Глава 6. Какой будет забота о здоровье в следующие тридцать лет

2020-е: сочетание искусственного интеллекта и биотехнологий

Когда вам нужно отремонтировать машину, вы едете в автомастерскую к профессиональному механику, который точно знает, из каких частей состоит автомобиль и как они друг с другом взаимодействуют. Автомобилестроение – это, по сути, точная наука. Если машина регулярно проходит техническое обслуживание, она может служить вам неограниченно долго. Даже последствия серьезных аварий зачастую устранимы. Однако когда речь заходит о теле человека, ситуация принципиально иная. Несмотря на впечатляющие достижения в области здравоохранения за последние два столетия, медицина все еще не стала точной наукой. Врачам приходится полагаться на процедуры, которые, так или иначе, приносят результат, но не вполне понятно, каким именно образом. В медицине часто используются обобщенные рекомендации, которые более или менее полезны для большинства пациентов, но, вероятно, не на 100 % подходят конкретно вам.

Чтобы медицина стала точной наукой, нам необходимо превратить ее в раздел информационных технологий, открыв тем самым возможности для экспоненциального прогресса. Эта принципиальная смена парадигмы уже идет полным ходом, начавшись с внедрения в биотехнологии нейросетей и компьютерного моделирования. Как мы убедимся в этой главе, результаты не заставили себя ждать: существенно ускорился поиск лекарств, мониторинг эпидемиологической обстановки стал более эффективным, появилась роботизированная хирургия. Например, в 2023 году появилось первое лекарство, от и до разработанное ИИ: препарат для лечения редкой болезни легких проходит вторую фазу клинических испытаний¹. Но главная польза, которую обещают принести нам биотехнологии в совокупности с ИИ, имеет поистине фундаментальное значение.

В прошлом медицинские исследования основывались исключительно на результатах кропотливых лабораторных экспериментов, а врачи передавали свой опыт из поколения в поколение. В таких условиях прогресс происходил по линейному закону, то есть очень медленно. Однако ИИ может обработать несопоставимо больший объем информации, чем человек получает за всю свою жизнь, и учесть опыт миллиарда проведенных операций, а не тысяч, которые выполняет один хирург за всю карьеру. Более того, возможности ИИ постоянно растут благодаря экспоненциальному увеличению мощности аппаратного обеспечения. Все это говорит о том, что здравоохранение значительно выиграет, если роль ИИ в вопросах медицины будет расширяться. Уже сейчас компьютерные модели помогают нам находить решение сложных задач биохимии, осуществляя поиск по всем возможным вариантам и находя правильные ответы за считаные часы вместо долгих лет².

Возможно, самой актуальной задачей на сегодняшний день является поиск лечения постоянно возникающих вирусных заболеваний. Этот процесс можно сравнить с попыткой подобрать ключ к химическому замку нового вируса, только вариантов ключей настолько много, что ими можно было бы заполнить бассейн. Исследователь, используя все свои знания и навыки, способен указать несколько десятков молекул, которые могут оказаться потенциальными лекарствами, но общее количество химических соединений, имеющих отношение к этой задаче, порой исчисляется триллионами³. Часть из них можно быстро исключить как неподходящие, не тратя ресурсы на полноценное моделирование. Но оставшиеся миллиарды вариантов вполне могут стоить тщательной проверки. По некоторым оценкам, все пространство теоретически возможных молекул лекарств содержит более миллиона миллиардов миллиардов миллиардов миллиардов миллиардов миллиардов элементов!⁴ Независимо от того, насколько велико количество возможных решений, ИИ поможет ученым проанализировать множество вариантов и сосредоточиться на тех, которые имеют наибольший потенциал для победы над конкретным вирусом.

