Искусственный интеллект давно вышел за пределы чат-ботов и генерации изображений. Сегодня нейросети помогают ученым изучать молекулы, предсказывать структуру белков и искать новые способы лечения заболеваний. Технологии, которые еще недавно казались фантастикой, постепенно становятся частью повседневной научной работы.

Но насколько близко мы подошли к созданию лекарств с помощью ИИ? Почему для науки важны неудачные эксперименты и какое открытие изменило развитие нейросетей? Редакция журнала «Идель» совместно с научным лекторием Milmax поговорила об этом с заведующим лабораторией новых материалов Университета Иннополис Русланом Лукиным.
— Добрый день, Руслан. Расскажите, пожалуйста, о своей научной деятельности. Чем вы занимаетесь?
— Я работаю в Университете Иннополис, руковожу лабораторией новых материалов — этим занимаюсь с 2020 года. «Материалы» — это и агенты-помощники для химиков, и предсказание мутаций вирусов, и поиск новых мишеней для заболеваний, и разработка новых лекарств.
— А как вы вообще попали в эту сферу?
— Сошлись два моих увлечения. Во-первых, химия — в школе был призером олимпиад, серьёзно ею занимался. Во-вторых, очень любил программирование. В 2015–2016 годах понятие искусственного интеллекта только зарождалось в том популярном виде, в каком мы знаем его сейчас, — тогда это называлось скорее машинным обучением или наукой о данных.
Ближе к концу учебы в университете, уже в аспирантуре, я решил совместить эти два направления. В 2020 году получил от ректора Университета Иннополис предложение провести совместное исследование с Константином Новоселовым, который незадолго до этого получил Нобелевскую премию за графен.
Константин интересуется двумерными материалами. Графен уникален именно своей двумерностью: графит, разбитый на слои толщиной в один атом, — это и есть графен. У него совершенно разные свойства вдоль листа и поперёк него — это называется анизотропией. Новоселов решил заняться другими двумерными материалами, и нам нужно было разработать модель машинного обучения — тогда это была графовая нейросеть, — которая помогла бы находить точные дефекты в этих материалах, чтобы затем использовать их для нейроморфных вычислений. Это материалы, на основе которых строятся чипы следующего поколения.
Сегодняшние чипы всё еще бинарны, но если построить их по принципу работы мозга — а наши нейроны не бинарны, у них нелинейная активация, на этом же принципе строятся и нейросети, — понадобятся совсем другие материалы. Так появилась задача: построить модель, предсказывающую свойства дефектов в этих материалах. Это было в 2020–2021 годах. Мы вместе с Новоселовым собрали большой датасет, построили графовую нейронную сеть и опубликовали статью по этой теме. А дальше поняли: раз научились предсказывать свойства материалов и молекул, почему бы не найти этому более широкое применение?
Постепенно появились новые направления: разработка лекарств, поиск биомишеней, поиск новых катализаторов — это, кстати, было моим основным направлением еще в аспирантуре. И главное, чему мы учились, — генерировать материалы под заданные свойства.
— Правильно понимаю, что сейчас, будучи руководителем лаборатории новых материалов в Университете Иннополис, вы занимаетесь именно этими вопросами?
— Да, в целом — и для химии, и для химических структур в широком смысле. Это может быть ДНК, белки, малые молекулы, катализаторы, кристаллы. В любом случае мы стараемся сначала собрать данные, а затем обучить модели решать прямые или обратные задачи.
— Понятно. Сейчас, как мы все знаем, языковые модели — ChatGPT, Claude и прочие — используются практически повсеместно. Но я, по крайней мере, редко слышала, чтобы их применяли именно в химии. Как вы думаете, почему так происходит?
— Хороший вопрос. На самом деле, Демис Хассабис — кстати, первый человек не с химическим, а с компьютерным образованием, получивший Нобелевскую премию по химии, — получил ее в 2024 году. И как раз тогда, когда я начинал заниматься этим направлением в Университете Иннополис, самой громкой новостью в сфере ИИ был не очередной чат-бот, а то, что модель AlphaFold научилась предсказывать структуру белков по их последовательности с точностью 97%. Это было настоящим прорывом. Сам я не использую AlphaFold в работе — есть свои критические замечания к ней, — но тогда это действительно изменило всё.
— Давайте немного приземлимся. Что это значит для обычных людей?
— Это огромный прорыв, потому что проблема фолдинга белка — то есть его сворачивания в трехмерную структуру — долгое время считалась нерешаемой. В чем сложность? Белки — это гигантские молекулы, состоящие из десятков или сотен тысяч атомов. Но записываем мы их как последовательность аминокислот — всего их 20, плюс несколько неканонических. Например: аргинин, валин, аланин — и так далее, просто строка символов.
Задача в том, чтобы превратить эту последовательность — эту «нитку» — в полноценную трехмерную структуру. Представьте шнурки: они постоянно путаются, и вы не можете просто убрать их в карман, чтобы они не спутались. С белками то же самое, только нужно, чтобы они «запутались» строго определённым образом. Это и есть проблема фолдинга — только теперь применительно к белкам.
— Вау. Хорошо. А что это значит для обычного человека?
