Модульные роботизированные лаборатории HIVE, созданные компанией, способны выращивать 20 видов человеческих тканей, а затем автономно дозировать и контролировать их, генерируя причинно-следственные биологические данные, которых сегодня не хватает моделям ИИ — данные, которые сегодня в основном получают в ходе испытаний на животных или исследований отдельных клеток или белков, а не живой ткани.
«Без испытаний на человеке, что будут делать эти модели ИИ? — спрашивает Андрей Георгеску, генеральный директор и сооснователь Vivodyne. — Они будут лечить рак у мышей».
Даже генеральный директор Anthropic Дарио Амодеи написал на выходных, что заявления о том, что ИИ вылечит рак, стали скорее клише, чем заслуживающими доверия — «то, что сработает, это фактическое лечение рака», как он выразился.
Справедливости ради, идею о том, что ИИ вылечит рак, сам Амодеи высказывал в предыдущих эссе; Сэм Альтман неоднократно называл лечение рака оправданием для стремления OpenAI к AGI и все более масштабным вычислительным мощностям; а Демис Хассабис из Google DeepMind заявил в прошлом году, что ИИ потенциально может вылечить все болезни в течение десятилетия.
Фактические результаты пока остаются скромными. Некоторые лекарства, разработанные с помощью ИИ, дошли до клинических испытаний на людях — одно даже до III фазы, масштабных испытаний на людях — но реальность такова, что препятствия не обязательно те, которые ИИ может преодолеть сегодня.
Удостоенный Нобелевской премии Alphafold стал большим достижением в понимании строительных блоков жизни, но пока не привел к созданию нового лекарства. Isomorphic Labs, основанная для развития Alphafold, ожидает свои первые испытания, первоначально запланированные на 2025 год, к концу этого года. В феврале компания написала, что истинное открытие лекарств потребует «высокоточных прогностических моделей, охватывающих широкий спектр биохимических свойств и взаимодействий».
Георгеску говорит, что в этой области необходима «проверка на адекватность» — существующим моделям не хватает данных, чтобы уловить сложность человеческой биологии. Это проблема, с которой уже сталкивается фармацевтическая промышленность: 90% лекарств, эффективных в испытаниях на животных и допущенных к клиническим испытаниям, не получают одобрения регулирующих органов для применения у людей.
План Vivodyne иной. Vivodyne была выделена из Пенсильванского университета в 2021 году после того, как Георгеску получил там докторскую степень по биоинженерии. Компания утверждает, что ее ткани точно соответствуют поведению реальных человеческих органов: ее клетки печени имеют 94% прогностической точности по сравнению с испытаниями на людях для проверки токсичности, ее ткань дыхательных путей соответствует поведению реальной человеческой ткани в 96% случаев, а ее костный мозг достиг 100% согласованности в тестах 20 различных химиотерапевтических препаратов.
На прошлой неделе компания, привлекшая чуть менее 80 миллионов долларов в двух раундах под руководством Khosla Ventures, открыла то, что она называет крупнейшим в мире «центром обработки человеческих данных» недалеко от Сан-Франциско, и Георгеску говорит, что его команда уже достигает вдвое большей пропускной способности, чем все испытания на животных, проводимые в США.
Идея состоит в том, чтобы ускорить путь кандидатов в лекарства, имея лучшее представление о том, что сработает, прежде чем проходить через дорогостоящие клинические испытания, которые обычно стоят десятки миллионов долларов. Хотя Vivodyne не называет своих партнеров публично, компания заявляет, что работает с несколькими крупными фармацевтическими компаниями над решением проблемы, которую Георгеску сравнивает с автомобильными краш-тестами: автопроизводитель обычно уверен, что его автомобиль пройдет требования NHTSA до тестирования, но производители лекарств редко имеют такую же уверенность, приступая к клиническим испытаниям, где подавляющее большинство лекарств не получают одобрения FDA.
Но есть и более масштабное видение: Георгеску рассматривает свои автономные биологические лаборатории как ключ к генерации причинно-следственных данных, которые можно использовать для обучения новых моделей на основе человеческой биологии. Он ссылается на такие исследования, как это, опубликованное в Nature Methods в прошлом месяце, которые не обнаружили четких законов масштабирования данных при обучении генеративных моделей ИИ на существующих клеточных данных.
«Все обучение проводится на статических снимках этих клеток, и модели никак не обусловлены тем, как клетка пришла в это состояние», — рассказал Георгеску TechCrunch. «Другими словами, модель учит «это состояние клетки А», «это состояние клетки Б», но никогда не учит «состояние клетки Б является результатом воспаления состояния клетки А».
Однако машины HIVE от Vivodyne отслеживают сотни тысяч текущих экспериментов, в которых больная ткань подвергается воздействию какого-либо стимула, что, по ожиданиям Георгеску, обеспечит тот тип обучения с подкреплением, который позволит создавать модели ИИ, понимающие биологию человека настолько, чтобы добиться более значимого прогресса в здравоохранении.
Георгеску считает, что это будет ключом не только к сегодняшним проблемам медицины, но и к будущему, где сложные заболевания потребуют лекарств, которые, в отличие от большинства доступных сегодня, воздействуют на несколько путей.
«Если мы хотим комбинированной терапии, пространство, которое необходимо исследовать, взрывается — это не может быть экспериментальным подходом, — сказал он TechCrunch. — Вы должны сказать: «Я хочу, чтобы произошел этот эффект, так какую причину мне следует вызвать?» Установление причинно-следственных связей в биологии человека — это основа всего этого».
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Tim Fernholz
