Роботы, компьютеры и алгоритмы ищут новые потенциальные методы лечения так, как человек не может — обрабатывая огромные объемы данных и создавая ранее немыслимые молекулы.
Автор: Амит Катвала
На старой фабрике по производству печенья в Южном Лондоне гигантские миксеры и промышленные печи были заменены роботизированными манипуляторами, инкубаторами и машинами для секвенирования ДНК. Джеймс Филд и его компания LabGenius не занимаются производством сладостей, а разрабатывают революционный подход к созданию новых медицинских антител с помощью искусственного интеллекта.
В природе антитела являются реакцией организма на болезнь и служат передовым отрядом иммунной системы. Они представляют собой нити белка специальной формы, которые прилипают к чужеродным агентам, чтобы затем вывести их из организма. С 1980-х годов фармацевтические компании создают синтетические антитела для лечения таких заболеваний, как рак, а также для снижения вероятности отторжения пересаженных органов.
Однако создание таких антител — процесс небыстрый для человека: разработчикам белков приходится пробираться через миллионы потенциальных комбинаций аминокислот, чтобы найти те, которые будут складываться именно так, как нужно, а затем проверять их экспериментально, подстраивая некоторые переменные для улучшения одних характеристик лечения и надеясь, что это не приведет к ухудшению других. «Если вы хотите создать новое терапевтическое антитело, то где-то в этом бесконечном пространстве потенциальных молекул сидит та молекула, которую вы хотите найти», — говорит Филд, основатель и генеральный директор компании LabGenius.
Он основал компанию в 2012 году, когда, обучаясь в Имперском колледже Лондона, получил степень доктора наук по синтетической биологии, увидел, что стоимость секвенирования ДНК, вычислений и робототехники снижается. LabGenius использует все эти технологии, чтобы в значительной степени автоматизировать процесс создания антител. В лаборатории в Бермондси алгоритм машинного обучения разрабатывает антитела для борьбы с конкретными заболеваниями, а затем автоматизированные роботизированные системы создают и выращивают их в лаборатории, проводят тесты и передают полученные данные в алгоритм, причем контроль со стороны человека ограничен. В лаборатории есть помещения для культивирования больных клеток, выращивания антител и секвенирования их ДНК: техники в лабораторных халатах готовят образцы и работают на компьютерах, а машины работают в фоновом режиме.
Ученые начинают с определения пространства поиска потенциальных антител для борьбы с конкретным заболеванием: им нужны белки, способные различать здоровые и больные клетки, прилипать к больным клеткам, а затем привлекать иммунные клетки для завершения работы. Но эти белки могут находиться в любой точке бесконечного пространства поиска потенциальных вариантов. Компания LabGenius разработала модель машинного обучения, которая позволяет исследовать это пространство гораздо быстрее и эффективнее. «Единственный входной сигнал, который вы даете системе, как человек, это: вот пример здоровой клетки, вот пример больной клетки» — говорит Филд. «А затем вы позволяете системе исследовать различные конструкции [антител], которые могут их различать».
Модель выбирает более 700 исходных вариантов из 100 000 потенциальных антител, а затем автоматически проектирует, создает и тестирует их, чтобы найти потенциально плодотворные области для более глубокого изучения. Представьте, что вы выбираете идеальный автомобиль из тысячи: вы можете начать с выбора широкого цвета, а затем отфильтровать его по конкретным оттенкам.
Тесты практически полностью автоматизированы, в подготовке образцов и их прохождении через различные стадии процесса тестирования задействован целый комплекс высокотехнологичного оборудования: Антитела выращиваются в соответствии с их генетической последовательностью и затем испытываются на биологических образцах — образцах больной ткани, против которой они были разработаны. За этим процессом следят люди, но их работа сводится в основном к перемещению образцов от одной машины к другой.
«Когда вы получаете экспериментальные результаты по первому набору из 700 молекул, эта информация возвращается в модель и используется для уточнения ее понимания пространства» — говорит Филд. Другими словами, алгоритм начинает строить картину того, как различные конструкции антител изменяют эффективность лечения, и с каждым последующим раундом разработки антител он становится все лучше, тщательно балансируя между использованием потенциально плодотворных конструкций и исследованием новых областей.
«Проблема традиционной белковой инженерии заключается в том, что как только вы находите что-то, что немного работает, вы, как правило, вносите очень большое количество очень мелких изменений в эту молекулу, чтобы понять, можно ли ее еще больше усовершенствовать», — говорит Филд. Эти доработки могут улучшить одно свойство — например, легкость изготовления антитела в масштабе, — но иметь катастрофические последствия для многих других необходимых характеристик, таких как селективность, токсичность, потенция и т.д. Традиционный подход означает, что вы можете лаять не на то дерево или не замечать деревьев — бесконечно оптимизировать то, что немного работает, в то время как могут существовать гораздо лучшие варианты в совершенно другой части карты.
Вы также ограничены количеством тестов, которые вы можете провести, или, как выражается Филд, количеством «ударов по воротам». Это означает, что человеческие белковые инженеры склонны искать то, что, как они знают, будет работать. «В результате появляются все эти эвристики или эмпирические правила, которыми руководствуются белковые инженеры, пытаясь найти безопасные места» — говорит Филд. «Но в результате быстро накапливаются догмы».
Подход LabGenius позволяет находить неожиданные решения, до которых человек мог и не додуматься, и находить их быстрее: от постановки задачи до завершения работы над первой партией проходит всего шесть недель, и все это под руководством моделей машинного обучения. LabGenius привлекла 28 млн. долл. от таких компаний, как Atomico и Kindred, и начинает сотрудничать с фармацевтическими компаниями, предлагая свои услуги как консультационные. По словам Филда, автоматизированный подход может быть распространен и на другие формы открытия лекарств, превращая длительный «кустарный» процесс открытия лекарств в нечто более рациональное.
В конечном счете, по словам Филда, это рецепт для улучшения медицинского обслуживания: антитела, которые более эффективны или имеют меньше побочных эффектов, чем существующие, разработанные людьми. «Вы находите молекулы, которые никогда бы не нашли обычными методами» — говорит он. «Они очень своеобразны и часто противоречат тем схемам, которые вы, как человек, могли бы придумать, что должно позволить нам найти молекулы с лучшими свойствами, что в конечном итоге приведет к улучшению состояния пациентов».
Оригинал: Wired
