фармацевтика

Bristol Myers Squibb заключила многолетнее соглашение с Faro для масштабирования ИИ-решений в дизайне, составлении, валидации и оптимизации клинических испытаний. Faro специализируется на помощи биотех-команд в навигации по сложным процессам испытаний и создании структурированных цифровых протоколов.

Исследование представляет FoundedPBI — ансамблевый подход глубокого обучения для предсказания взаимодействий бактериофагов с бактериями на основе ДНК-последовательностей. Методология использует ансамбль из трёх современных ДНК-языковых моделей (Nucleotide Transformer v2, DNABERT-2, MegaDNA), обученных на прокариотических и бактериофаговых геномах, с агрегацией выходов в единый мета-эмбеддинг и последующей классификацией нейросетью. Ключевые результаты: на бенчмарке PredPHI модель достигла F1-оценки 76%, превзойдя текущий state-of-the-art PBIP на 7%, а на внутреннем наборе данных CI4CB — 93% F1-оценка, улучшив предыдущие методы на 4%. Особый вклад — адаптация стратегий агрегации контекста NLP для обработки целых бактериальных и фаговых геномов до 5 млн пар оснований, что в 50-100 раз превышает контекстные окна фундаментальных моделей (12-96K bp). Это критически важно для ускорения открытия пар фаг-бактерия, необходимых для фаговой терапии как альтернативы антибиотикам. Практическая значимость: метод снижает трудоёмкость экспериментального скрининга, позволяя предсказывать совместимость пар по ДНК-последовательностям без лабораторных тестов, что может революционизировать разработку персонализированных фаговых препаратов.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Организация клинических исследований Icon заключила партнёрство с технологической компанией Advarra для создания сети связанных исследовательских площадок. Партнёрство включает использование AI-платформы Advarra для улучшения дизайна протоколов, прогнозирования и планирования исследований на основе данных институциональных наблюдательных советов и систем клинических испытаний.

Статья исследует, как медицинские работники используют ИИ-инструменты для профессиональных целей. Опрос показал, что клиницисты применяют ChatGPT и другие ИИ-сервисы почти так же часто, как традиционные поисковики, хотя доверие к технологиям остается проблемой. Маркетологам рекомендуется создавать «ИИ-готовый» контент и использовать каналы для привлечения внимания, а не для доказательства эффективности.

KyDab (Kymouse Antibody Database) представляет собой специализированную базу данных для разработки и оценки искусственных интеллектуальных моделей в области открытия антител. База данных содержит результаты 11 исследований иммунизации на платформе Kymouse, охватывающих 51 иммуноген. В коллекции представлено более 120 000 парных последовательностей тяжелых и легких цепей антител с измерениями связывания для экспериментально охарактеризованных клонов. База данных фиксирует полные данные отбора с согласованными метаданными, включая как положительные, так и отрицательные экспериментальные результаты. Это обеспечивает ценный ресурс для обучения моделей машинного обучения в области разработки терапевтических антител. База данных доступна по адресу https://kydab.naturalantibody.com и будет постоянно обновляться новыми наборами данных.

Компания Optum Rx внедряет технологии искусственного интеллекта для выявления и предотвращения мошенничества, нецелевого расходования средств и злоупотреблений в фармацевтической сфере. Это решение направлено на снижение финансовых потерь, которые ежегодно достигают миллиардов долларов в системе здравоохранения США. ИИ-системы анализируют большие объёмы данных о транзакциях, рецептах и поведении аптек для выявления аномальных паттернов. Методология включает машинное обучение для классификации подозрительных операций и автоматизированного оповещения. Внедрение таких систем позволяет сократить время расследования и повысить точность выявления мошеннических схем. Это важный пример применения ИИ не в клинической практике, а в административно-финансовом управлении здравоохранением, что критически важно для устойчивости системы.

Стартап Doctronic, разработчик чат-бота для автоматического продления медицинских рецептов, привлёк 40 миллионов долларов финансирования. Компания проводит эксперимент в штате Юта, где ИИ-чатбот оценивает пациентов и принимает решения о продлении существующих назначений лекарств без обязательного очного визита к врачу. Это пример применения искусственного интеллекта в клинической практике для оптимизации рутинных процессов в первичной медико-санитарной помощи. Финансирование привлечено на фоне растущей конкуренции между компаниями, внедряющими ИИ-решения в реальную клиническую практику. Проект представляет собой экспериментальную модель, где алгоритмы анализируют медицинские данные пациентов и принимают решения о продолжении терапии хронических заболеваний. Ключевая цель — снизить нагрузку на врачей, уменьшить затраты пациентов на визиты и ускорить доступ к необходимым лекарствам. Однако эксперимент вызывает вопросы о безопасности и качестве медицинских решений, принимаемых алгоритмами без прямого участия врача.

Компания PrescriberPoint использует агентный ИИ для поддержки процедур prior authorization, чат-взаимодействий и коммуникаций с плательщиками. Платформа помогает фармацевтическим компаниям и врачам оптимизировать процесс назначения лекарств, устраняя административные препятствия.

