинических испытаний .
Примером успеха Брэнсон называет вторую фазу испытаний, где анализ протеомных данных позволил выделить группу пациентов, которые могут быть «функционально излечены» при снижении уровня вирусного антигена до определенных значений .
📊 Советы стартапам: данные важнее алгоритмов 17:14
Ким Брэнсон утверждает, что «умные люди» в команде — это не конкурентное преимущество, так как они есть и в Big Pharma . Главным активом стартапа являются уникальные данные.
Его рекомендации фаундерам:
- Генерируйте свои данные: если публичных данных недостаточно для ответа на вопрос, нужно инвестировать в их создание. Это создает «защитный ров» (moat) вокруг бизнеса .
- Простота против сложности: Брэнсон напоминает о «иллюзии прогресса» в классификации. Часто простой алгоритм вроде Random Forest дает результат, не уступающий сложной нейросети, но работающий быстрее и надежнее .
- Надежность: вместо точечных оценок (Point Estimates) модели должны выдавать доверительные интервалы .
- Интеграция: важно думать не только о пользователе, но и об инженерах, которые будут внедрять решение в стек компании и следить за дрейфом моделей .
🔮 Будущее через 5 лет: «Системная медицина» 24:37
По прогнозу Брэнсона, через пять лет запуск любого лекарства будет сопровождаться выпуском специализированного ПО . Это ПО поможет определять, кому именно подходит препарат и как пациент отреагирует на первый цикл терапии.
Ключевые тренды будущего:
- Иммунное программирование: вакцины и методы иммунотерапии будут настраиваться более индивидуально. Сейчас на иммунотерапию реагируют лишь около 20% пациентов; цель ИИ — понять, почему и как расширить эту группу .
- Меньше экспериментов, больше смысла: биологические данные (Single Cell, пертурбационная геномика) станут «таблицами вывода» (inference tables). Ученые будут проводить меньше физических опытов, заменяя их предсказаниями моделей на основе накопленных знаний .
- Преодоление дефицита данных об исходах: главным ограничением (rate-limiting step) Брэнсон считает нехватку данных о результатах лечения (outcomes) в сочетании с глубокими биологическими замерами .
В завершение Брэнсон призывает к созданию государственно-частных партнерств для сбора долгосрочных данных о состоянии иммунной системы людей. По его мнению, ИИ совершает рывок там, где сбор данных становится дешевым и массовым, как это случилось с веб-поиском и распознаванием изображений .
