На каналі «Що за шум?» відбулася розмова з Шоном Макліном — засновником і CEO компанії Abcide, яка трансформує підхід до створення ліків завдяки штучному інтелекту та високопродуктивним обчисленням. В інтерв’ю обговорювалися складнощі традиційної фармацевтики, нові моделі розробки препаратів, прориви у лікуванні складних хвороб і роль партнерства з AMD у прискоренні інновацій. Ми підготували виклад найважливішого.Розробка нового препарату — це тривалий, дорогий і ризикований процес. Спочатку вчені ідентифікують мішень, яка має зв’язок із певною хворобою, після чого шукають молекули, здатні її змінити або блокувати. Ці молекули тестують у лабораторії, потім — на тваринах, і лише потім — у клінічних випробуваннях на людях. Середній термін від ідеї до дозволу на клініку — 5.5 років, а повний цикл до виходу на ринок — до 15 років. При цьому лише 1 з 20 потенційних препаратів проходить усі етапи. Це створює високі бар’єри входу, гальмує інновації та змушує індустрію вкладати мільйони в проєкти з мінімальними шансами на успіх.Abcide почала свою історію як лабораторія,
що працює з білковими взаємодіями, але ключовим проривом стало поєднання глибокого навчання з біологічними даними. Замість того, щоб вручну тестувати сотні зразків, команда створила систему, здатну масштабувати процес до мільйонів віртуальних експериментів. Головна зміна парадигми — перехід від випадкового «пошуку голки в копиці сіна» до створення цієї голки за допомогою AI. Це дозволило Abcide розробити генеративні моделі, які не тільки аналізують дані, а й проєктують нові варіанти антитіл, перевіряючи гіпотези, які раніше були технічно неможливі або надто дорогі.У біології одна й та сама мішень може мати мільйони потенційних конфігурацій ліків. Наприклад, кількість варіантів CDR (ключових частин антитіла) перевищує кількість атомів у Всесвіті. Це робить ручний підбір неймовірно трудомістким. Тут AI — не просто помічник, а єдина реалістична альтернатива: він аналізує структури, передбачає зв’язування, ранжує й оптимізує варіанти за мілісекунди, скорочуючи роки досліджень до тижнів.Замість класичної лінійної моделі «аналіз — синтез — тест», Abcide працює за циклічним принципом,
де мокра лабораторія (тобто фізичні біологічні експерименти) інтегрована прямо в AI-процес. Компанія використовує модель навчання з підкріпленням: алгоритм генерує антитіла, у лабораторії їх синтезують і перевіряють, а результати повертаються моделі для повторного навчання. Один цикл триває 6 тижнів, що дозволяє тестувати, уточнювати й удосконалювати рішення без втрати часу.Abcide використовує дифузійні генеративні моделі для створення нових антитіл з нуля. Алгоритм отримує структуру цілі (отриману, наприклад, через AlphaFold або Cryo-EM) і епітоп — ділянку, до якої має приєднатися антитіло. Потім AI моделює 6 CDR-фрагментів, які мають максимально ефективно зв’язуватися з цією ділянкою. На виході — повноцінна молекула антитіла, яка одразу передається в лабораторію. Це дозволяє створювати унікальні конфігурації, яких не існує в природі, підвищуючи шанс знайти «ідеальне» рішення для складних мішеней.Одним із найвражаючих досягнень Abcide стало створення антитіла до регіону Колдера — надзвичайно глибокої й важкодоступної ділянки на вірусі ВІЛ. Раніше вчені безуспішно намагалися активувати імунну відповідь або застосовували класичний скринінг — усе дарма.