— Теперь мы можем находить лекарства даже для тех заболеваний, для которых раньше это было практически невозможно. Мы можем предсказать структуру белка, просто зная его сиквенс — последовательность аминокислот, которую можно получить за считанные минуты на секвенаторе. А вот получение трехмерной структуры белка классическими методами, которое необходимо при разработке лекарств, могло занимать годы или десятилетия. Мембранные белки вообще иногда невозможно закристаллизовать — а значит, невозможно разработать лекарство на их основе.
С AlphaFold и аналогичными моделями (например, Rosetta) можно получить трехмерную структуру, смоделировать нужную молекулу и проанализировать ее. Это делает возможной разработку для более сложных белков, а также для вакцин и антител там, где раньше моделирование было недоступно. Это касается и привычных антител, и более сложных химерных молекул — это будущее отрасли.
— Это особенно актуально в свете следующего возможного «ковида», так сказать.
— Да, но не только. Есть ещё проблема вакцин от рака, аутоиммунных и нейродегенеративных заболеваний. Здесь ИИ тоже способен помочь, потому что классическая наука во многом исчерпала себя в этих направлениях.
— Да, что-то похожее слышала. А как обстоят дела с разработкой лекарств у нас в стране? Используется ли это в России?
— В России рынок малых молекул пока не очень развит — упор делают в основном на более крупные молекулы: моноклональные антитела, РНК-вакцины. Здесь как раз стоило бы активнее развивать соответствующие модели. Малые молекулы пока не так популярны, потому что эта ниша по большей части закрывается импортом. Но если говорить в целом, я скорее рассуждаю в глобальном разрезе.
— Хорошо. А если говорить в глобальном масштабе — какое будущее вы предрекаете?
— Уже сейчас в мире около сотни препаратов, разработанных с помощью ИИ, готовятся к клиническим исследованиям. Порядка двух десятков препаратов уже находятся на стадии клинических испытаний, и один препарат уже одобрен.
— А как они проходят лицензирование и проверку?
— Здесь сложнее: мы можем разрабатывать молекулы с помощью актуальных моделей и ускорять этот процесс — с десятков месяцев до недель. Но лицензирование по-прежнему проходит через жёстко регламентированные регуляторные процедуры. ИИ здесь тоже помогает, но уже на уровне статистических моделей — например, биостатистики используют их для ускорения клинических исследований.
— Насколько я понимаю, каждая страна регулирует это по-своему?
— В мире есть три ключевых регуляторных агентства: Европейское медицинское агентство (EMA), американское FDA и китайский регулятор. В целом остальные страны ориентируются на них.
— А как они сейчас относятся к применению ИИ в этой сфере?
— По сути, это «хранители регламентов»: любая разработка с использованием ИИ всё равно должна проходить все установленные процедуры. Может, поговорим немного больше о науке, а не об ИИ как таковом?
— Да, было бы интересно. Какие вопросы сейчас стоят перед наукой?
— Если говорить о биологии и химии в целом — недавно, например, вышла модель Claude for Science: та же языковая модель, но со встроенными агентами, которая способна значительно ускорить написание научных статей. Но есть большая проблема: ИИ активно используют для обработки данных и для выводов на их основе, но почти не используют для самого сбора данных.
Это главная сложность — данные в науке до сих пор толком не оцифрованы. Формально они существуют — в статьях, в приложениях к ним, — но это тысячи и десятки тысяч журналов с таким же количеством разных форматов, и всё это нужно приводить к единому виду. Мы тоже занимались этим в университете — например, разрабатывали модели для извлечения нужных сущностей (белков, активностей, параметров) прямо из текста, без генерации самого ответа.
И здесь ключевая проблема: мы всё еще надеемся, что ИИ поможет лучше обрабатывать данные, но если сами данные несбалансированы или отражают только удачные эксперименты — без неудачных, — выводы на их основе будут не слишком продуктивными. Нам очень нужны и отрицательные результаты тоже. И это касается науки в целом, на всех уровнях: от фундаментальных исследований до прикладных разработок. У нас всё еще огромный пробел с данными, и именно он мешает качественно моделировать работу белков, материалов, химических реакций.
— Что вас сейчас удивляет больше всего? Над чем вы работаете с особым энтузиазмом?
— Знаете, что меня больше всего поражает? Я думал об этом вчера перед сном. Мы живем в мире, где даже первоклассник пользуется ChatGPT. В 2017 году я читал одну замечательную статью — «Attention Is All You Need», написанную экспертами из Google . Attention, «внимание», — в машинном обучении это просто математическая функция, которая работает с последовательностями.
И знаете, если бы не было этой статьи 2017 года, если бы этот, казалось бы, обычный математический механизм не был открыт и опубликован, не было бы вообще ничего из того, что мы имеем сейчас. Я прочитал эту статью в тот же год, когда она вышла. Тогда никто еще не говорил о языковых моделях в привычном сегодня смысле — они выполняли простые рутинные задачи: извлечь сущность, ответить «да» или «нет» на простой вопрос, определить тему текста, найти часто встречающиеся слова.
Никто тогда не предполагал, что они начнут писать книги или помогать людям разбираться в личных финансах. Но всё это стало возможным благодаря статье про attention. Это очень короткая работа — буквально несколько страниц, — но именно она определила облик нашей цивилизации. Прошло всего девять лет — а до выхода первой коммерческой версии ChatGPT было и того меньше.
Автор: Тансу Газиева
Дизайн: Раиль Набиуллин
Нет комментариев