От кода к лекарству: битва ИИ с супербактерией *N. gonorrhoeae* в стенах института Уисса

Растущая угроза со стороны Neisseria gonorrhoeae с множественной лекарственной устойчивостью заставила ученых отказаться от медленных традиционных методов поиска лекарств в пользу искусственного интеллекта. В гарвардском Институте биологически вдохновленной инженерии Уисса (Wyss Institute) группа под руководством профессора Джима Коллинза — в сотрудничестве с коллегами из Массачусетского технологического института и Института Броуда — совершила серию прорывов, не просто просеивая библиотеки существующих веществ, а изобретая совершенно новые антибиотики с нуля с помощью генеративного глубинного обучения [8, 9, 52].

Как в Институте Уисса используют генеративный ИИ для создания новых антибиотиков

Опубликованная в журнале Cell работа лаборатории Коллинза описывает двухкомпонентную структуру генеративного ИИ для разработки антибиотиков против лекарственно-устойчивых N. gonorrhoeae и Staphylococcus aureus (MRSA) [7, 8]. Команда использовала графовые нейронные сети для систематического анализа in silico более 100 миллионов химических фрагментов, предсказывая структурные остовы с селективной антибактериальной активностью против каждого патогена . Затем, с помощью вариационных автокодировщиков и генетических алгоритмов, эти перспективные фрагменты были расширены до более крупных, полностью сформированных молекул с желаемыми лекарственными свойствами [7, 8].

Всего модели спроектировали более 36 миллионов соединений-кандидатов, которые были отфильтрованы по прогнозируемой антибиотической активности, низкой токсичности и возможностям лабораторного синтеза [8, 16]. В итоге ученые синтезировали 24 наиболее перспективные молекулы и протестировали их в лабораторных условиях. Семь соединений показали антибактериальную активность, а два лидирующих кандидата — NG1 (против гонореи) и DN1 (против MRSA) — продемонстрировали мощное бактерицидное действие против штаммов с множественной устойчивостью как в лаборатории, так и на животных моделях [8, 7, 55]. Эти молекулы структурно отличаются от всех известных антибиотиков и, по-видимому, работают посредством ранее неизвестных механизмов, разрушающих клеточные мембраны бактерий .

Ключевая деталь: в Институте Уисса не остановились на опытах in vitro и испытаниях на животных. Джим Коллинз лично подтвердил, что работал напрямую с основателем Института Дональдом Ингбером, чтобы использовать микрофлюидную технологию «орган-на-чипе» (organ-on-chip) для тестирования эффективности АИ-антибиотиков в средах, имитирующих человеческие ткани . Эти платформы позволяют изучать поведение лекарств в живых человеческих тканях, дополняя эксперименты на животных и предоставляя более тонкое понимание терапевтического потенциала еще до того, как соединение попадет в клинические испытания .

Общая революция ИИ в поиске антимикробных препаратов

Работа Института Уисса и MIT — не единичный случай. Она отражает фундаментальный сдвиг в подходе научного сообщества к антимикробной резистентности. Искусственный интеллект уже не просто ускоряет скрининг существующих библиотек соединений — он используется для дизайна «не существовавших в природе» молекул, анализа протеомов вымерших организмов на предмет антимикробных пептидов и предсказания паттернов устойчивости в реальном времени на основе геномных данных [17, 18, 20, 26].

• Генеративный дизайн: Статья в Cell — часть волны, в которую вовлечены группы, использующие большие языковые модели (LLM) для генерации новых антимикробных пептидов, эффективных против клинических супербактерий [7, 22].
• Молекулярное «воскрешение»: Исследователи обучили модели глубинного обучения искать скрытые антибиотические пептиды в протеомах вымерших организмов, открывая молекулы, которых человечество никогда не видело .
• Предсказание устойчивости: Отдельные исследования показали, что модели машинного обучения, например CatBoost, могут предсказывать устойчивость гонококков к ключевым антибиотикам с перекрестно проверенным показателем AUC-ROC до 0,97, превосходя лучшие из существующих методов на 4–7 процентных пунктов . Это значит, что клиницисты вскоре смогут получать прогнозы устойчивости лабораторного уровня, используя лишь рутинно собираемые данные пациентов.
• Смена парадигмы: Всесторонний обзор Национальных институтов здравоохранения (NIH) определяет ИИ не просто как полезный инструмент, а как «катализатор» открытий в сфере антимикробных препаратов, решающий ключевую проблему: традиционные конвейеры слишком медленны и дороги, чтобы угнаться за эволюционирующими патогенами с множественной лекарственной устойчивостью .

