# Ким Брэнсон из GSK: «Через 5 лет каждое лекарство будет выпускаться в комплекте с ИИ-моделью» Источник: https://www.youtube.com/watch?v=j9f-sM-XuQY Канал: a16z (Andreessen Horowitz) Опубликовано: 01.08.2024 --- 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 [[JUMP:00:26]] 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 [0:39]. По его мнению, биология — это не просто набор разрозненных фактов («блобология»), а четкая структура, которую можно изучать методами рентгеновской кристаллографии и вычислительного дизайна [1:04]. 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 [2:10]. Позже Брэнсон работал в стартапах и в компании **Vertex**, где осознал ценность работы с огромными наборами данных, недоступными в академической среде [2:53]. ## 🧪 AI в GSK: трансляция технологий в масштабе гиганта [[JUMP:04:22]] Переход Брэнсона в GSK (GlaxoSmithKline) пять лет назад был вызван решимостью компании «вывернуть себя наизнанку» и интегрировать ИИ в ядро стратегии [5:15]. 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 [5:29]. Внедрение ИИ в крупной корпорации сталкивается с рядом вызовов: * **Дилемма инноватора:** опытные сотрудники часто скептически относятся к новым методам, если старые «все еще работают» [7:40]. * **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 [6:49]. * **Стратегия «пузыря»:** на первых порах команда ИИ работала в защищенном контуре, создавая возможности и инструменты, которые теперь внедряются в общие процессы компании [8:05]. ## 🚀 Как ИИ меняет разработку лекарств сегодня [[JUMP:08:55]] Брэнсон подчеркивает: ИИ — это не «волшебная кнопка», которая выдает готовую молекулу по названию болезни. Это глубокая оптимизация каждого этапа [9:23]: 1. **Выбор мишени (Target Discovery):** используя генетические базы данных и электронные медицинские карты, ИИ выявляет значимые различия между больными и здоровыми людьми [9:36]. 2. **Машинное зрение в патологии:** модели анализируют снимки печени или почек, переводя качественные оценки (например, «сильное рубцевание») в непрерывные количественные признаки [10:01]. Это позволяет точнее соотносить изменения в органах с генетическими вариантами. 3. **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 [12:39]. 4. **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 [13:16]. 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 [13:54]. ## 📊 Советы стартапам: данные важнее алгоритмов [[JUMP:17:14]] Ким Брэнсон утверждает, что «умные люди» в команде — это не конкурентное преимущество, так как они есть и в Big Pharma [18:55]. 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 [17:51]. * **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 [19:49]. * **Надежность:** вместо точечных оценок (Point Estimates) модели должны выдавать доверительные интервалы [21:20]. * **Интеграция:** важно думать не только о пользователе, но и об инженерах, которые будут внедрять решение в стек компании и следить за дрейфом моделей [22:12]. ## 🔮 Будущее через 5 лет: «Системная медицина» [[JUMP:24:37]] По прогнозу Брэнсона, через пять лет запуск любого лекарства будет сопровождаться выпуском специализированного ПО [24:50]. 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 [25:16]. * **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 [25:55]. * **Преодоление дефицита данных об исходах:** главным ограничением (rate-limiting step) Брэнсон считает нехватку данных о результатах лечения (outcomes) в сочетании с глубокими биологическими замерами [27:38]. 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 [30:15].