Искусственный интеллект стремительно меняет облик современных отраслей, выходя далеко за рамки традиционных сфер применения. Сегодня он все активнее проникает в высокотехнологичные направления, включая фармацевтику, где способен ускорять разработку препаратов, повышать точность исследований и снижать затраты. Как именно эти технологии трансформируют отрасль и какие возможности они открывают для науки и бизнеса? Об этом в эфире программы Economix рассказал сооснователь компании Denovo Sciences Оваким Закарян. От идеи к международному стартапу

По его словам, изначально команда Denovo Sciences сосредоточилась на поиске ответа на вопрос, как можно использовать машинное обучение для разработки и открытия новых лекарственных препаратов.

«Когда мы начинали, нашей целью было понять, как применить машинное обучение для проектирования и обнаружения новых лекарств», — отметил он. Постепенно, по мере появления первых результатов, команда убедилась в реализуемости поставленных задач и перешла к следующему этапу — формированию компании и расширению команды. 

Изначально Denovo Sciences была зарегистрирована в США, в штате Делавэр, что, как отметил Закарян, связано с удобством привлечения инвестиций и является распространенной мировой практикой. При этом, поскольку основное исследовательское ядро формировалось в Армении, была создана и локальная компания, связанная с американской структурой.

В дальнейшем география проекта расширилась. По словам Закаряна, в прошлом году компания открыла дочернюю структуру в Катаре, в Дохе, после привлечения значительных инвестиций от связанных с регионом инвесторов. Это, в свою очередь, усилило внимание команды к ближневосточному рынку и открыло новые возможности для роста. «Мы увидели, что там есть очень хорошие возможности, и сейчас стараемся достаточно быстро их реализовать», — подчеркнул он.

Говоря о философии компании, Закарян отметил, что ключевая задача заключается в ускорении процессов, которые традиционно считаются одними из самых медленных в фармацевтической индустрии. Речь идет о создании инструментов, позволяющих ускорять разработку лекарств без потери их эффективности. 

Синтетические данные как ключ к новой фармацевтической реальности

Закарян подчеркнул, что основная проблема в применении машинного обучения в фармацевтике связана не с алгоритмами, а с данными, на которых эти алгоритмы обучаются. По его словам, для эффективной работы моделей необходимы большие массивы качественных данных, однако именно с этим в фармацевтической отрасли возникают серьезные ограничения.

Закарян пояснил, что даже с учетом накопленных за более чем сто лет исследований объем доступной информации остается недостаточным, а ее качество - неоднородным. Это, по его словам, приводит к тому, что большинство существующих решений в этой сфере остаются ограниченными по эффективности и применимости.

Именно поэтому команда Denovo Sciences изначально выбрала иной подход - использование синтетических данных для обучения моделей. Речь идет о данных, которые генерируются не из реальных экспериментов, а создаются в виртуальной среде на основе математических и физико-химических симуляций. «Мы решили использовать модели машинного обучения, которые можно обучать на синтетических данных. Синтетические данные отличаются тем, что они генерируются в виртуальной среде, а не получаются из реальных экспериментов», — пояснил он.

Закарян добавил, что сегодня существуют достаточно продвинутые физико-химические симуляции, позволяющие моделировать, например, взаимодействие потенциального химического соединения с биологической мишенью. Хотя такие модели не являются идеальными, их точности достаточно, чтобы использовать полученные результаты для обучения алгоритмов. По его словам, на момент принятия этого решения в мире лишь одна-две компании работали в аналогичном направлении. Даже сегодня, отметил он, число таких игроков крайне ограничено — по оценкам, не более пяти-шести компаний используют подобный подход, поскольку он требует значительно более сложных вычислений и глубокой математической базы по сравнению с классическими методами машинного обучения.

«Это гораздо более сложный процесс с точки зрения вычислений и математики, но я уверен, что в ближайшие три-пять лет число компаний, работающих в этом направлении, резко увеличится», — подчеркнул он. Закарян отметил, что ранний старт в этом направлении дает компании ощутимое конкурентное преимущество. Благодаря накопленному опыту Denovo Sciences уже сегодня может работать с задачами, где отсутствуют реальные данные - например, с проектированием потенциальных лекарственных молекул в совершенно новых областях. В частности, одно из направлений, которым сейчас занимается Denovo - поиск лекарств от гомоцистинурии - редкого заболевания, которое однако в Катаре встречается достаточно часто. 

По его словам, использование синтетических данных не только принципиально отличает технологию компании от традиционных решений, но и открывает доступ к направлениям, которые ранее были практически недостижимы для индустрии машинного обучения в фармацевтике.