Роль Института Уисса в этом сдвиге трудно переоценить. Именно здесь, в сотрудничестве с MIT, в 2019 году с помощью глубокого обучения был открыт халицин (halicin) — первый за десятилетия обнаруженный новый класс антибиотиков, и первый, найденный с помощью платформы на базе искусственного интеллекта [9, 47]. Новая генеративная работа по гонорее является прямым продолжением этой исследовательской программы: от модели «ИИ как скринер» к модели «ИИ как дизайнер» [7, 50].

Регуляторы догоняют тренд: FDA одобрило новые таблетки от гонореи

Пока кандидаты от генеративного ИИ (такие как NG1) остаются на стадии доклинических исследований, сфера поиска антибиотиков получила мощное подтверждение правильности курса в декабре 2025 года. 11 и 12 декабря Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) одобрило два новых пероральных препарата для лечения неосложненной урогенитальной гонореи — это первые полностью новые варианты лечения за последние десятилетия [33, 40, 35].

• Золифлодацин (торговое название Нузолвенс) — первый в своем классе, принимаемый однократно пероральный ингибитор топоизомеразы типа «спиропиримидинетрион», разработанный компанией Innoviva Specialty Therapeutics в партнерстве с Глобальным партнерством по исследованиям и разработке антибиотиков (GARDP) и Национальным институтом аллергии и инфекционных заболеваний США [31, 33, 39]. В фазе 3 испытаний с участием 930 пациентов препарат показал не меньшую эффективность, чем стандартная схема, требующая инъекций .
• Гепотидацин (торговое название Блюджепа) — первый в своем классе антибактериальный препарат класса триазааценафтиленов, разработанный компанией GSK. Изначально он был одобрен в марте 2025 года для лечения инфекций мочевыводящих путей у женщин, а в декабре 2025 года получил дополнительное одобрение FDA для лечения гонореи у пациентов с ограниченными возможностями выбора или их отсутствием [34, 37, 40].

Оба препарата являются структурно новыми пероральными антибиотиками, что критически важно, поскольку предыдущий стандарт лечения — схема на основе инъекционного цефтриаксона — создавал логистические барьеры и все чаще сталкивался с проблемой растущей резистентности [36, 44]. Однако одобрение сопровождается важными оговорками. И золифлодацин, и гепотидацин показали ограниченный успех в лечении глоточной (фарингеальной) гонореи в более ранних испытаниях фазы 2, а это значит, что их применение должно будет тщательно контролироваться . И ни один из них не был открыт с помощью ИИ. Напротив, они отражают сохраняющуюся важность традиционной разработки малых молекул, даже когда ИИ ускоряет пополнение портфеля доклинических кандидатов [7, 8].

Куда мы движемся

Работа Института Уисса, и представляемое им более широкое движение по созданию антибиотиков с помощью ИИ, находится в критической точке пересечения. С одной стороны, модели генеративного ИИ уже способны создавать структурно новые соединения, убивающие «супербактерии» в лаборатории и на животных моделях [7, 48]. С другой стороны, одобрения FDA в декабре 2025 года золифлодацина и гепотидацина доказывают, что новые химические соединения могут пройти одобрение регуляторов и попасть к пациентам, остро нуждающимся в альтернативах теряющим эффективность антибиотикам первой линии [33, 35]. Следующий шаг — объединение кандидатов, спроектированных искусственным интеллектом, и тестирования на человеческих «органах-на-чипе» — уже реализуется в лаборатории Коллинза .

Если этот интегрированный подход окажется успешным, будущее открытия антибиотиков будет выглядеть кардинально иначе: модели глубокого обучения предлагают совершенно новые молекулы, «органы-на-чипах» подтверждают их безопасность и эффективность в среде человеческих тканей, а наиболее перспективные кандидаты быстро направляются на клинические испытания. Для такого патогена, как N. gonorrhoeae, которого ВОЗ и Центры по контролю заболеваний США (CDC) поместили в списки наивысшего приоритета из-за его угрожающей траектории развития устойчивости, ставки не могут быть выше [41, 5]. Антибиотики, разработанные в Институте Уисса с помощью ИИ, возможно, все еще находятся на доклинической стадии, но они служат доказательством концепции: мы можем научить машины изобретать лекарства, в которых отчаянно нуждаемся.