AI та обчислення в біотехнологіях: прорив Abcide у розробці ліків

На каналі «Що за шум?» відбулася розмова з Шоном Макліном — засновником і CEO компанії Abcide, яка трансформує підхід до створення ліків завдяки штучному інтелекту та високопродуктивним обчисленням. В інтерв’ю обговорювалися складнощі традиційної фармацевтики, нові моделі розробки препаратів, прориви у лікуванні складних хвороб і роль партнерства з AMD у прискоренні інновацій. Ми підготували виклад найважливішого.

Виклики традиційної розробки ліків: 15 років і лише 5% успішних кейсів

Розробка нового препарату — це тривалий, дорогий і ризикований процес. Спочатку вчені ідентифікують мішень, яка має зв’язок із певною хворобою, після чого шукають молекули, здатні її змінити або блокувати. Ці молекули тестують у лабораторії, потім — на тваринах, і лише потім — у клінічних випробуваннях на людях. Середній термін від ідеї до дозволу на клініку — 5.5 років, а повний цикл до виходу на ринок — до 15 років. При цьому лише 1 з 20 потенційних препаратів проходить усі етапи. Це створює високі бар’єри входу, гальмує інновації та змушує індустрію вкладати мільйони в проєкти з мінімальними шансами на успіх.

Від даних до штучного інтелекту: як Abcide масштабувала розробку

Abcide почала свою історію як лабораторія, що працює з білковими взаємодіями, але ключовим проривом стало поєднання глибокого навчання з біологічними даними. Замість того, щоб вручну тестувати сотні зразків, команда створила систему, здатну масштабувати процес до мільйонів віртуальних експериментів. Головна зміна парадигми — перехід від випадкового «пошуку голки в копиці сіна» до створення цієї голки за допомогою AI. Це дозволило Abcide розробити генеративні моделі, які не тільки аналізують дані, а й проєктують нові варіанти антитіл, перевіряючи гіпотези, які раніше були технічно неможливі або надто дорогі.

Масштаб проблеми: нескінченна кількість можливих антитіл

У біології одна й та сама мішень може мати мільйони потенційних конфігурацій ліків. Наприклад, кількість варіантів CDR (ключових частин антитіла) перевищує кількість атомів у Всесвіті. Це робить ручний підбір неймовірно трудомістким. Тут AI — не просто помічник, а єдина реалістична альтернатива: він аналізує структури, передбачає зв’язування, ранжує й оптимізує варіанти за мілісекунди, скорочуючи роки досліджень до тижнів.

Мокра лабораторія в циклі: шеститижневий ітераційний підхід

Замість класичної лінійної моделі «аналіз — синтез — тест», Abcide працює за циклічним принципом, де мокра лабораторія (тобто фізичні біологічні експерименти) інтегрована прямо в AI-процес. Компанія використовує модель навчання з підкріпленням: алгоритм генерує антитіла, у лабораторії їх синтезують і перевіряють, а результати повертаються моделі для повторного навчання. Один цикл триває 6 тижнів, що дозволяє тестувати, уточнювати й удосконалювати рішення без втрати часу.

Підписуйтеся на наші соцмережі

De Novo дизайн антитіл: як працює дифузійна модель

Abcide використовує дифузійні генеративні моделі для створення нових антитіл з нуля. Алгоритм отримує структуру цілі (отриману, наприклад, через AlphaFold або Cryo-EM) і епітоп — ділянку, до якої має приєднатися антитіло. Потім AI моделює 6 CDR-фрагментів, які мають максимально ефективно зв’язуватися з цією ділянкою. На виході — повноцінна молекула антитіла, яка одразу передається в лабораторію. Це дозволяє створювати унікальні конфігурації, яких не існує в природі, підвищуючи шанс знайти «ідеальне» рішення для складних мішеней.

Прорив у лікуванні ВІЛ: регіон Колдера

Одним із найвражаючих досягнень Abcide стало створення антитіла до регіону Колдера — надзвичайно глибокої й важкодоступної ділянки на вірусі ВІЛ. Раніше вчені безуспішно намагалися активувати імунну відповідь або застосовували класичний скринінг — усе дарма. Модель Abcide змогла спроєктувати HCDR3, який проникає в цю щілину й ефективно зв’язується з нею. Це відкриває шлях до створення універсального антитіла, здатного нейтралізувати різні штами ВІЛ — прорив, якого не могли досягти десятиліттями.