Такой тщательный подход к поиску имеет ряд преимуществ. В настоящее время, как только у нас появляется потенциально эффективный противовирусный препарат, мы должны найти несколько десятков или сотен добровольцев и провести клинические испытания, которые могут занять несколько месяцев или даже лет и обойтись в несколько десятков или сотен миллионов долларов. К сожалению, первая попытка не всегда оказывается успешной и нам приходится искать альтернативные варианты, что может занять еще больше времени. Пока не будут получены результаты этих исследований, разработка лекарства не может быть возобновлена. В США законодательство предписывает проведение трех фаз клинических испытаний. Согласно обзору МТИ, только 13,8 % потенциальных препаратов проходят этот процесс до конца и получают одобрение FDA⁵. Таким образом, чтобы вывести препарат на рынок, обычно требуется около 10 лет, а расходы составляют от 1,3 миллиарда до 2,6 миллиарда долларов США⁶.

В последние годы мы наблюдаем заметный рост числа научных открытий, совершенных с помощью ИИ. В 2019 году исследователи из Университета Флиндерса в Австралии разработали «турбовакцину» от гриппа, задействовав биологический симулятор для поиска веществ, способных активировать иммунную систему человека⁷. В поисках идеальной молекулы ученые сгенерировали на компьютере триллионы различных формул и передали их другой программе, которая определяла, сможет ли конкретная молекула эффективно стимулировать иммунитет для борьбы с вирусом⁸.

В 2020 году группа ученых их Массачусетского технологического института применила ИИ для создания мощного антибиотика, способного нейтрализовать опасные бактерии, устойчивые к традиционным препаратам. За считаные часы они проанализировали 107 миллионов потенциальных антибиотиков вместо нескольких видов лекарств, отобрали 23 наиболее перспективных и выделили среди них два, которые системе показались особенно действенными⁹. «Это поистине выдающееся исследование, – говорит Джейкоб Дуррант, разработчик фармацевтических препаратов из Питтсбургского университета. – Оно позволяет оценить потенциал компьютерного моделирования в разработке лекарств. Было бы невозможно экспериментально проверить антимикробные свойства более 100 миллионов веществ»¹⁰. Сейчас команда из МТИ использует этот подход для разработки новых высокоэффективных антибиотиков с нуля.

Однако самым впечатляющим примером использования ИИ в медицине стала разработка в 2020 году безопасной и эффективной вакцины против COVID-19 в рекордные сроки. Власти Китая обнародовали генетический код вируса 11 января 2020 года¹¹. Ученые из компании Moderna с помощью методов машинного обучения изучили вопрос, какая вакцина была бы наиболее действенной, и спустя два дня уже имели на руках код для своей будущей mRNA-вакцины ¹². Первая испытательная партия была готова 7 февраля. После предварительного тестирования образцы были отправлены в Национальные институты здравоохранения (NIH) 24 февраля. А уже 16 марта, спустя всего 63 дня с момента получения кода вакцины, первая доза была введена участнику клинических испытаний. До пандемии на создание вакцин обычно уходило от 5 до 10 лет. Благодаря такой прорывной скорости, без сомнения, удалось спасти миллионы жизней.

Но битва еще не окончена, поскольку продолжают появляться новые штаммы коронавируса. В 2021 году ученые из Университета Южной Калифорнии разработали программное обеспечение на основе ИИ, которое позволяет ускорить адаптацию вакцин к новым вариантам вируса, который продолжает мутировать¹³. С помощью компьютерного моделирования вакцину можно разработать за одну минуту и завершить тестирование в режиме симуляции в течение часа. Ко времени выхода этой книги будут созданы еще более совершенные программные средства.

Все задачи, которые мы до сих пор обсуждали, представляют собой частные случаи фундаментальной проблемы биологии: моделирование трехмерной структуры белка. Цепочки ДНК в нашем геноме кодируют последовательности аминокислот, которые сворачиваются в молекулу белка, и особенности ее пространственной структуры во многом определяют, какими свойствами она будет обладать. Наши тела состоят преимущественно из белков, так что установление связей между формой их молекул и тем, как они функционируют, является ключом к разработке новых препаратов и избавлению от болезней. К сожалению, людям пока удавалось с весьма невысокой точностью предсказать способ сворачивания конкретного белка, поскольку сложность процесса не позволяет свести его к единому набору простых для понимания правил. Так что открытия во многом зависели от удачи и кропотливого труда, а оптимальные решения, возможно, были пропущены. Долгое время эта проблема оставалась главной преградой на пути к большим успехам в фармакологии¹⁴.

