Автоматический поиск лекарств: как ИИ нашел пробелы в знаниях, а не просто новые кандидаты
Одно из применений искусственного интеллекта в науке — не генерация идей из ниоткуда, а систематический аудит существующих гипотез. Новое исследование демонстрирует, как «слепой» поиск в фармацевтическом домене смог не только воспроизвести известные терапии, но и честно указать на нехватку данных или противоречия в научной картине мира.
# Слепой поиск в фармацевтике: когда ИИ говорит «мы не знаем" #
В мире науки часто существует иллюзия, что прогресс означает постоянный поток прорывных открытий. Однако реальность такова, что значительная часть работы — это проверка того, что уже известно, и выявление того, где знания не доходят до ума. Исследование, представленное на платформе Habr, описывает эксперимент с архитектурой, способной генерировать исследовательские гипотезы методом «слепого поиска». В отличие от традиционных алгоритмов, которые оптимизируются под известные данные, эта система работает как исследователь, замораживая свои выводы перед их проверкой на предмет фальсификации.
Главный результат эксперимента не в списке из миллионов новых лекарств, а в способности системы корректно классифицировать качество самих научных вопросов. Система прошла через цепочку состояний: от простого восстановления известных фактов до выявления пробелов в исследованиях, недостатка параметров описания и, наконец, автоматической самокоррекции.
Восстановление реальности и поиск пробелов
Процесс начинается с создания координаты — кортежа, включающего целевую молекулярную мишень, модальность вмешательства (например, антитело или малая молекула), путь введения, локализацию и показание. Эта координата проходит через серию контрольных пунктов (гейтов), каждое из которых проверяет логическую целостность и биологическую правдоподобность гипотезы.
В рамках тестирования фармацевтического домена система сгенерировала 12 кандидатов. Из них: * 5 координат независимо совпали с уже опубликованными терапевтическими направлениями. Это «положительный контроль», доказывающий, что архитектура способна ориентироваться в существующем научном ландшафте. * 4 координаты были отнесены к категории «исследовательский разрыв» (research gap). Это комбинации мишени, модальности и заболевания, для которых точный prior art (существующий опыт) не был найден. Это не случайные совпадения, а потенциальные направления для новых клинических испытаний, такие как использование siRNA против TWIST1 для лечения фиброза при HFpEF или PROTAC-деградер для USP30 при стеатозе печени.
Здесь важно понимать разницу между «новым» и «неизвестным». Система не изобретала велосипед, она сканировала пространство параметров так точно, как это невозможно сделать человеку вручную, выявив узкие места, где известные инструменты применяются к новым сочетаниям проблем.
Когда параметров не хватает
Самый интересный момент исследования наступил, когда система столкнулась с противоречивыми данными. В случаях с мишенями P2X7 (при болезни Паркинсона) и TLR7 (при болезни Альцгеймера) опубликованные исследования давали взаимоисключающие результаты: одна группа работ сообщала о терапевтическом эффекте, другая — об отсутствии нейропротекции.
Традиционные подходы требуют выбрать одну из статей как «правильную» или отказаться от гипотезы. Архитектура, однако, сделала нечто более сложное. Она пришла к выводу, что проблема не в выборе статьи, а в том, что текущий набор параметров описания недостаточен. Система инициировала поиск недостающей координаты и предложила новый параметр — pathophysiologic_endotype (патогенетический эндотип).
Это не просто диагноз, а измеримое механистическое состояние, определяемое специфическими биомаркерами или визуализацией. Система прошла проверку на избыточность: новый параметр действительно давал информацию, недоступную в рамках стандартных популяционных групп. Тем не менее, автоматическая канонизация (переход в официальный реестр параметров) не произошла. Новый параметр остался в статусе локального исследовательского инструмента, требующего внешней валидации.
Самокоррекция и границы открытий
Архитектура продемонстрировала важную способность — отказ от ошибочных гипотез при глубокой проверке. В случае с TLR7 и болезнью Альцгеймера система предложила несколько кандидатов на недостающий параметр. Однако последующая статистическая проверка (методы пермутации и leave-one-out) показала, что предсказательная сила этих параметров не переносится на независимую выборку. Эффект исчезал, когда данные немного менялись.
В результате статус гипотезы был честно переведен в состояние «неполной оси» (AXIS_INCOMPLETE), а не в статус нового открытия. Это подчеркивает принципиальную разницу между галлюцинацией ИИ (выдумыванием факта) и научной сдержанностью (признанием нехватки данных).
Также был отмечен случай с IL-33, где направление было отклонено из-за внутреннего противоречия в данных, и TLR7, требующий расширения параметров. Система не настаивала на своей ошибке, а предлагала пути для уточнения задачи.
*Несколько слов о масштабе*
Этот проект — часть более крупной работы автора по созданию квантового эмулятора нового поколения. Текущая архитектура используется как полигон для тестирования способности ИИ работать с научными данными без предвзятости, что критически важно для будущего создания надежных инструментов поддержки принятия решений в медицине.
Итоги эксперимента
Результаты эксперимента можно свести к следующей логической последовательности, которую удалось реализовать в рамках одной системы: 1. Воспроизведение (Rediscovery): Умение находить то, что уже известно. 2. Выявление разрывов (Research Gap): Обнаружение нетронутых комбинаций целевой среды. 3. Выявление неполноты (Axis Incomplete): Отказ выбирать между противоречиями и указание на нехватку параметров. 4. Самокоррекция (Self-Correction): Отбрасывание гипотез, не выдерживающих статистической перепроверки.
Это не панацея и не способ получить готовое лекарство завтра. Это демонстрация того, как машинное обучение может стать надежным партнером для ученых, помогая не только искать золото, но и честно говорить о пустоте, где золото еще не найдено.
В будущем следующим шагом станет тестирование способности системы «слепому» восстановлению открытий, сделанных наукой после момента, когда система была обучена. Это будет настоящий экзамен на способность ИИ понимать реальность, а не просто зеркально отражать данные, на которых он натренирован.