Як AI прискорив неможливе

Те, що раніше займало роки безуспішних спроб, Abcide виконала за кілька місяців завдяки AI. Їхня модель швидко вивчає контекст мішені, моделює потенційні рішення і обирає найкращі з них для лабораторного підтвердження. Це змінило підхід до «недосяжних мішеней»: тепер їх можна не просто вивчати, а оперативно обробляти у масштабі, який раніше був немислимий. Це означає, що AI дозволяє фармацевтиці вперше на практиці працювати з хворобами, які вважалися невиліковними.

Партнерство з AMD: як обчислення допомагають створювати ліки

Моделі, які працюють з білковими структурами, надзвичайно вимогливі до обчислювальних ресурсів. Abcide уклала партнерство з AMD, яке надало компанії доступ до потужної інфраструктури для тренування моделей. Зокрема, використовуються GPU з великою обсягом пам’яті, що дозволяє AI працювати з повними білками, а не фрагментами. Завдяки цьому моделі стали більш точними та універсальними, а процес — значно ефективнішим.

Технічні переваги чіпів AMD: глибина, обсяг, швидкість

На практиці велика ємність пам’яті дозволяє моделі бачити всю структуру білка, а не лише частину. Це критично для правильного визначення CDR. Крім того, більша пам’ять забезпечує пакетну обробку — одночасне навчання на великій кількості зразків, що скорочує час тренування й підвищує якість моделей. У підсумку — вища продуктивність, менші витрати на обчислення й кращі результати для дослідників.

Результат: 24 місяці до клініки та $13–15 млн замість $100 млн

Перший AI-створений препарат Abcide, ABS-101, пройшов шлях до клініки вдвічі швидше і в кілька разів дешевше, ніж традиційні аналоги. Компанія змогла вивести його на випробування за 24 місяці, витративши лише $13–15 млн, що дозволяє збільшити кількість проєктів за ті ж кошти. Це радикально змінює економіку фармацевтичних досліджень і відкриває двері для інновацій навіть у невеликих компаніях.

Дані, симуляції й «мокрі» цикли як основа нової фарми

У традиційній біології бракує структурованих даних. Abcide вирішує цю проблему, поєднуючи мокру лабораторію, де дані збираються вручну, з синтетичними даними, що генеруються за допомогою молекулярної динаміки (MD). Це дає змогу моделі навчатись на симульованих процесах, підвищуючи точність без потреби в дорогих і повільних експериментах. Такий гібридний підхід дозволяє масштабувати дослідження та відкривати нові біологічні механізми.

Вузькі місця й оптимізація обчислень

Одна з проблем — надвисоке навантаження на обчислювальні системи під час запуску MD-симуляцій. Abcide активно шукає способи зменшити обчислювальні витрати, зокрема через оптимізацію алгоритмів і апаратної архітектури. Прикладом є використання рішень, подібних до тих, що були реалізовані DeepMind у Dipsck, які досягли тієї ж точності з меншими ресурсами. Abcide адаптує ці підходи під свій стек, працюючи над тим, щоб робити AI доступнішим у біотехнологіях.

Майбутнє — персоналізована медицина на базі AI

Через 5–10 років Abcide бачить світ, де кожен пацієнт отримуватиме ліки, створені під його генетичний профіль. Завдяки AI моделі аналізуватимуть біологічні зразки, визначатимуть найефективнішу мішень, генеруватимуть антитіло та віддаватимуть результат у клініку — усе в рамках єдиного циклу. Це не просто персоналізація за категоріями, а індивідуальний підхід до кожного пацієнта, який здатен радикально підвищити ефективність лікування.

Ключ до майбутнього — співпраця

Щоб реалізувати візію персоналізованої медицини, потрібна технічна, наукова та регуляторна співпраця. Компанії на зразок Abcide створюють нові алгоритми та методи; технологічні партнери, як-от AMD, забезпечують інфраструктуру; регуляторні органи мають адаптувати підходи до перевірки й затвердження AI-генерованих ліків. Цей процес неможливий поодинці — лише в колективній екосистемі можна забезпечити прорив.

Abcide показує, як штучний інтелект і потужні обчислення можуть радикально змінити підхід до розробки ліків. Замість багаторічних пошуків і високих витрат — швидке моделювання, проєктування та перевірка нових препаратів у тісній зв’язці AI та лабораторії. Партнерство з AMD забезпечило технологічну базу для масштабування, а результати — швидший вихід у клініку та значна економія коштів. Попереду — персоналізована медицина, де ліки створюються під кожного пацієнта, а не під середню статистику.

Глосарій ключових понять

Цей матеріал підготовлений на основі інформації з відкритих джерел. Редакція самостійно відбирає ключові факти, аналізує їх та структурує за допомогою AI-інструментів.