И здесь возможности нейросетей по распознаванию образов обеспечивают решающее преимущество. В 2018 году подразделение DeepMind компании Alphabet разработало систему AlphaFold и проверило ее в соревновании с учеными-людьми и программным обеспечением прошлых поколений¹⁵. В DeepMind не стали полагаться на традиционные методы, которые опираются на каталог известных форм молекул, используемых как ориентиры. Как и AlphaGo Zero, система AlphaFold обходилась без помощи человека. Она наголову разбила все 98 конкурирующих решений, верно предсказав структуру в 25 случаях из 43, в то время как участник, занявший второе место, правильно обработал только 3 молекулы¹⁶.

Однако предсказания ИИ были все же не такими точными, как лабораторные эксперименты, так что DeepMind вернулись на стадию проектирования и внедрили трансформер – технологию глубокого обучения, которая задействована также в GPT-3. В 2021 году была выпущена версия AlphaFold 2, и на этот раз успех был ошеломляющим¹⁷. ИИ сумел достичь точности почти экспериментального уровня при тестировании практически любого белка. Теперь биологам доступны структуры не 180 000 белков¹⁸, а сотен миллионов, а вскоре будут обработаны миллиарды¹⁹. Темп инноваций в биомедицине значительно вырастет.

В настоящее время поиск лекарств с помощью ИИ не обходится без руководящей руки оператора: ученым нужно поставить задачу, сформулировать ее в терминах биохимии, задать параметры для моделирования. В ближайшие десятилетия, однако, ИИ получит возможность искать решения, применяя творческий подход. Например, нейросеть может выявить проблемы, на которые врачи не обратили внимания (скажем, неудовлетворительные результаты терапии у больных определенной категории), и предложить нестандартную тактику или комплексный подход к лечению.

При этом ИИ будет под силу моделирование систем все больших масштабов: отдельных белков, белковых комплексов, органелл, клеток, тканей и, наконец, целых органов. Это откроет перед нами новые горизонты в лечении заболеваний, сложность которых пока настолько высока, что не поддается изучению традиционными методами. Например, за последние десять лет было разработано множество перспективных подходов к лечению рака, таких как иммунотерапия CAR-T и BiTEs, а также терапия ингибиторами контрольных точек иммунитета²⁰. С их помощью удалось спасти тысячи жизней, однако и они нередко терпят неудачу, потому что опухолевые клетки учатся им противостоять. Часто при этом вокруг опухоли происходят изменения в состоянии среды, которые мы не можем полностью проанализировать с помощью доступных на сегодняшний день технологий²¹. Когда ИИ научится подробно моделировать опухолевые процессы и микросреду, в которой они развиваются, мы сможем предлагать новые варианты терапии, обходя защитные механизмы раковых образований.

Аналогичным образом течение нейродегенеративных заболеваний, таких как болезнь Альцгеймера или Паркинсона, зависит от скрытых и очень сложных процессов, при которых неправильно свернутые белки накапливаются в тканях мозга и вызывают его повреждение²². Исследования этих патологий продвигаются медленно и с огромным трудом, поскольку у нас нет возможности изучать их развитие непосредственно внутри живого мозга. Однако, применив компьютерное моделирование, мы сможем установить первопричины этих заболеваний и назначить лечение задолго до того, как у пациента появятся неврологические симптомы. Кроме того, системы моделирования работы головного мозга обеспечат прорывные результаты и в лечении психических расстройств, с которыми рано или поздно в той или иной степени столкнется примерно половина населения США²³. В настоящее время врачи вынуждены назначать препараты из групп СИОЗС и СИОЗСиН, которые помогают скорректировать химический дисбаланс на некоторое время, но пациенты нередко ощущают слишком слабый эффект от лечения или вообще не отмечают пользы, зато сталкиваются с множеством побочных эффектов²⁴. Как только ИИ освоит полномасштабное функциональное моделирование человеческого мозга – самой сложной структуры в известной части Вселенной! – мы сможем лечить многие психические заболевания на самых ранних стадиях.

