Przemysł farmaceutyczny od lat zmaga się z potężnym kryzysem efektywności. Stworzenie nowej pigułki, która ostatecznie trafi na apteczne półki, to proces przypominający szukanie igły w stogu siana, w dodatku z zawiązanymi oczami. Tradycyjnie zajmuje to od 10 do 15 lat i pochłania astronomiczne kwoty, nierzadko przekraczające dwa miliardy dolarów. Zdecydowana większość badanych substancji odpada na etapie testów klinicznych, co oznacza, że ogromne pieniądze i czas naukowców idą na marne. Dziś jednak zasady tej gry ulegają drastycznej zmianie za sprawą technologii. Do laboratoriów wkroczyła sztuczna inteligencja, która nie tylko przyspiesza żmudne obliczenia, ale potrafi projektować cząsteczki, o jakich ludzki umysł by po prostu nie pomyślał.
Z laboratorium do serwera, czyli jak skrócić dekadę do kilku miesięcy
W tradycyjnym modelu odkrywania leków naukowcy musieli ręcznie testować tysiące związków chemicznych. Była to praca niezwykle żmudna, oparta w dużej mierze na metodzie prób i błędów oraz fizycznym syntezowaniu substancji. Sztuczna inteligencja odwraca ten proces do góry nogami, przenosząc ciężar z probówek na serwery. Zamiast testować to, co już znamy, zaawansowane algorytmy potrafią przewidzieć, jak dana substancja zachowa się w organizmie, zanim w ogóle powstanie w laboratorium. Dzięki temu etap przesiewowy, który kiedyś trwał nawet pięć lat, dziś można zamknąć w zaledwie kilka miesięcy.
Wystarczy spojrzeć na to, co robią współcześni giganci biotechnologiczni. Choć głośno o AI w medycynie zrobiło się przy okazji błyskawicznego opracowania szczepionek na COVID-19, to prawdziwa, cicha rewolucja dzieje się w obszarze leków na raka, choroby rzadkie czy schorzenia neurodegeneracyjne. Algorytmy uczenia maszynowego potrafią analizować petabajty danych medycznych, publikacji naukowych i wyników badań w ułamku sekundy. Dla człowieka to zadanie na kilka wcieleń, dla superkomputera – kwestia wtorkowego popołudnia.
AlphaFold – moment, w którym biologia wstrzymała oddech
Nie sposób mówić o nowoczesnym projektowaniu leków bez wspomnienia o przełomie, jakim był system AlphaFold. Stworzony przez firmę DeepMind, należącą do konglomeratu Alphabet, algorytm w 2020 roku rozwiązał problem, z którym najwybitniejsi biolodzy zmagali się od ponad pół wieku. Mowa o problemie zwijania białek, który brzmi jak abstrakcyjne zagadnienie z akademickiego podręcznika, ale w rzeczywistości stanowi Święty Graal współczesnej medycyny. To właśnie od kształtu białka zależy to, czy będziemy zdrowi, czy zapadniemy na ciężką chorobę.
Dlaczego kształt białka ma w ogóle znaczenie?
Działanie większości leków opiera się na klasycznym mechanizmie zamka i klucza. Białka w naszym ciele, na przykład te wywołujące stany zapalne lub nowotwory, to niezwykle skomplikowane, trójwymiarowe zamki. Aby zablokować ich szkodliwe działanie, lek musi być idealnie dopasowanym kluczem, który wsunie się w odpowiednią szczelinę. Zanim pojawił się AlphaFold, poznanie przestrzennego kształtu zaledwie jednego białka wymagało lat pracy z użyciem krystalografii rentgenowskiej i kosztowało miliony dolarów. Tymczasem algorytm od Google przewidział struktury niemal wszystkich znanych nauce białek w zaledwie kilka miesięcy, udostępniając tę bazę za darmo badaczom z całego świata.
Wirtualne sita i molekularne klocki LEGO
Wiedza o tym, jak wygląda biologiczny „zamek”, to dopiero połowa sukcesu w walce z chorobą. Trzeba jeszcze zaprojektować odpowiedni „klucz”, i tutaj do gry wkraczają modele generatywne sztucznej inteligencji. Działają one w sposób zbliżony do popularnego ChatGPT, ale zamiast słów i zdań, generują skomplikowane struktury chemiczne. Systemy te funkcjonują jak gigantyczne wirtualne sita, które w mgnieniu oka przeszukują bazy danych zawierające miliardy potencjalnych związków chemicznych. Szukają tej jednej, unikalnej cząsteczki, która najlepiej połączy się z białkiem chorobowym i zneutralizuje zagrożenie.