Исследователи представили RNASTOP — новую вычислительную платформу, сочетающую глубокое обучение с эвристическим поиском для одновременного предсказания и оптимизации химической стабильности молекул мРНК. Проблема химической нестабильности мРНК ограничивает долгосрочную эффективность мРНК-вакцин, и существующие методы предсказания деградации имеют ограниченную точность. RNASTOP демонстрирует улучшение точности на 13% по сравнению с лучшей моделью в конкурсе Stanford OpenVaccine и показывает устойчивую обобщаемость при предсказании деградации полноразмерных последовательностей мРНК. При применении к оптимизации кодонов мРНК для вакцины против вируса ветряной оспы (Varicella-Zoster Virus) система снизила минимальную свободную энергию на 75,73% при сохранении высокой эффективности трансляции. Разработанная модель представляет собой мощный инструмент для ускорения разработки мРНК-терапевтических средств, что особенно актуально в контексте пандемии COVID-19 и создания вакцин нового поколения. Исследование открывает перспективы для рационального дизайна мРНК-препаратов с улучшенной стабильностью и эффективностью. Исходный код проекта доступен в открытом доступе на GitHub.

Исследование Guo et al. представляет новый подход к генерации молекул с использованием языковой модели на базе архитектуры Mamba. Авторы демонстрируют, что комбинация аугментации данных и техники experience replay (переживания опыта) позволяет эффективно генерировать оптимизированные по свойствам малые молекулы. Методология основана на применении memory manipulation — механизмов управления памятью в нейросетях для сохранения и повторного использования ранее сгенерированных молекул. Исследование решает проблему sample efficiency — необходимости в большом количестве данных для обучения генеративных моделей в фармацевтике. Подход позволяет сократить количество необходимых примеров для обучения при сохранении качества сгенерированных молекул. Это имеет прямое значение для ускорения drug discovery, где генерация новых лекарственных кандидатов является ресурсоёмким процессом. Работа опубликована в Nature Machine Intelligence, что подтверждает научную значимость подхода для области ИИ в медицине.

Компания Xaira, получившая в 2024 году финансирование в размере 1 миллиарда долларов, представляет собой одну из наиболее амбициозных биотехнологических компаний, использующих искусственный интеллект для открытия новых лекарств. В интервью COO Джеффа Джонкера изданию Fierce Biotech обсуждается стратегия компании как биотеха следующего поколения, включая исследуемые модальности и терапевтические области. Xaira фокусируется на решении наиболее востребованных проблем фармацевтической индустрии — так называемых «высоко висящих фруктов». Компания работает над созданием платформы для ускоренного поиска и разработки лекарственных соединений с использованием передовых алгоритмов машинного обучения. Крупное финансирование в 1 миллиард долларов позволяет Xaira привлекать таланты и строить мощную инфраструктуру для исследований и разработок. Ожидается, что за следующие пять лет компания продемонстрирует конкретные результаты в виде новых кандидатов в лекарства. Проект представляет значительный интерес для индустрии, так как успех Xaira может определить будущее AI-driven drug discovery.

Исследование представляет новый метод ABAG-Rank — глубокую нейронную сеть на основе архитектуры DeepSets, предназначенную для эффективного выбора лучших структурных моделей комплексов антитело-антиген из ансамблей, предсказанных AlphaFold. Проблема заключается в том, что AlphaFold3, несмотря на выдающуюся точность предсказания структур белков, часто не может надёжно отличить правильные модели от множества ошибочных предсказаний, особенно для комплексов без сильной коэволюционной информации. Авторы обучили модель на избыточность-редуцированном наборе всех известных комплексов антитело-антиген, используя простые геометрические дескрипторы вместе с оценками уверенности от AlphaFold, что обеспечивает богатую информацию о качестве интерфейса без необходимости интенсивных расчётов на основе физики. Экспериментальные результаты демонстрируют, что ABAG-Rank значительно превосходит внутреннюю систему оценки AF3 и существующие методы ранжирования на основе глубокого обучения. Метод способен обрабатывать ансамбли структурных декоев переменного размера, что делает его применимым к различным настройкам предсказания. Разработанный инструмент имеет открытый исходный код и доступен по адресу GitHub, что способствует его внедрению в научное сообщество. Данная работа имеет практическую значимость для разработки лекарств, понимания иммунных реакций и дизайна вакцин, где точное предсказание структуры комплексов антитело-антиген критически важно.

Статья о применении машинного обучения для анализа реальных данных (RWE) в фармацевтической отрасли и регуляторных процессах FDA. ML-модели позволяют создавать синтетические контрольные группы, идентифицировать подгруппы пациентов, предсказывать ответ на терапию и обнаруживать нежелательные события. FDA выпустило руководство по использованию ИИ/ML в жизненном цикле разработки лекарств.

Биотехнологическая компания Earendil Labs, базирующаяся в США с корнями в Китае, привлекла $787 миллионов частных инвестиций для финансирования своей ИИ-платформы для разработки лекарств. Платформа уже сгенерировала конвейер из более чем 40 программ разработки препаратов, что демонстрирует эффективность подхода искусственного интеллекта в фармацевтике. Сумма финансирования в $787 млн является значительной для частного раунда и указывает на высокий интерес инвесторов к ИИ-биотехнологиям. Компания находится на этапе подготовки к возможному IPO, что свидетельствует о зрелости технологического продукта и бизнес-модели. Применение машинного обучения в открытии новых лекарственных соединений позволяет сократить время и стоимость разработки препаратов по сравнению с традиционными методами. Этот раунд финансирования подтверждает тренд на интеграцию ИИ в фармацевтическую промышленность и биотехнологические исследования. Успешное привлечение такого объёма инвестиций указывает на доверие рынка к способности ИИ-платформ создавать коммерчески перспективные лекарственные программы.