В дополнение к перспективам использования ИИ для разработки новых методов лечения мы также ожидаем революционных преобразований в методике испытаний, служащих для проверки инновационных препаратов. Скоро FDA начнет учитывать результаты компьютерного моделирования при принятии решения об одобрении лекарств²⁵. В ближайшие годы это нововведение может сыграть особо важную роль в случае новых пандемий, таких как COVID-19, когда новый вирус возникает внезапно и ускоренный выпуск вакцины может спасти миллионы жизней²⁶.

Но представьте, что нам удастся полностью перенести процесс клинических испытаний в виртуальную среду. С помощью ИИ мы сможем оценить, какое воздействие окажет препарат на десятки тысяч смоделированных пациентов на протяжении нескольких (виртуальных) лет, и провернуть все это за считаные часы или максимум несколько дней. Таким образом, мы получим более точные и полные результаты тестов, причем гораздо быстрее, чем проводя долгие и скудные исследования на людях, как это происходит сегодня. Основным недостатком традиционных тестов является то, что в них задействовано (в зависимости от типа лекарства и стадии испытаний) от нескольких десятков до нескольких тысяч человек²⁷. Это влечет за собой крайне малую вероятность, что в группе добровольцев окажутся люди, чье тело отреагирует на введение препарата точно таким же образом, как ваше. Эффективность и безопасность лекарственного средства лично для вас зависят от множества факторов: генетических предпосылок, особенностей питания и образа жизни, гормонального фона, микробиома, особенностей течения болезни, других принимаемых вами препаратов, наличия или отсутствия сопутствующих заболеваний. Если в группе участников эксперимента не окажется человека, похожего на вас по всем этим параметрам, то даже препарат, который хорошо помогает большинству людей, лично вам может и навредить.

Сегодня результатом испытаний может быть вывод, что лекарство дало в среднем 15 %-ное улучшение состояния для группы из 3000 человек. Но моделирование может выявить дополнительные подробности. Например, окажется, что некоторая подгруппа из 250 человек (носители определенного варианта какого-либо гена) даже пострадала от приема препарата, испытав ухудшение состояния на 50 %, а у другой выборки из 500 человек (скажем, у которых заболевание развивалось на фоне почечной недостаточности) состояние, наоборот, улучшилось на 70 %. Компьютерное моделирование поможет найти подобные корреляции и построить индивидуальный профиль риска и пользы для каждого отдельного пациента.

Внедрение подобных технологий будет происходить постепенно, потому что требования к вычислительной мощности для моделирования биологических процессов различаются от задачи к задаче. Препараты, состоящие из одной молекулы, будут исследоваться в первую очередь, так как они относятся к более простой части спектра сложности анализа. С другой стороны, такие техники, как CRISPR, и методы, подразумевающие контроль экспрессии генов, связаны с необычайно сложными механизмами взаимодействия между множеством различных биологических молекул и структур. Поэтому для их адекватного анализа in silico потребуется больше времени. Чтобы стать полноценной заменой испытаниям на людях как основному методу исследования, компьютерным моделям предстоит научиться не только отвечать на вопрос о прямом действии препарата, но и предсказывать долгосрочные последствия его нахождения в сложной системе, которую представляет собой живой организм.

Пока не ясно, какой уровень детализации потребуется для такого моделирования. Например, для проверки лекарства от рака печени не кажется необходимым включать в симуляцию клетки кожи пальцев рук. Но для полной уверенности в безопасности препарата нам, вероятно, понадобится создать модель человеческого тела с точностью до каждой молекулы. Только тогда ученые смогут однозначно сказать, какие его аспекты можно без опасений оставить за рамками симуляции в каждом конкретном случае. Это наша долгосрочная цель и одна из самых жизненно важных задач, которые мы поставим перед ИИ. Мы рассчитываем добиться серьезного прогресса в этом направлении уже к концу 2020-х годов.

