Медицина традиционно фиксирует состояние организма в конкретный момент. Компьютерная томография показывает снимок, анализ крови — набор показателей, генетическое секвенирование — последовательность ДНК.

Но болезнь развивается не как фотография, а как фильм: опухоль проходит несколько стадий, нейродегенеративные процессы могут начинаться задолго до первых симптомов, а реакция организма на лечение меняется со временем.

Именно поэтому следующим этапом развития AI в биологии могут стать мировые модели — системы, способные не только анализировать текущее состояние организма, но и моделировать его возможное будущее.

Если AlphaFold научился предсказывать структуру белков, то следующий шаг — моделирование более сложных систем: сигнальных путей, клеток, органов и целого организма. В идеале такая модель должна отвечать не только на вопрос «что происходит?», но и на вопросы «что будет дальше?» и «что изменится, если применить другое лечение?».

Большинство медицинских данных по-прежнему статичны. Врач получает набор результатов и пытается по ним восстановить ход болезни. Но один и тот же показатель может означать разные вещи в зависимости от стадии заболевания, генетики пациента и предыдущего лечения.

Мировая модель должна объединять данные на разных уровнях:

генетическую информацию;

структуру и поведение белков;

состояние клеток;

работу тканей и органов;

физиологические показатели;

историю лечения и реакцию на него.

Такой подход позволяет перейти от описания состояния к симуляции. Например, модель может сравнить несколько вариантов терапии и оценить, как каждый из них потенциально повлияет на конкретного пациента.

Современная медицина в значительной степени опирается на усреднённые результаты клинических исследований. Однако среднеэффективная схема не обязательно является лучшей для отдельного человека. У пациентов различаются генетический фон, течение болезни, сопутствующие состояния и чувствительность к препаратам.

Мировая модель может использовать контрфактическое моделирование: виртуально проверять разные варианты дозировки, интервалы между приёмами препаратов и комбинации методов лечения. Это приближает медицину к подходу N-of-1, при котором терапия подбирается не для абстрактной группы, а для конкретного пациента.

Одним из примеров, упомянутых в исходном материале, является OCTO — онкологическая модель компании NOETIK. Она использует данные образцов опухолей и пытается учитывать взаимодействие молекулярных факторов, опухолевых клеток и иммунной системы. Такая система может применяться для оценки лечения и моделирования разработки лекарств.

Перспективным направлением считаются и отделения интенсивной терапии. Пациент в реанимации постоянно генерирует данные: частота сердцебиения, давление, дыхание, содержание кислорода и другие показатели. Мировая модель может анализировать связи между ними и искать ранние сигналы ухудшения состояния, которые трудно заметить при раздельном анализе каждого показателя.

Отдельное направление — моделирование органов и органоидов. Органоиды выращивают из стволовых клеток, чтобы изучать развитие заболеваний и действие препаратов. Они ближе к человеческой биологии, чем многие животные модели, но их создание занимает недели или месяцы и требует значительных затрат.

Кроме того, часть экспериментов разрушает образец: например, его разрезают, окрашивают и изучают под микроскопом. После этого за развитием того же органоида уже невозможно наблюдать.

Цифровая модель может дополнить такие эксперименты. Она способна отслеживать предполагаемое развитие образца, симулировать изменение условий выращивания и оценивать последствия различных воздействий без необходимости каждый раз создавать новый органоид.

Ещё более глубокий уровень — виртуальная клетка. Практически любое заболевание и действие лекарства в конечном счёте связаны с изменением клеточного состояния. Однако у исследователей пока нет целостного динамического представления о том, как внутри клетки одновременно взаимодействуют гены, белки и другие молекулы.

Исследовательский институт Biohub, созданный при участии Марка Цукерберга и Присциллы Чан, развивает модели белковой биологии. В публикации также говорится о базе ESM Atlas, содержащей предсказанные структуры белков и белковые последовательности.

Китайская компания Biyoo, согласно материалу, применяет архитектуру JEPA для моделирования виртуальных клеток. Система анализирует не только уровень экспрессии генов, но и их регуляторную значимость. Это важно, поскольку ген с низкой активностью может играть ключевую роль в работе клетки.

Другой проект, AlloDesign компании Yinglingdian, объединяет в одной модели белки, ДНК, РНК и малые молекулы. Такая система должна помогать анализировать взаимодействие биологических компонентов и создавать новые молекулы с заданными свойствами.

Традиционная наука часто развивается по линейной схеме: исследователь формулирует гипотезу, проводит эксперимент, анализирует результат и повторяет цикл. В биологии один такой цикл может занимать месяцы и требовать значительных ресурсов.