Co więcej, współczesna sztuczna inteligencja potrafi wymyślać zupełnie nowe cząsteczki od absolutnego zera. Algorytmy traktują atomy i wiązania chemiczne jak klocki LEGO, układając z nich struktury o ściśle określonych, pożądanych właściwościach. Maszyna może na przykład otrzymać polecenie: zaprojektuj związek, który zablokuje białko nowotworowe, nie uszkodzi komórek wątroby i będzie łatwo wchłanialny w postaci tabletki. Po analizie milionów parametrów system „wypluwa” kilkadziesiąt najbardziej obiecujących kandydatów, a naukowcom pozostaje jedynie zsyntetyzować je w laboratorium i potwierdzić ich skuteczność.
Sukcesy, które już widać na horyzoncie
Teoria brzmi wspaniale, ale czy to faktycznie działa w zderzeniu z bezlitosną biologią? Jak najbardziej, a pierwsze leki zaprojektowane w całości przez sztuczną inteligencję są już w fazie zaawansowanych testów klinicznych na ludziach. Świetnym przykładem jest firma Insilico Medicine, która przy pomocy swojej autorskiej platformy AI odkryła zupełnie nowy cel terapeutyczny i zaprojektowała lek na idiopatyczne włóknienie płuc. Cały proces, od rozpoczęcia poszukiwań w bazie danych do pierwszej fazy badań klinicznych, zajął im zaledwie 30 miesięcy. W tradycyjnym, analogowym modelu trwałoby to minimum dekadę i pochłonęłoby ułamek miliarda dolarów więcej.
Halicyna – antybiotyk wymyślony przez maszynę
Innym spektakularnym sukcesem, o którym pisały najważniejsze czasopisma naukowe, jest odkrycie halicyny. Badacze z prestiżowego MIT użyli algorytmów uczenia głębokiego do przeszukania bazy ponad 100 milionów związków chemicznych w poszukiwaniu nowych antybiotyków. Algorytm wskazał cząsteczkę, która wcześniej była badana jako potencjalny lek na cukrzycę, ale okazała się zabójczo skuteczna przeciwko najgroźniejszym, lekoopornym szczepom bakterii. Co najbardziej fascynujące, struktura halicyny drastycznie różni się od wszystkich znanych nam dotychczas antybiotyków. Żaden człowiek prawdopodobnie by na nią nie wpadł, ponieważ wykraczała poza utarte schematy myślenia w klasycznej farmakologii.
Demokratyzacja farmacji: czy leki wreszcie będą tańsze?
Monopol wielkich koncernów farmaceutycznych, potocznie nazywanych Big Pharma, wynikał dotychczas z gigantycznej bariery wejścia na rynek. Zbudowanie odpowiedniego zaplecza badawczego i sfinansowanie dekady niepewnych testów wymagało kapitału, którym dysponowali tylko nieliczni gracze. Sztuczna inteligencja ma ogromny potencjał, by ten skostniały układ sił zdemokratyzować. Dziś małe, zwinne startupy biotechnologiczne, uzbrojone w potężne serwery chmurowe i innowacyjne algorytmy, mogą jak równy z równym rywalizować z rynkowymi gigantami o stuletniej tradycji.
Sztuczna inteligencja to wielki wyrównywacz szans. Pozwala małym zespołom badawczym osiągać wyniki, które do niedawna wymagały armii naukowców i budżetów wielkości PKB małego państwa.
Co to oznacza dla przeciętnego pacjenta? Przede wszystkim realną nadzieję na znacznie tańsze terapie celowane. Jeśli koszty badań i rozwoju spadną o kilkadziesiąt procent dzięki optymalizacji procesów przez AI, ceny końcowe leków w aptekach również powinny ulec obniżeniu. Ponadto, szeroko otwiera się furtka do leczenia chorób rzadkich i sierocych. Do tej pory koncernom po prostu nie opłacało się inwestować miliardów w lek, którego potrzebowało zaledwie kilkanaście tysięcy osób na całym świecie. Gdy koszt odkrycia cząsteczki drastycznie spada, ekonomia staje się o wiele bardziej łaskawa dla pacjentów cierpiących na najrzadsze schorzenia.
Koniec z testami na zwierzętach?
Jednym z najbardziej kontrowersyjnych, a zarazem bolesnych etapów tworzenia nowych leków są obowiązkowe testy na zwierzętach. Choć z etycznego punktu widzenia budzą one ogromny sprzeciw społeczny, dotychczas były uznawane za niezbędne, by upewnić się, że nowa substancja nie zabije pacjenta podczas testów klinicznych. Sztuczna inteligencja daje jednak realną, naukowo ugruntowaną nadzieję na drastyczne ograniczenie, a w nieodległej przyszłości może i całkowite wyeliminowanie tego procederu z cyklu badawczego.