Можно предположить, что внедрение компьютерных симуляций в процесс тестирования лекарственных препаратов столкнется с серьезным сопротивлением со стороны врачебного сообщества, причем по целому ряду причин. Во-первых, в медицине принято проявлять осторожность в отношении рисков. Последнее, чего бы хотелось врачам, это подвергнуть пациентов опасности из-за необдуманных изменений в протоколах одобрения препаратов. Поэтому компьютерным моделям придется обзавестись солидным послужным списком, подтверждающим получение с их помощью результатов на уровне традиционных методов или превосходящих их. Во-вторых, кому-то придется брать на себя ответственность. Никому не хочется оказаться тем человеком, кто одобрил новый перспективный метод лечения, который в итоге обернулся катастрофой. Так что органам по надзору предстоит подготовиться к появлению инновационных подходов и действовать на опережение, чтобы найти баланс между необходимой осторожностью и смелостью в использовании технологий, способных спасти жизни.

ИИ уже вносит вклад в генетику, даже несмотря на отсутствие полной биологической модели организма. Когда-то 98 % генетического материала, который не кодирует белки, считались «мусорной» ДНК²⁸. Теперь мы знаем, что эти участки играют ключевую роль в управлении экспрессией генов (определении, какие гены работают и насколько активно). Однако выявление нужных закономерностей в некодирующей ДНК представляет собой очень сложную задачу. Но благодаря способности ИИ выявлять тонкие взаимосвязи нам уже удалось сдвинуть эту работу с мертвой точки. Например, в 2019 году исследователи из Нью-Йорка обнаружили связь между некодирующими участками ДНК и аутизмом ²⁹. По словам Ольги Троянской, ведущего специалиста этого проекта, их команде «впервые удалось продемонстрировать, что неунаследованные мутации в некодирующей ДНК могут вызывать у человека комплексные заболевания или функциональные расстройства»³⁰.

Пандемия COVID-19 поставила на повестку дня еще одну сложную задачу – мониторинг распространения инфекционных заболеваний. В прошлом эпидемиологам для оценки вероятности эпидемий в США приходилось опираться на несколько не вполне подходящих источников данных. Недавно разработанная система ARGONet решает эту проблему, обрабатывая разрозненные информационные потоки в режиме реального времени и придавая каждому из них вес в зависимости от его прогностического потенциала³¹. ИИ просматривает электронные медкарты, архивные данные, анализирует поисковые запросы встревоженных пользователей и пространственно-временные диаграммы распространения заболевания³². «Система постоянно оценивает качество прогнозов, выдаваемых отдельными методами, – говорит руководитель проекта, ученый из Гарварда Маурицио Сантильяна, – и перенастраивает себя с учетом полезности каждого источника для построения будущего графика заболеваемости гриппом»³³. В 2019 году ARGONet продемонстрировала впечатляющие результаты, обогнав все ранее существовавшие системы. В частности, ее точность превзошла показатели Google Flu Trends в 75 % штатов. Более того, ARGONet смогла обнаружить угрозу распространения гриппа во всех регионах на неделю раньше, чем это удалось сделать с помощью традиционных методов Центру по контролю и профилактике заболеваний³⁴. В настоящее время активно изучаются различные варианты применения ИИ для предотвращения следующей глобальной эпидемии.

В дополнение к достижениям в научной сфере ИИ постепенно начинает опережать докторов в области клинической медицины. В одном из выступлений 2018 года я высказал предположение, что в течение года или двух ИИ научится анализировать рентгеновские снимки так же качественно, как профессиональные радиологи. Всего две недели спустя разработчики из Стэнфорда представили CheXNet – сверточную нейронную сеть, состоящую из 121 слоя. Эта сеть была обучена на 100 000 рентгеновских снимков и способна диагностировать 14 различных заболеваний. Предварительные результаты сравнения с радиологами-людьми оказались весьма многообещающими: ИИ показал лучшие результаты³⁵. Другие системы ИИ также продемонстрировали высокий уровень анализа. В 2019 году было проведено исследование, в котором нейросеть смогла поставить диагноз на основе данных педиатрического осмотра, представленных на естественном языке. Ее точность оказалась выше, чем у восьми молодых врачей, а в некоторых случаях – даже у всех двадцати врачей, принимавших участие в эксперименте³⁶. В 2021 году команда ученых из Университета Джона Хопкинса создала уникальную систему на основе ИИ под названием DELFI. Эта система способна распознавать отдельные фрагменты ДНК в крови человека и с высокой точностью, а именно в 94 %, определять наличие рака легких по лабораторному анализу крови, что даже эксперты не могут сделать в одиночку³⁷.

