John's OrganizationVisit Website →
← Back to blog

Ai drug repurposing: как ИИ находит новые применения лекарств

August 28, 2026
Ai drug repurposing: как ИИ находит новые применения лекарств

Сегодня искусственный интеллект способен надёжно ранжировать и генерировать правдоподобные кандидатов для перепрофилирования лекарств, но эти предсказания требуют обязательной лабораторной валидации и объяснимых причинно-следственных связей для клинической трансляции. Ключевую роль играют графовые нейросети и knowledge graphs, модели вроде TxGNN уже показывают заметный рост точности в задачах без обучающих примеров. Без проверки на iPSC-моделях и без объяснимости (XAI) ни один вычислительный кандидат не готов к клинике.

Кратко:

  • Методы искусственного интеллекта требуют лабораторной валидации и объяснимых причинно-следственных связей для клинической трансляции препаратов.
  • Для редких заболеваний наиболее эффективны foundation-модели, такие как TxGNN, которые работают без обучающих примеров и предоставляют интерпретируемые пути связи.
  • В лабораторной практике важна параллельная проверка гипотез на моделях из клеток пациента с помощью iPSC и CRISPR, чтобы снизить риск ложноположительных результатов.
  • Постепенный переход от вычислительных рангов к экспериментальному подтверждению занимает месяцы и зависит от качества биопробы и опытности лаборатории.
  • Объединение литературных данных, мультиомики и графовых моделей повышает точность предсказаний и ускоряет поиск потенциальных терапевтических гипотез.

Содержание

Как работает ai drug repurposing: методы и алгоритмы

Перепрофилирование лекарств с помощью ИИ строится не на одном алгоритме, а на наборе методов, каждый со своей нишей. Выбор метода определяет, что вы получите на выходе: список статистически похожих соединений или объяснимую цепочку рассуждений, которую можно предъявить регулятору.

Графовые нейросети (GNN) сегодня — рабочая лошадка направления. Они моделируют болезни, гены, белки и препараты как узлы одного графа и учатся распознавать неочевидные связи между ними. TxGNN, графовая foundation-модель, ранжирует препараты для множества заболеваний и повышает точность предсказаний показаний значительно в zero-shot тестах — то есть для болезней, по которым модель вообще не видела примеров лечения при обучении. Такая архитектура особенно ценна для ультра-редких заболеваний, где обучающих данных почти нет по определению. Модель, разработанная в лаборатории Zitnik Lab, дополнительно выдаёт интерпретируемые multi-hop пути, показывающие, через какие промежуточные звенья препарат связан с болезнью, а не просто финальную оценку.

Similarity-based методы работают проще: они сравнивают химическую структуру, профиль побочных эффектов или транскрипционный отклик известного препарата с профилем болезни-цели. Это быстрый и вычислительно дёшёвый первый фильтр, но он плохо ловит неочевидные механизмы, скрытые за несколькими шагами биологических взаимодействий.

Матричная факторизация раскладывает большую разреженную матрицу «препарат — болезнь» на скрытые факторы, которые отражают неявные паттерны в данных. Метод устойчив при умеренном объёме данных, но чувствителен к проблеме холодного старта: для болезни без единой известной связи модель не имеет от чего отталкиваться.

Генеративные модели и большие языковые модели (LLM) — самая новая категория. Они умеют синтезировать гипотезы из текста научных публикаций и достраивать knowledge graph там, где ручная аннотация не успевает за потоком литературы. DrugReX объединяет литературный knowledge graph с LLM именно для этого: в кейсе по болезни Альцгеймера система выявила 25 кандидатов, из которых 10 совпали с препаратами, уже проходящими клинические испытания. Но здесь стоит быть точным: LLM не заменяет графовые и мультиомные подходы, а дополняет их — синтезирует гипотезы и объясняет их на естественном языке, тогда как реальный вычислительный вес прогноза чаще всего даёт именно граф.

