обеспечения на базе ИИ, предназначенного для открытия химических веществ, в роботов, способных проводить эксперименты в реальной лаборатории. В этом направлении движется, например, небольшая компания Kebotix из Кембриджа в штате Массачусетс, стартап, отпочковавшийся от ведущей гарвардской лаборатории материаловедения и создавший, по словам его участников, «первую в мире самоуправляемую лабораторию для открытия новых материалов». Роботы этой компании могут ставить эксперименты самостоятельно, пользуясь лабораторным оснащением, скажем пипетками для переноса и смешивания жидкостей, и управляя установками для проведения химического анализа. Затем результаты экспериментов анализируются алгоритмами искусственного интеллекта, которые выбирают лучшее направление действий и инициируют дальнейшие эксперименты. В результате возникает повторяющийся самосовершенствующийся процесс, по утверждению представителей компании, резко ускоряющий выявление полезных новых молекул[109].

Многие наиболее многообещающие и хорошо финансируемые возможности на стыке химии и искусственного интеллекта связаны с разработкой новых лекарств. По одному отчету, на апрель 2020 года насчитывалось не менее 230 стартапов, использовавших ИИ для поиска новых лекарственных средств[110]. Дафна Коллер, профессор Стэнфорда и сооснователь онлайновой образовательной платформы Coursera, — один из ведущих мировых экспертов по применению машинного обучения в биологии и биохимии. Коллер также является основателем и гендиректором insitro, стартапа из Кремниевой долины, основанного в 2018 году и привлекшего более $100 млн на поиск новых лекарств с помощью машинного обучения. Повсеместное замедление технологических инноваций, поразившее американскую экономику в целом, особенно очевидно в фармакологии. Коллер сказала мне следующее:

Проблема в том, что создание новых лекарств постоянно усложняется: уровень успешности клинических испытаний находится ближе к середине 10 %-ного диапазона; затраты на исследования до уплаты налогов при разработке нового лекарственного средства (с учетом неудачных попыток) превышают $2,5 [млрд]. Рентабельность инвестиций в создание лекарств линейно уменьшается с каждым годом и, по некоторым оценкам, станет нулевой еще до 2020 года. Одна из причин заключается в том, что разработка лекарств принципиально усложнилась: многие (если не все) «низко висящие плоды» — иными словами, лекарства, значимые для больших популяций, — уже сорваны. Поэтому на следующем этапе разработки лекарств нам придется сосредоточиться на более специализированных препаратах, действенность которых может зависеть от конкретных условий и которые предназначаются лишь определенной подгруппе пациентов[111].

insitro и его конкуренты рассчитывают с помощью искусственного интеллекта быстро выявлять перспективные рецептуры, которые могут стать новыми лекарствами, и таким образом сильно снизить затраты на разработку. По словам Коллер, открытие лекарственного средства — это «долгий путь, на котором вас ждет множество развилок» и «99 % дорог ведут в тупик». Если искусственный интеллект будет «более-менее верным компасом, это невероятно повысит шансы на успешное завершение процесса»[112].

Применение подобного подхода уже окупается. В феврале 2020 года исследователи из МТИ объявили об открытии с помощью глубокого обучения эффективного нового антибиотика. Созданная исследователями ИИ-система способна перелопатить информацию о свойствах сотни с лишним миллионов химических соединений за несколько дней. Новый антибиотик — ученые назвали его «галицин» в честь HAL, искусственного интеллекта из фильма «Космическая одиссея 2001 года», — оказался смертельным практически для всех видов бактерий, на которых его испытывали, включая штаммы, резистентные к существующим препаратам[113]. Это принципиально важно, поскольку медицинское сообщество давно предупреждает о скором кризисе, вызванном лекарственно-устойчивыми бактериями — эдакими «супербактериями», которые уже стали бичом многих больниц. Из-за высокой стоимости создания и относительно низкой прибыли очень мало антибиотиков находится сейчас в процессе разработки. Новые лекарства, которым все же удается проходить через сложные и дорогостоящие процессы испытаний и одобрения регулирующими органами, представляют собой в основном разновидности существующих антибиотиков. В отличие от них, галицин воздействует на бактерии принципиально иным образом и, судя по результатам экспериментов, может быть менее чувствительным к мутациям, из-за которых антибиотики утрачивают со временем свою эффективность. Иными словами, искусственный интеллект нашел нестандартное решение, что критически важно для значимой инновации.

Еще одно достижение, о котором также было объявлено в начале 2020 года, принадлежит британскому стартапу Exscientia, использовавшему машинное обучение при поиске новых лекарств для лечения обсессивно-компульсивного расстройства. По сообщению компании, начальный этап разработки занял всего год (что примерно в пять раз меньше, чем при использовании традиционных методов), и это первое открытое ИИ лекарственное средство, проходящее клинические испытания[114].

Как было показано в главе 1, особенно примечательным достижением в применении искусственного интеллекта в биохимических исследованиях стал прорыв DeepMind, обнародованный в ноябре 2020 года, — предсказание конфигурации структуры при сворачивании белка. DeepMind не пыталась открыть какое-то лекарство, а использовала свою технологию в целях изучения процессов на фундаментальном уровне. В конце 2018 года DeepMind представила более раннюю версию своей системы AlphaFold на проводимом раз в два года всемирном конкурсе по прогнозированию структуры белка CASP (Critical Assessment of Structure Prediction). Команды со всего мира с помощью разнообразных методов, на основе как вычислений, так и просто интуиции, пытались предсказать, какую форму примет белок. AlphaFold победила в 2018 году с большим отрывом, но, несмотря на превосходство над конкурентами, сумела правильно предсказать структуру только 25 белковых последовательностей из 43. Иными словами, эта предварительная версия AlphaFold еще не была достаточно точной, чтобы стать действительно полезным инструментом исследования[115]. Всего за два последующих года DeepMind сумела настолько усовершенствовать свою технологию, что ряд ученых объявили проблему прогнозирования белковой структуры «решенной». Я считаю это ярчайшим свидетельством того, что применение искусственного интеллекта для решения конкретных задач будет развиваться очень быстро.

Помимо использования машинного обучения для открытия новых лекарств и других химических соединений самым многообещающим применением искусственного интеллекта в научном поиске может стать усвоение и понимание постоянно растущего объема опубликованных исследований. Только в 2018 году в 40 000 с лишним журналов вышло больше 3 млн научных статей[116]. Осмысление информации в подобных масштабах намного превосходит возможности разума любого человека, и искусственный интеллект, похоже, единственный имеющийся у нас инструмент, способный обеспечить более-менее целостное ее восприятие.

Системы обработки естественного языка на основе новейших достижений в области глубокого обучения используются для того, чтобы извлекать информацию, выявлять неочевидные закономерности в исследованиях и в целом устанавливать концептуальные взаимосвязи, которые в ином случае могут остаться незамеченными. Разработанная IBM технология Watson остается одним из важных игроков в этой сфере. Другой проект, Semantic Scholar, был начат Институтом искусственного интеллекта Пола Аллена из Сиэтла в 2015 году. Semantic Scholar позволяет использовать ИИ для поиска информации в более чем 186 млн опубликованных статей практически во всех областях научного знания[117].

В марте 2020 года Институт Аллена совместно с консорциумом других организаций, включая Microsoft, Национальную медицинскую библиотеку США, Управление научно-технической политики Белого дома, подразделение AWS компании Amazon, приступил к созданию COVID-19 Open Research Dataset — базы