Джим Коллинз, профессор медицинского инженерии в MIT, вместе со своей командой совершил прорыв в области синтетической биологии, используя искусственный интеллект для поиска новых антибиотиков. В интервью для The Cognitive Revolution он объясняет, почему для спасения человечества от «супербактерий» не нужны гигантские вычислительные мощности уровня AGI, и как инвестиция в 20 миллиардов долларов может навсегда решить проблему, уносящую миллионы жизней.
💊 Кризис антибиотиков: почему рынок перестал работать 5:40
Проблема антибиотикорезистентности (устойчивости бактерий к лекарствам) приобретает катастрофические масштабы. По текущим оценкам, ежегодно от инфекций, не поддающихся лечению, умирает более 1 миллиона человек по всему миру . Специальная комиссия в Великобритании предупредила, что если не принять меры, к 2050 году смертность достигнет 10 миллионов человек в год, что сопоставимо с показателями смертности от рака .
Джим Коллинз выделяет несколько причин, по которым человечество оказалось в «зиме открытий»:
- Экономический провал: разработка антибиотика обходится так же дорого, как лекарства от рака (от 500 млн до 2 млрд долларов), но курс лечения длится всего несколько дней, а цена препарата исчисляется долларами, а не тысячами .
- «Консервация» новинок: когда компания всё же выпускает новый эффективный препарат, врачи часто стараются держать его «на полке» как средство последней надежды, чтобы бактерии не успели выработать к нему устойчивость. Это лишает производителя выручки и ведет к банкротству .
- Сельское хозяйство: чрезмерное использование антибиотиков в животноводстве (для профилактики и стимуляции роста) резко ускорило эволюцию резистентных штаммов .
По словам профессора, супербактерии давно вышли за пределы больниц и теперь встречаются на игровых площадках, в торговых центрах и школах .
🧠 Малые данные против супербактерий: как работают GNN 22:11
Вопреки современному тренду на использование огромных наборов данных (триллионы токенов для LLM), проект Джима Коллинза начался с удивительно скромной базы. Для обучения модели использовали всего 2500 соединений: 1700 одобренных FDA препаратов и 800 природных веществ .
Технический процесс выглядит так:
- Бинарная классификация: Команда не пыталась предсказать точную степень угнетения роста бактерий в виде скалярной величины. Вместо этого они дискретизировали данные: если соединение подавляет рост E. coli на 80% и более — это «1» (антибактериальное), если меньше — «0» .
- Архитектура GNN: Были использованы графовые нейронные сети (GNN), которые анализируют молекулу как граф, обучаясь на связях и подструктурах .
- Ансамблирование: Команда обучает 20 идентичных сетей с разными начальными условиями и усредняет их предсказания («мудрость толпы»), чтобы избежать переобучения .
Этот подход позволил добиться точности (true positive rate) в 51–52%, в то время как традиционные методы скрининга дают менее 1% попаданий . Первым успехом стал препарат Halicin, названный в честь ИИ HAL 9000 из «Космической одиссеи» .
🔬 Скрининг миллиардов молекул в виртуальном пространстве 48:43
Использование ИИ радикально меняет масштаб поиска. Если в физической лаборатории академическая группа может проверить 10 000 соединений, а крупные центры — до 1 миллиона, то в in silico (компьютерном) пространстве возможности практически безграничны.
Процесс отбора включает в себя несколько этапов:
- Масштаб: Сначала команда проверила 110 миллионов соединений за 3 дня . Сейчас, благодаря сотрудничеству с украинской компанией Enamine из Киева, они работают с библиотеками объемом от 65 до 70 миллиардов молекул .
- Фильтрация: Предсказанные кандидаты проходят через дополнительные модели. Они оцениваются на новизну (отличие от существующих антибиотиков), токсичность для человеческих клеток и стабильность .
- Синтезируемость: Модель предсказывает, можно ли вообще создать это соединение в реальности. Джим Коллинз отмечает, что человек-эксперт (химик-синтетик) пока справляется с этой задачей лучше ИИ, так как быстрее видит «химические ловушки» .
По оценке Коллинза, с помощью этих технологий стоимость R&D для создания пайплайна из 15–20 перспективных антибиотиков составит всего несколько десятков миллионов долларов .
🛡️ Уникальные свойства новых препаратов: избирательность и мощь 1:12:18
Одним из самых удивительных результатов стало обнаружение препаратов узкого спектра действия. Традиционные антибиотики часто убивают всё подряд, разрушая микробиом кишечника. Новые молекулы, такие как Abaucin (против Acinetobacter baumannii), действуют избирательно .
Джим Коллинз выделяет три ключевых преимущества ИИ-антибиотиков:
- Новые механизмы: Halicin работает, нарушая электрохимический градиент на мембране бактерии, что отличается от механизмов действия большинства известных лекарств .
- Устойчивость к резистентности: В экспериментах бактерии E. coli не смогли выработать устойчивость к Halicin даже через 30 дней, тогда как к популярному препарату Cipro (ципрофлоксацин) резистентность появилась уже через несколько дней . Коллинз полагает, что это связано с тем, что препарат бьет сразу по нескольким мишеням в клетке .
- Эффективность против супербактерий: Найденные вещества убивают штаммы, устойчивые ко всем существующим видам терапии.
💰 Экономика спасения: 20 миллиардов долларов за жизнь человечества 33:46
Джим Коллинз подчеркивает поразительный контраст между инвестициями в технологический сектор и медицину. В то время как компания Илона Маска xAI привлекает 20 миллиардов долларов в одном раунде, этой же суммы было бы достаточно, чтобы полностью решить проблему антибиотикорезистентности на десятилетия вперед .
Основные финансовые показатели:
- 27 млн долларов: Грант от агентства ARPA-H, который позволит довести 15 антибиотиков до стадии клинических испытаний .
- 2 млн долларов: Примерная стоимость разработки одного соединения от хита до стадии IND (заявка на исследование нового препарата) .
- 20 млрд долларов: Общая стоимость вывода 15–20 препаратов на рынок, включая все фазы клинических испытаний .
Профессор призывает филантропов обратить внимание на эту область: «Для сверхбогатого человека это возможность в одиночку решить глобальную угрозу и войти в историю, даже не рассчитывая на прибыль» .
⚠️ Риски и будущее: токсичность и сенолитики 1:18:06
Технология имеет «двойное назначение», что вызывает опасения у правительственных структур. Модели, обучаемые предсказывать нетоксичные для человека соединения, могут быть легко инвертированы злоумышленниками для поиска сверхтоксичных веществ, против которых нет антидотов . Коллинз признает, что изначально не задумывался об этом риске, пока к нему не пришли представители федеральных властей .
Несмотря на риски, перспективы метода выходят далеко за рамки борьбы с бактериями:
- Сенолитики: Команда уже использует аналогичные GNN для поиска молекул, уничтожающих «зомби-клетки» (стареющие клетки, вызывающие воспаление и возрастные болезни) .
- Вирусы и грибки: Платформа адаптируется для поиска противовирусных и противогрибковых средств .
В завершение Джим Коллинз отмечает, что хотя ИИ стал мощным «соратником», человек должен оставаться в контуре управления (human-in-the-loop). Простая аннотация функций генов даже у такой изученной бактерии, как E. coli, всё еще остается непосильной задачей для чистого ИИ, так как 1500 генов из 4000 всё еще имеют неизвестное назначение .