Практический вывод для выбора метода:

  • Для задач без обучающих примеров (ultra-rare, orphan disease) — foundation-модели типа TxGNN.
  • Для быстрого первичного скрининга большого пула соединений — similarity-based подходы.
  • Для умеренных объёмов структурированных данных — матричная факторизация.
  • Для синтеза гипотез из литературы и объяснения решения врачу — связка knowledge graph и LLM, как в DrugReX.

Как перевести предсказание ИИ в лабораторную и клиническую проверку

Список кандидатов от модели — это гипотеза, а не результат. Разрыв между вычислительным рангом и биологической реальностью — самое частое место, где проекты по перепрофилированию проваливаются, и закрывать его нужно по чёткому протоколу.

  1. Приоритизация. Из десятков или сотен предсказанных соединений отбирают 10-20 кандидатов по совокупности критериев: силе вычислительного скора, известному профилю безопасности (одобрение FDA снижает регуляторный риск), доступности вещества и правдоподобности механизма.
  2. In vitro валидация на персонализированных моделях. Кандидаты проверяются на клеточных линиях, полученных из индуцированных плюрипотентных стволовых клеток (iPSC) пациента или на органоидах, максимально близких к реальной патологии.
  3. Доклинические модели. Соединения, показавшие эффект in vitro, переходят на модели на животных или на более сложные тканевые системы для оценки дозы и токсичности.
  4. Ранние клинические проекты. Финальные кандидаты обсуждаются с клиницистами как основа для протокола off-label использования или формального клинического испытания.

На каждом этапе нужны контрольные, ортогональные эксперименты — независимые тесты, подтверждающие эффект другим методом, а не повторением того же анализа. Без них легко принять артефакт культуры клеток за реальный терапевтический сигнал.

Логистика биопробы часто становится узким местом сильнее, чем сама вычислительная модель. От взятия образца пациента (обычно кожный биоптат или клетки крови) до получения зрелой дифференцированной линии iPSC проходит от нескольких недель до пары месяцев, и именно этот срок определяет реальную скорость всего проекта, а не время работы алгоритма.

Руки готовят образец крови пациента в лаборатории

Профессиональный совет: Не запускайте параллельный скрининг сразу на всех кандидатах из вычислительного списка. Начните с трёх-пяти соединений с наилучшим сочетанием безопасности и правдоподобия механизма — это позволяет быстрее выявить сигнал и не распылить лабораторные ресурсы на заведомо слабые гипотезы.

Наблюдение экспертов из проекта TxGNN здесь особенно точное: главная практическая ошибка — остановиться на in silico-предсказании и не довести гипотезу до персонализированной проверки, потому что биологический ответ конкретного пациента может радикально отличаться от усреднённого сигнала в обучающих данных.

Как RareLabs переводит ИИ-предсказания в персонализированный скрининг

Hopeatrarelabs строит именно тот мост, о котором говорилось выше: от вычислительной гипотезы до лабораторного ответа на конкретного пациента. Платформа создаёт модель заболевания из собственных клеток пациента с помощью iPSC, при необходимости корректирует контрольную линию методом CRISPR, чтобы получить точное сравнение «болезнь против нормы», и затем запускает параллельный скрининг.

Рабочий протокол выглядит так:

  • Получение биопробы пациента и перепрограммирование в iPSC.
  • Создание CRISPR-скорректированной контрольной линии для изоляции эффекта конкретной мутации.
  • Параллельный скрининг тысяч одобренных FDA препаратов на полученной клеточной модели.
  • Разработка и тестирование индивидуальных антисмысловых олигонуклеотидов (ASO) под конкретный генетический вариант.
  • Оценка возможностей генотерапии там, где это применимо.
  • Формирование отчёта по топ-кандидатам и его разбор совместно с лечащим врачом пациента.

Ключевой принцип здесь тот же, что подчёркивают обзоры по редким заболеваниям: объяснимость и лабораторная валидация — не опциональное дополнение, а условие клинической применимости любого вычислительного предсказания. Именно поэтому параллельный скрининг на персонализированной модели, а не единичный алгоритмический прогноз, служит основным фильтром против ложноположительных находок: соединение должно показать эффект на клетках именно этого пациента, а не только высокий ранг в графовой модели.