Модель Abcide змогла спроєктувати HCDR3, який проникає в цю щілину й ефективно зв’язується з нею. Це відкриває шлях до створення універсального антитіла, здатного нейтралізувати різні штами ВІЛ — прорив, якого не могли досягти десятиліттями.Те, що раніше займало роки безуспішних спроб, Abcide виконала за кілька місяців завдяки AI. Їхня модель швидко вивчає контекст мішені, моделює потенційні рішення і обирає найкращі з них для лабораторного підтвердження. Це змінило підхід до «недосяжних мішеней»: тепер їх можна не просто вивчати, а оперативно обробляти у масштабі, який раніше був немислимий. Це означає, що AI дозволяє фармацевтиці вперше на практиці працювати з хворобами, які вважалися невиліковними.Моделі, які працюють з білковими структурами, надзвичайно вимогливі до обчислювальних ресурсів. Abcide уклала партнерство з AMD, яке надало компанії доступ до потужної інфраструктури для тренування моделей. Зокрема, використовуються GPU з великою обсягом пам’яті, що дозволяє AI працювати з повними білками, а не фрагментами. Завдяки цьому моделі стали більш точними та універсальними,
а процес — значно ефективнішим.На практиці велика ємність пам’яті дозволяє моделі бачити всю структуру білка, а не лише частину. Це критично для правильного визначення CDR. Крім того, більша пам’ять забезпечує пакетну обробку — одночасне навчання на великій кількості зразків, що скорочує час тренування й підвищує якість моделей. У підсумку — вища продуктивність, менші витрати на обчислення й кращі результати для дослідників.Перший AI-створений препарат Abcide, ABS-101, пройшов шлях до клініки вдвічі швидше і в кілька разів дешевше, ніж традиційні аналоги. Компанія змогла вивести його на випробування за 24 місяці, витративши лише $13–15 млн, що дозволяє збільшити кількість проєктів за ті ж кошти. Це радикально змінює економіку фармацевтичних досліджень і відкриває двері для інновацій навіть у невеликих компаніях.У традиційній біології бракує структурованих даних. Abcide вирішує цю проблему, поєднуючи мокру лабораторію, де дані збираються вручну, з синтетичними даними, що генеруються за допомогою молекулярної динаміки (MD). Це дає змогу моделі навчатись на симульованих процесах,
підвищуючи точність без потреби в дорогих і повільних експериментах. Такий гібридний підхід дозволяє масштабувати дослідження та відкривати нові біологічні механізми.Одна з проблем — надвисоке навантаження на обчислювальні системи під час запуску MD-симуляцій. Abcide активно шукає способи зменшити обчислювальні витрати, зокрема через оптимізацію алгоритмів і апаратної архітектури. Прикладом є використання рішень, подібних до тих, що були реалізовані DeepMind у Dipsck, які досягли тієї ж точності з меншими ресурсами. Abcide адаптує ці підходи під свій стек, працюючи над тим, щоб робити AI доступнішим у біотехнологіях.Через 5–10 років Abcide бачить світ, де кожен пацієнт отримуватиме ліки, створені під його генетичний профіль. Завдяки AI моделі аналізуватимуть біологічні зразки, визначатимуть найефективнішу мішень, генеруватимуть антитіло та віддаватимуть результат у клініку — усе в рамках єдиного циклу. Це не просто персоналізація за категоріями, а індивідуальний підхід до кожного пацієнта, який здатен радикально підвищити ефективність лікування.Щоб реалізувати візію персоналізованої медицини,
потрібна технічна, наукова та регуляторна співпраця. Компанії на зразок Abcide створюють нові алгоритми та методи; технологічні партнери, як-от AMD, забезпечують інфраструктуру; регуляторні органи мають адаптувати підходи до перевірки й затвердження AI-генерованих ліків. Цей процес неможливий поодинці — лише в колективній екосистемі можна забезпечити прорив.Abcide показує, як штучний інтелект і потужні обчислення можуть радикально змінити підхід до розробки ліків. Замість багаторічних пошуків і високих витрат — швидке моделювання, проєктування та перевірка нових препаратів у тісній зв’язці AI та лабораторії. Партнерство з AMD забезпечило технологічну базу для масштабування, а результати — швидший вихід у клініку та значна економія коштів. Попереду — персоналізована медицина, де ліки створюються під кожного пацієнта, а не під середню статистику.CDR (Complementarity-Determining Regions) — шість ключових ділянок антитіла, що безпосередньо взаємодіють з антигеном. Дифузійна модель — тип генеративної моделі, яка формує структури з нуля, «очищуючи» їх із шуму. Молекулярна динаміка (MD) — симуляція фізичної поведінки молекул у часі. Епітоп — ділянка білка або вірусу, до якої має приєднуватися антитіло. “Мокра лабораторія” — фізичне середовище, де проводяться експерименти на відміну від цифрових симуляцій.