Мировые модели способны перенести часть этого процесса в цифровую среду. До начала реального эксперимента система может проверить множество гипотез, оценить возможные результаты и отобрать наиболее перспективные варианты.

В будущем научный AI-агент сможет сначала построить несколько траекторий в виртуальном пространстве, сравнить риски и потенциальную пользу, а затем предложить, какой эксперимент имеет смысл провести в реальности.

Это не означает полного отказа от лабораторий. Физический эксперимент останется необходимым для проверки результата. Но его роль может измениться: вместо перебора большого числа случайных вариантов лаборатория будет подтверждать наиболее перспективные предсказания модели.

Для создания биологических мировых моделей особенно важны три вида данных.

Первый — продольные мультимодальные данные, которые показывают, как состояние организма изменяется во времени. Это могут быть непрерывные физиологические измерения и последовательные молекулярные анализы.

Второй — информация о вмешательствах: приём лекарств, изменение дозировки, хирургические процедуры, редактирование генов и другие воздействия.

Третий — данные обратной связи, которые позволяют постоянно сравнивать прогнозы с реальными результатами и корректировать модель.

Сейчас выделяют несколько подходов к построению таких систем.

Модели наблюдаемого пространства пытаются напрямую генерировать видимые результаты: изменение изображения опухоли, колебания физиологических показателей или развитие определённого биологического процесса.

Их преимущество — наглядность. Результаты можно сопоставлять с реальными медицинскими данными. Недостаток — недостаточная связь с фундаментальными биологическими механизмами. Картинка может выглядеть правдоподобно, но не отражать реальную причинно-следственную связь.

Модели латентного пространства работают с более компактным представлением состояния системы. Они не стремятся воспроизвести каждую деталь, а пытаются уловить основные закономерности развития болезни или реакции на лечение. Это снижает вычислительную нагрузку и может быть полезно для долгосрочных прогнозов.

Вероятно, эти подходы не будут исключать друг друга. Наиболее сильные системы смогут предсказывать динамику в латентном пространстве, а затем связывать её с наблюдаемыми биологическими показателями.

Третий вариант — научные AI-агенты, в которых мировая модель становится внутренним механизмом планирования. Перед действием агент может просчитать несколько сценариев, оценить неопределённость и выбрать наиболее перспективный путь исследования.

Несмотря на огромный потенциал, биологические мировые модели пока находятся на ранней стадии развития.

Живые системы чрезвычайно сложны. На них одновременно влияют процессы разных масштабов — от молекулярных взаимодействий до работы органов и факторов окружающей среды. Поэтому точное долгосрочное предсказание остаётся крайне трудной задачей.

Особенно высоки требования к безопасности. Ошибка в обычной рекомендательной системе может привести к неверному совету, но ошибка модели, участвующей в медицинском решении, способна повлиять на здоровье и жизнь человека.

Такие системы должны проходить строгую проверку, регулярно калиброваться на новых данных и иметь понятные ограничения. Важны также контроль доступа, обнаружение аномалий, оценка риска и обязательное участие специалистов в критических решениях.

Не менее важна объяснимость. Врач или исследователь должен понимать, на каких данных основан прогноз, какие факторы оказались ключевыми и насколько система уверена в результате. Мировая модель не может оставаться «чёрным ящиком», которому безоговорочно доверяют.

Наконец, необходимо помнить: прогноз модели не является пророчеством. Это вероятностная оценка, основанная на имеющихся данных и закономерностях. Реальный результат может зависеть от генетики, образа жизни, среды и множества факторов, которые модель не учла.

Микроскоп позволил человечеству увидеть клетки, а секвенирование — прочитать генетический код. Мировые модели пытаются сделать следующий шаг: не просто наблюдать жизнь, а просчитывать её возможные изменения.

Если технология достигнет необходимой точности, она сможет изменить разработку лекарств, диагностику, планирование лечения и организацию научных экспериментов. Болезнь можно будет изучать не только по её текущему состоянию, но и через множество возможных сценариев развития.

Однако путь к этому ещё далёк. В ближайшие годы биологические мировые модели, скорее всего, будут оставаться инструментами для исследователей и врачей, а не самостоятельными системами диагностики. Их задача — помогать специалистам лучше понимать динамику жизни, проверять гипотезы и выбирать наиболее перспективные направления.

Главная идея нового подхода состоит в переходе от вопроса «что представляет собой жизнь?» к вопросу «куда она может двигаться дальше?». Именно этот переход способен привести биологию к эпохе вычислимой эволюции.