Как это снижает риск ложных срабатываний: каждый кандидат из вычислительного списка проверяется на реальной биологии, а не только на статистическом сходстве профилей. Модель на основе клеток пациента исключает значительную долю кандидатов, которые выглядели многообещающе in silico, но не воспроизводят эффект на живой ткани с конкретной мутацией. Это именно тот шаг, который ускоряет поиск экспериментального лечения для семей, у которых нет времени на годы стандартных испытаний.

Ограничения, регуляторные и этические барьеры

Технология находок не решает проблему её доверия. Три барьера повторяются в большинстве обзоров по теме и заслуживают отдельного внимания при планировании проекта.

  • Проблема «чёрного ящика». Регуляторы и клиницисты не принимают решение только на основании итогового скора модели — им нужны интерпретируемые причины. Отсюда растущий вес методов explainable AI (XAI), которые выдают не просто ранг, а путь рассуждения через конкретные гены, белки или литературные ссылки.
  • Cold-start и разреженность данных. Для действительно редких и недиагностированных болезней обучающих примеров может не быть вовсе. Модели вынуждены переносить знания из смежных фенотипов, что повышает риск ошибки и требует особенно тщательной лабораторной проверки каждого предсказания.
  • Воспроизводимость. Разные версии одной и той же базы данных или разные срезы литературы на входе дают разные ранги на выходе, что затрудняет сравнение результатов между лабораториями и публикациями.

Этическая сторона добавляет свой слой сложности. Использование электронных медицинских карт требует информированного согласия пациента и строгой деидентификации данных, а персонализированные модели на основе собственных клеток пациента поднимают вопрос о том, кому принадлежат данные и результаты анализа этой линии в будущем. Ни одна из этих проблем не блокирует применение ИИ в перепрофилировании, но каждая требует явного протокола согласия и хранения данных до начала работы, а не постфактум.

С чего начать проект по перепрофилированию: практический план

Порядок действий имеет значение больше, чем кажется на старте: попытка сразу запустить широкий скрининг без чистых данных и без плана объяснимости почти всегда приводит к переделке через несколько месяцев.

  1. Соберите и очистите данные. Прежде чем выбирать модель, сведите вместе доступные базы (DrugBank, ChEMBL, литературные источники) и устраните дубликаты и рассинхрон в номенклатуре.
  2. Заложите объяснимость с самого начала. Выбирайте архитектуры, которые дают multi-hop пути или текстовое обоснование, а не только числовой ранг, — переделать «чёрный ящик» в интерпретируемую систему постфактум почти невозможно.
  3. Запланируйте параллельную in vitro валидацию. Бюджет и график проекта должны с первого дня включать этап лабораторной проверки, а не рассматривать его как опциональное будущее расширение.
  4. Продумайте взаимодействие с регуляторами и клиницистами. Формат итогового отчёта должен быть понятен врачу, который будет принимать решение об off-label применении.

При выборе лабораторного партнёра для in vitro этапа проверяйте опыт работы именно с iPSC-моделями и наличие готовых протоколов сбора и транспортировки биопроб — это напрямую влияет на сроки. Пилотный проект от биопробы до первого отчёта по топ-кандидатам обычно занимает от трёх до шести месяцев, и большая часть этого времени уходит не на вычисления, а на созревание клеточной линии.

Профессиональный совет: Договоритесь с лабораторным партнёром о формате отчёта и критериях отбора кандидатов до начала скрининга, а не после получения первых результатов — это экономит недели споров о том, какой порог считать значимым.

Итог: когда ИИ-перепрофилирование оправдывает вложения

ИИ имеет смысл применять там, где стандартный путь разработки лекарства слишком долог или невозможен из-за отсутствия рынка. Проект готов к старту, когда у вас есть чистый доступ к данным, план объяснимости и, что важнее всего, договорённость о параллельной лабораторной валидации кандидатов.

