# Джим Коллинз: «Мы можем победить супербактерии всего за $20 млрд с помощью ИИ»

Источник: https://www.youtube.com/watch?v=x6WKR7mpAFU
Канал: The Cognitive Revolution
Опубликовано: 14.10.2025

---

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
[[JUMP:05:40]]

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 [00:28]. 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 [00:43].

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 [16:05].
*   **«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 [16:31].
*   **Сельское хозяйство:** чрезмерное использование антибиотиков в животноводстве (для профилактики и стимуляции роста) резко ускорило эволюцию резистентных штаммов [07:41].

По словам профессора, супербактерии давно вышли за пределы больниц и теперь встречаются на игровых площадках, в торговых центрах и школах [08:07].

## 🧠 Малые данные против супербактерий: как работают GNN
[[JUMP: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 [24:48].

Технический процесс выглядит так:

1.  **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» [25:15].
2.  **Архитектура GNN:** Были использованы графовые нейронные сети (GNN), которые анализируют молекулу как граф, обучаясь на связях и подструктурах [25:40].
3.  **Ансамблирование:** Команда обучает 20 идентичных сетей с разными начальными условиями и усредняет их предсказания («мудрость толпы»), чтобы избежать переобучения [45:41].

Этот подход позволил добиться точности (true positive rate) в 51–52%, в то время как традиционные методы скрининга дают менее 1% попаданий [28:45]. Первым успехом стал препарат **Halicin**, названный в честь ИИ HAL 9000 из «Космической одиссеи» [26:19].

## 🔬 Скрининг миллиардов молекул в виртуальном пространстве
[[JUMP: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 [50:27]. Сейчас, благодаря сотрудничеству с украинской компанией **Enamine** из Киева, они работают с библиотеками объемом от 65 до 70 миллиардов молекул [51:06].
*   **Фильтрация:** Предсказанные кандидаты проходят через дополнительные модели. Они оцениваются на новизну (отличие от существующих антибиотиков), токсичность для человеческих клеток и стабильность [58:45].
*   **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» [1:01:21].

По оценке Коллинза, с помощью этих технологий стоимость R&D для создания пайплайна из 15–20 перспективных антибиотиков составит всего несколько десятков миллионов долларов [03:18].

## 🛡️ Уникальные свойства новых препаратов: избирательность и мощь
[[JUMP: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 [1:13:36].

Джим Коллинз выделяет три ключевых преимущества ИИ-антибиотиков:

1.  **Новые механизмы:** Halicin работает, нарушая электрохимический градиент на мембране бактерии, что отличается от механизмов действия большинства известных лекарств [03:04].
2.  **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 [1:15:58]. Коллинз полагает, что это связано с тем, что препарат бьет сразу по нескольким мишеням в клетке [1:16:11].
3.  **Эффективность против супербактерий:** Найденные вещества убивают штаммы, устойчивые ко всем существующим видам терапии.

## 💰 Экономика спасения: 20 миллиардов долларов за жизнь человечества
[[JUMP: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 [33:59].

Основные финансовые показатели:

*   **27 млн долларов:** Грант от агентства **ARPA-H**, который позволит довести 15 антибиотиков до стадии клинических испытаний [38:46].
*   **2 млн долларов:** Примерная стоимость разработки одного соединения от хита до стадии IND (заявка на исследование нового препарата) [38:59].
*   **20 млрд долларов:** Общая стоимость вывода 15–20 препаратов на рынок, включая все фазы клинических испытаний [35:17].

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» [18:18].

## ⚠️ Риски и будущее: токсичность и сенолитики
[[JUMP: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 [1:25:10]. Коллинз признает, что изначально не задумывался об этом риске, пока к нему не пришли представители федеральных властей [1:25:35].

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) [1:19:50].
*   **Вирусы и грибки:** Платформа адаптируется для поиска противовирусных и противогрибковых средств [1:20:13].

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 [1:23:24].