AI-ზე დაფუძნებული წამლების აღმოჩენა არის მანქანური სწავლების მოდელების გამოყენება ახალი წამლის კანდიდატების მოსაძებნად, დასაპროექტებლად და შესამოწმებლად — ტრადიციულ, ლაბორატორია-ლაბორატორიაზე დაფუძნებულ ქიმიაზე გაცილებით სწრაფად და იაფად. იმის ნაცვლად, რომ მეცნიერებმა ხელით გამოსცადონ ათასობით მოლეკულა კონკრეტულ სამიზნეზე, AI სისტემები წინასწარ განსაზღვრავენ, რომელი მოლეკულებია სავარაუდოდ ეფექტური — ჯერ კიდევ სანამ ერთი მოლეკულაც კი იქნება სინთეზირებული. ეს პროცესი ცდისა და შეცდომის წლობით მოთხოვნილ სამუშაოს კვირებამდე ამცირებს.

რატომ დასჭირდა წამლების აღმოჩენას მალსახმობი

ერთი ახალი წამლის შემუშავება ტრადიციულად 10-დან 15 წლამდე გრძელდება და საშუალოდ დაახლოებით 2.6 მილიარდ დოლარს უჯდება — ამის შესახებ საუბრობს ფართოდ ციტირებული Tufts Center for the Study of Drug Development-ის ანალიზი. ამ დროისა და ფულის უდიდესი ნაწილი იხარჯება მანამ, სანამ წამალი საერთოდ პაციენტამდე მივა: ბიოლოგიური სამიზნის იდენტიფიცირებაზე, მასზე მოქმედი მოლეკულების დაპროექტებაზე და იმ კანდიდატების გამორიცხვაზე, რომლებიც საბოლოოდ ტოქსიკური ან არაეფექტური აღმოჩნდება. ადამიანებზე კლინიკურ კვლევებში შესულ წამლის კანდიდატთა დაახლოებით 90% მაინც ჩავარდნით მთავრდება — ჩვეულებრივ იმის გამო, რომ ისინი მოსალოდნელნაირად არ მოქმედებენ ან გვერდით მოვლენებს იწვევენ, პრობლემები, რომლებიც იდეალურ შემთხვევაში ადრეც უნდა გამოვლენილიყო. AI-ს დანაპირება სწორედ ისაა, რომ ამ ჩავარდნების უფრო მეტი ნაწილი ადრეულ ეტაპზე, ძვირად დაჯდომამდე გამოავლინოს.

როგორ მუშაობს ეს

ხელოვნური ინტელექტის დახმარებით წამლების აღმოჩენა, ჩვეულებრივ, რამდენიმე ეტაპად მიმდინარეობს, თითოეულს კი დღეს სხვადასხვა სახის მოდელი ეხმარება:

  • სამიზნის იდენტიფიცირება. მანქანური სწავლების მოდელები აანალიზებენ გენეტიკურ, კლინიკურ და სამეცნიერო-ლიტერატურულ მონაცემებს, რათა გამოკვეთონ, რომელი ცილები ან გენებია სავარაუდოდ დაავადების მიზეზი — ათასობით შესაძლებლობიდან მოკლე სიის შერჩევით.
  • სტრუქტურის პროგნოზირება. როცა სამიზნე ცილა უკვე შერჩეულია, მკვლევრებს სჭირდებათ იცოდნენ მისი სამგანზომილებიანი ფორმა, რადგან წამალმა ფიზიკურად უნდა მოერგოს მას, როგორც გასაღები საკეტს. ადრე ეს ნელი და ძვირი ლაბორატორიული მეთოდების, მაგალითად, რენტგენული კრისტალოგრაფიის, საშუალებით ხერხდებოდა. Google DeepMind-ის მიერ შექმნილმა AI სისტემამ AlphaFold-მა ეს შეცვალა — მან ცილის სამგანზომილებიანი სტრუქტურის პროგნოზირება პირდაპირ მისი ამინომჟავური თანმიმდევრობიდან შეძლო, რამაც მის შემქმნელებს 2024 წლის ქიმიის ნობელის პრემიის ნაწილი მოუტანა.
  • მოლეკულების გენერაციული დაპროექტება. სამიზნის ფორმის ცოდნის შემდეგ, გენერაციული AI მოდელები სთავაზობენ ახალ მოლეკულებს, რომლებიც სავარაუდოდ მასზე მიმაგრდება — არსებული ქიმიური ბიბლიოთეკის მოძებნის ნაცვლად. ერთ-ერთ გამოქვეყნებულ მაგალითში, ამ პროცესმა კიბოსთან დაკავშირებული სამიზნე (CDK20) შერჩევიდან მოქმედ ინჰიბიტორ ნაერთამდე დაახლოებით 30 დღეში მიიყვანა, მხოლოდ შვიდი კანდიდატი მოლეკულის სინთეზის შემდეგ — პროცესი, რომელიც ტრადიციულად ასობით ნაერთის გამოცდას საჭიროებს.
  • თვისებების პროგნოზირება. სანამ რომელიმე მოლეკულა ლაბორატორიაში საერთოდ დამზადდება, მოდელები აფასებენ, როგორ მოიქცევა ის ორგანიზმში — შეიწოვება თუ არა, როგორ დაიშლება და ტოქსიკურია თუ არა — რაც სავარაუდო ჩავარდნების ადრეულ ეტაპზე გამორიცხვის საშუალებას იძლევა.