Реалистичный ориентир для первого пилота: несколько десятков вычислительных кандидатов на входе, три-пять из них доходят до in vitro этапа, и один-два показывают воспроизводимый эффект на клеточной модели пациента через ортогональные тесты. Именно на этом отношении, а не на абсолютном числе предсказаний, стоит оценивать успех первого цикла.

Модели вроде TxGNN и подходы вроде DrugReX уже доказали, что вычислительное ранжирование даёт реальный, проверяемый сигнал. Но окончательный вердикт по каждому кандидату выносит не алгоритм, а клетка пациента под микроскопом.

Как интерпретировать вычислительные находки в контексте живой биологии

Высокий скор модели говорит о статистической связи, а не о доказанном механизме, и разница между этими двумя вещами определяет, как исследователь должен читать вывод алгоритма.

Первый шаг интерпретации — спросить, через какой путь модель пришла к выводу. Multi-hop объяснение TxGNN, например, может показать, что препарат связан с болезнью через промежуточный белок-мишень, а не напрямую. Если этот промежуточный узел биологически неправдоподобен для конкретной ткани или мутации пациента, кандидат стоит понизить в приоритете независимо от итогового численного ранга.

Второй шаг — проверка направления эффекта. Модель может верно определить, что препарат воздействует на нужный ген или путь, но ошибиться в направлении: усиливать экспрессию там, где нужно её подавить. Это выявляется только экспериментально, обычно на первом же раунде in vitro теста на клетках пациента.

Третий шаг — сопоставление с ортогональными источниками: если независимая база данных или отдельная статья подтверждают ту же связь другим методом, доверие к гипотезе растёт. Согласованность нескольких независимых сигналов, а не абсолютная величина одного скора, лучше всего предсказывает, какие кандидаты выдержат лабораторную проверку.

Примеры перевода предсказаний ИИ в экспериментальные гипотезы

Кейс DrugReX по болезни Альцгеймера показывает, как выглядит успешный переход от вычислений к практике: система выявила 25 кандидатов на основе литературного knowledge graph, и 10 из них оказались препаратами, уже участвующими в текущих клинических испытаниях для той же болезни. Совпадение такого масштаба не доказывает эффективность автоматически, но резко повышает доверие к остальным 15 кандидатам, которые ещё не изучались клинически, — они становятся приоритетными гипотезами для дальнейшей лабораторной проверки.

Другой показательный пример — работа модели HAMGNN, объединяющей гетерогенное внимание с мета-обучением на мультимодальных данных. В опубликованном эксперименте модель показала ROC-AUC 0,98, что подтверждает: объединение литературы, мультиомики и графов знаний даёт заметно более сильный сигнал, чем любой из этих источников по отдельности. Практический вывод для исследователя — не выбирать между подходами, а комбинировать их: графовая структура даёт биологический контекст, литературный слой добавляет актуальность, а мультиомика привязывает предсказание к конкретному пациенту или подтипу болезни.

Инструменты и платформы для перехода от предсказания к эксперименту

Экосистема инструментов для автоматизации этого перехода растёт быстрее, чем успевают публиковаться обзоры, но три категории платформ выделяются устойчиво.

Графовые foundation-модели, такие как TxGNN, дают исследователю программный интерфейс для запроса ранжированного списка кандидатов по конкретной болезни с приложенным multi-hop объяснением. Это первый слой автоматизации: он заменяет ручной поиск по литературе систематическим запросом к графу.

Системы на основе knowledge graph и LLM, такие как DrugReX, автоматизируют следующий слой: превращение необработанного текста публикаций в структурированные связи графа и генерацию читаемого обоснования для каждого кандидата. Это резко снижает время, которое раньше уходило на ручное аннотирование литературы экспертом.

Третий слой, пока наименее автоматизированный, — сама лабораторная валидация. Здесь платформы вроде Hopeatrarelabs закрывают разрыв между вычислительным выводом и биологическим ответом: превращают список кандидатов из графовой модели в реальный протокол параллельного скрининга на клетках конкретного пациента, включая генерацию iPSC-линии, CRISPR-контроль и тестирование ASO. Именно этот последний слой определяет, станет ли вычислительная гипотеза терапевтическим решением или останется строкой в таблице результатов.