Такие технические решения стремительно переходят из разряда экспериментальных образцов в разряд широко применяемых. В июле 2022 года в журнале Nature Medicine были опубликованы результаты обширного исследования, в котором приняли участие более 590 000 пациентов стационара. Все они находились под наблюдением системы на основе ИИ, известной как «Целевая система раннего предупреждения» (Targeted Real-Time Early Warning System, TREWS). Целью исследования было как можно скорее выявить сепсис – тяжелое патологическое состояние, ежегодно уносящее жизни 270 000 американцев³⁸. TREWS посылала врачам сигнал тревоги, позволяя начать лечение на ранних стадиях сепсиса, что привело к снижению смертности на 18,7 %. Если бы такие системы использовались повсеместно, то могли бы каждый год спасать десятки тысяч людей. Впоследствии эти модели получат расширенный доступ к информации, включая данные фитнес-трекеров, и смогут предлагать варианты лечения еще до того, как человек осознает, что болен.

В ближайшем будущем технологии на основе ИИ достигнут уровня, превышающего возможности человека, практически во всех областях диагностики³⁹. В задачах расшифровки медицинских изображений возможности нейросетей раскрываются наиболее полно. Клинически значимая информация может быть едва заметна для человеческого глаза, но легко обнаруживается системами ИИ. В отличие от других форм диагностики, где требуется комплексный анализ разнородных данных, включая качественные признаки, набор пикселей изображения описывается массивом чисел, что идеально подходит для нейросетей. Именно поэтому рентгенографическая диагностика стала одной из первых областей медицины, где ИИ достиг впечатляющих результатов. По этой же причине будет сравнительно легко адаптировать системы типа CheXNet и ее аналог CheXpert для работы с другими классами диагностических изображений. В конце концов ИИ сможет полностью реализовать потенциал визуальной диагностики. Возможно, он даже сможет выявлять скрытые факторы риска на органах, которые на первый взгляд кажутся здоровыми. Это позволит принимать превентивные меры до того, как болезнь успеет причинить вред.

Сфера хирургии также стоит на пороге революции благодаря развитию вычислительных мощностей и увеличению объема качественных данных об операциях⁴⁰. На протяжении многих лет роботы выполняли вспомогательные функции, но теперь они демонстрируют, что сами способны проводить операции. В 2016 году робот-хирург STAR в ходе испытаний на животных наложил швы на кишечник более качественно, чем профессиональные хирурги⁴¹. В 2017-м китайский робот успешно провел требующую высокой точности операцию по установке зубного импланта⁴². А в 2020 году компания Neuralink представила робота-хирурга, который автоматически выполняет большую часть работы по установке интерфейса мозг-компьютер, и анонсировала, что планирует добиться полностью автономной работы этого аппарата⁴³.

Обычный хирург проводит несколько сот операций в год, значит, за всю карьеру он сможет выполнить от силы несколько десятков тысяч вмешательств. В некоторых случаях, например, если специализация требует выполнения долгих и сложных операций, это число может быть еще меньше. Напротив, роботы-хирурги, оснащенные ИИ, смогут использовать опыт всех проведенных такой системой процедур, выполненных в любой точке земного шара, – возможно, речь идет о протоколах миллионов хирургических операций. У них будут данные по гораздо более широкому спектру клинических ситуаций, чем может за свою карьеру накопить обычный хирург. К тому же ИИ сможет провести миллиарды виртуальных операций, протестировав себя в необычных условиях, которые невозможно или неэтично было бы воспроизводить в клинических испытаниях. Например, с помощью компьютерной симуляции можно научить машины работать с редкими комбинациями заболеваний или тяжелыми травмами, с которыми не каждый хирург сталкивается за всю карьеру. Все это сделает операции гораздо более эффективными и безопасными, чем сегодня⁴⁴.