Zaawansowane modele predykcyjne potrafią z coraz większą dokładnością przewidzieć toksyczność danej substancji dla ludzkiego organizmu. W połączeniu z innowacyjną technologią „narządów na chipie” (organ-on-a-chip), gdzie ludzkie komórki hodowane są w mikroprzepływowych urządzeniach symulujących pracę serca czy wątroby, AI potrafi symulować reakcje fizjologiczne o wiele lepiej niż organizm myszy czy szczura. To nie tylko kwestia wyższej etyki, ale przede wszystkim skuteczności. W końcu człowiek to nie jest po prostu duża mysz, a wiele leków, które doskonale działały na gryzoniach, ostatecznie zawodziło u ludzi.
Ciemne strony i wyzwania. Czy algorytm może się pomylić?
Zanim jednak ogłosimy ostateczne zwycięstwo krzemu nad chorobami, warto spojrzeć na sprawę chłodnym okiem. Sztuczna inteligencja nie jest magiczną różdżką, która bezbłędnie rozwiązuje wszystkie problemy współczesnej medycyny. Głównym wyzwaniem pozostaje jakość danych zasilających modele. W branży technologicznej krąży znane powiedzenie: garbage in, garbage out (śmieci na wejściu, śmieci na wyjściu). Jeśli nakarmimy algorytm błędnymi, niekompletnymi lub tendencyjnymi danymi medycznymi, wygeneruje on bezużyteczne lub wręcz niebezpieczne cząsteczki.
Kolejnym istotnym problemem są tak zwane halucynacje AI, znane chociażby z generatorów tekstu. Zdarza się, że system zaprojektuje cząsteczkę, która na ekranie komputera wygląda jak lek idealny, ale w rzeczywistości łamie podstawowe prawa fizyki i chemii. Może się okazać, że jej zsyntetyzowanie w laboratorium jest fizycznie niemożliwe, albo że jest całkowicie nierozpuszczalna w wodzie, co wyklucza ją jako lek. Ponadto, nawet najlepszy lek z komputera musi ostatecznie przejść rygorystyczne testy kliniczne na ludziach. AI potrafi niesamowicie przyspieszyć fazę odkrywania, ale biologia ludzkiego organizmu wciąż pozostaje ostatecznym, nieubłaganym sędzią.
Nowa era medycyny spersonalizowanej
Prawdziwym, długoterminowym celem, do którego zmierza mariaż technologii i medycyny, jest pełna personalizacja leczenia. Dzisiejsza farmakologia w dużej mierze opiera się na modelu „jeden rozmiar dla wszystkich”. Leki są projektowane tak, by działały na uśrednionego pacjenta z podręcznika. Niestety, nasze indywidualne uwarunkowania genetyczne sprawiają, że to samo lekarstwo może u jednej osoby zdziałać cuda, a u innej wywołać ciężkie, zagrażające życiu skutki uboczne.
Dzięki potędze sztucznej inteligencji zbliżamy się do momentu, w którym terapia będzie krojona na miarę, niczym garnitur u dobrego krawca. Algorytmy będą w stanie analizować genom konkretnego pacjenta, jego historię chorób, a nawet unikalny mikrobiom jelitowy, by dobrać lub wręcz zaprojektować substancję idealnie dopasowaną do jego biologii. To już dawno przestało być domeną literatury science fiction. To bardzo konkretny kierunek, w którym płyną obecnie miliardy dolarów z funduszy inwestycyjnych i państwowych grantów badawczych.
Symbioza, nie zastąpienie
Czy sztuczna inteligencja ostatecznie zastąpi naukowców w białych fartuchach? Absolutnie nie, a przynajmniej nie w dającej się przewidzieć przyszłości. Algorytmy to potężne, ale wciąż tylko narzędzia. Są pozbawione ludzkiej intuicji, krytycznego myślenia i głębokiego zrozumienia szerszego kontekstu biologicznego. Potrzebują doświadczonych ekspertów, którzy zadadzą im właściwe pytania, odpowiednio ukierunkują ich pracę i krytycznie zinterpretują uzyskane odpowiedzi.
Można jednak z całą pewnością stwierdzić jedno: naukowcy, którzy uparcie odmawiają korzystania ze sztucznej inteligencji, zostaną wkrótce zastąpieni przez tych, którzy potrafią się nią biegle posługiwać. Branża farmaceutyczna przechodzi właśnie swoją największą, najbardziej fascynującą transformację od czasu przypadkowego odkrycia penicyliny. Z każdym kolejnym rokiem, z każdym nowym, ulepszonym algorytmem, droga od śmiałego pomysłu do pigułki ratującej życie staje się coraz krótsza. I to jest bez wątpienia doskonała wiadomość dla nas wszystkich.