Взгляд команды на методологию и открытость к сотрудничеству

Hopeatrarelabs строит процесс вокруг одной идеи: вычислительный ранг без биологического подтверждения — это гипотеза, а не ответ. Именно поэтому платформа опирается на iPSC-модели самого пациента и параллельный скрининг тысяч одобренных препаратов сразу, а не на последовательную проверку по одному кандидату. Такой подход медленнее на бумаге, но честнее на практике: он не позволяет одному эффектному вычислительному скору определить весь дальнейший путь пациента.

Если вы исследователь, врач или представитель фонда и рассматриваете совместный проект по моделированию редкого заболевания, у команды есть интерес обсудить конкретный случай и то, какие данные для него уже доступны.

— John

Услуги RareLabs: от вычислительной гипотезы до лабораторного ответа

Hopeatrarelabs закрывает именно тот разрыв, о котором шла речь на протяжении всей статьи: между списком кандидатов от алгоритма и реальным терапевтическим ответом клеток конкретного пациента. Там, где универсальные вычислительные пайплайны останавливаются на ранжированном списке, Hopeatrarelabs доводит процесс до параллельного лабораторного теста на модели, созданной из клеток именно этого человека.

Hopeatrarelabs

Платформа строит персонализированную модель заболевания на основе iPSC пациента, создаёт CRISPR-скорректированную контрольную линию для точного сравнения и запускает параллельный скрининг тысяч одобренных FDA препаратов вместе с разработкой индивидуальных ASO и оценкой вариантов генотерапии. Итоговый отчёт по топ-кандидатам обсуждается напрямую с лечащим врачом, что закрывает разрыв между вычислительным предсказанием и клиническим решением, о котором говорилось в разделах выше про клиническую разработку кандидатов при редких болезнях.

Подходит эта услуга пациентам и семьям с недиагностированным или ультра-редким генетическим заболеванием, а также фондам, биофармацевтическим компаниям и исследовательским группам, которым нужна персонализированная модель болезни для собственного пайплайна перепрофилирования. Начать можно с обращения через сайт Hopeatrarelabs, где команда разбирает конкретный случай и предлагает научную дорожную карту для дальнейшего скрининга.

This article is general information, not a substitute for advice from a qualified doctor. Consult a qualified healthcare professional about your own circumstances before acting on anything here.

Услуги RareLabs: от вычислительной гипотезы до лабораторного ответа — overview diagram

Источники

Качество предсказания напрямую зависит от качества и полноты данных, которые в него заложены, и для редких болезней это узкое горлышко почти всегда важнее выбора алгоритма.

Основу большинства пайплайнов образуют несколько открытых баз:

Полнотекстовая научная литература добавляет то, что структурированные базы не покрывают: контекст, механизм действия, побочные наблюдения из клинических отчётов. Именно это литературное текстовое поле обрабатывают модели вроде DrugReX, превращая разрозненные упоминания в связи графа.

Мультиомные данные — транскриптомика, протеомика, метаболомика конкретного пациента или клеточной линии — резко повышают переносимость предсказаний на редкие фенотипы, потому что усреднённые популяционные данные часто просто не описывают уникальную мутацию пациента. Структурные данные из PDB и предсказания AlphaFold добавляют молекулярную геометрию, которая помогает объяснить, почему конкретное соединение может связываться с мутантным белком. Электронные медицинские карты (EHR) дают ценный сигнал о реальных клинических исходах и off-label назначениях, но их использование требует строгих разрешений и деидентификации данных пациента.

Контроль качества здесь не формальность. Дублирующиеся записи, устаревшие аннотации связей ген-болезнь и несогласованная номенклатура соединений между базами — три самые частые причины, по которым модель выдаёт правдоподобный, но ложный кандидат. Систематизированный сбор и аннотация данных на входе экономит недели лабораторной работы на выходе.

Рекомендуемые