რასაც AI ჯერ ვერ აკეთებს, არის თავად კლინიკური კვლევის ჩანაცვლება. მოდელს შეუძლია პერსპექტიული მოლეკულის შემოთავაზება, მაგრამ ის მაინც უნდა დამზადდეს და შემოწმდეს უსაფრთხოებასა და ეფექტურობაზე — ჯერ ცხოველებზე, შემდეგ ადამიანებზე — ნელი და მკაცრად რეგულირებული პროცესი, რომლის გამოტოვებაც ვერცერთ ალგორითმს არ შეუძლია.

რატომ აქვს ამას მნიშვნელობა

მცირე მოგებებიც კი გროვდება: თუ AI პრეკლინიკურ ეტაპს რამდენიმე წლით ამოკლებს, ან ზრდის ალბათობას, რომ კვლევებში შესული კანდიდატი მართლაც იმუშავებს, ეს შეიძლება ნიშნავდეს იაფ მედიკამენტებს და უფრო სწრაფ მკურნალობას იმ დაავადებებისთვის, რომლებსაც დღეს მკურნალობა არ გააჩნიათ. სწორედ ამიტომ დიდი ფარმაცევტული კომპანიები ამ ხელსაწყოებთან უბრალო ექსპერიმენტირებიდან მათ პირდაპირ საკუთარ წამლის განვითარების ციკლში ჩართვაზე გადადიან — მრავალწლიან კონტრაქტებს დებენ AI-ზე ორიენტირებულ ბიოტექ კომპანიებთან, ვიდრე AI-ს გვერდით პროექტად განიხილავენ.

სიახლეებში

ეს ცვლილება კარგად ჩანს Chai Discovery-ის $400 მილიონიან Series C რაუნდში, რომელმაც AI წამლის დაპროექტების სტარტაპი $3.8 მილიარდად შეაფასა მას შემდეგ, რაც მან კომერციული გარიგებები დადო წამყვან ფარმაცევტულ კომპანიებთან — ნიშანი იმისა, თუ რამდენად სწრაფად გადადის AI-ს მიერ დაპროექტებული მოლეკულები სამეცნიერო ნაშრომებიდან რეალურ ფარმაცევტულ ციკლში.

ხშირად დასმული კითხვები

AI მართლა თავისით აღმოაჩენს ახალ წამლებს? არა. AI ავიწროებს, რომელი სამიზნეები და მოლეკულებია ღირებული გასაგრძელებლად და პროგნოზირებს მათ თვისებებს, მაგრამ მოლეკულებს მაინც ქიმიკოსები ასინთეზირებენ, ხოლო მარეგულირებლები დამტკიცებამდე ადამიანებზე კლინიკურ კვლევებს მაინც მოითხოვენ.

AI-ზე დაფუძნებული წამლების აღმოჩენა მხოლოდ დიდი ფარმაცევტული კომპანიებისთვისაა? დღეს დიდი წამლის მწარმოებლები ყველაზე დიდი მომხმარებლები არიან, რადგან მათ აქვთ საკმარისი მონაცემები და კაპიტალი, რომ AI-ს პროგნოზების საფუძველზე იმოქმედონ, თუმცა თავად ძირითადი მოდელები — მათ შორის AlphaFold — გამოქვეყნებულია და მას აკადემიური ლაბორატორიებიც და მცირე ბიოტექ სტარტაპებიც იყენებენ.

AI-ს მიერ აღმოჩენილი წამალი პაციენტამდე მისულა? რამდენიმე AI-ს მიერ დაპროექტებული კანდიდატი უკვე კლინიკურ კვლევებშია, ზოგი მათგანი კვლევის მოგვიანებით ეტაპებამდეც მივიდა, თუმცა 2026 წლის შუა პერიოდის მდგომარეობით ამ ახალი ტალღის სტარტაპების არცერთ სრულად AI-ს მიერ გენერირებულ მოლეკულას ჯერ არ გაუვლია დამტკიცების სრული პროცესი — ეს ბოლო ეტაპი მაინც წლებს მოითხოვს.

წყაროები: Tufts Center for the Study of Drug Development (Nature Reviews Drug Discovery-ის მეშვეობით); AlphaFold Accelerates AI-Powered Drug Discovery (Chemical Science); FierceBiotech-ის მასალა Chai Discovery-ის Series C რაუნდზე.