У нас есть органы-на-чипе, цифровые двойники и ИИ. Почему лекарства до сих пор испытывают на мышах?

Привет! 

Сегодня разработка нового препарата — это годы работы, миллиарды долларов и куча рисков. Можно годами кормить гвардию ученых и инженеров, испытывать множество мышей на токсикологии и в итоге получить красивый провал. Зоозащитники в шоке, инвесторы тоже, лекарства как не было, так и нет.

Цифровые двойники и органы-на-чипе уже сейчас меняют правила игры. Они позволяют тестировать лекарства на человеческих клетках в микрофлюидных чипах, предсказывать токсичность и поведение веществ в виртуальной копии органа и сокращают количество провалов на доклинической стадии. 

В статье расскажем, как устроены цифровые двойники, как выращивают органы-на-чипе и про мозг-на-чипе, который научился играть в Doom. А главное — почему мыши пока никуда не денутся, а вся эта красивая технология еще очень далека от волшебной таблетки. Поехали под кат.

Что такое цифровой двойник, как его используют в медицине и зачем здесь нужен орган-на-чипе

Цифровой двойник/близнец — это м̶а̶т̶р̶и̶ц̶а̶ виртуальные копии физических объектов или систем. Их используют в любой прикладной области: например, создают копии нефтяной скважины и авиадвигателей, систем светофоров целого города или органов. Цифровые двойники обмениваются данными с физическим объектом.

В медицине цифровой двойник — виртуальная физиологическая копия пациента, органа или биологической системы. Она строится на основании многомерных данных (изображения, сенсоры, омики, ЭМК и т. п.) и обновляется по мере появления новой информации. 

Цифровая модель должна не просто выглядеть и вести себя как оригинал, но и воспроизводить динамику процесса: например, реакцию органа на нагрузку, болезнь, вмешательство или препарат. Используются такие цифровые двойники, очевидно, ̶п̶о̶ ̶п̶р̶и̶к̶о̶л̶у̶, чтобы с помощью компьютерного моделирования тестировать дозировки, оценивать токсичность, фармакокинетику/фармакодинамику именно в человеческих органах, а не в мышиных. 

Всё это создаёт ряд определенных вызовов, требующих новых подходов на стыке различных наук и областей знаний. Это и разработка новых алгоритмов, и материаловедение, и химическая физика, и физиология. А самые современные и передовые направления неожиданно (нет) требуют еще и подходов ИИ. Горы данных. ИИ. Еще раз ИИ. Об этом скажем ниже — в разделе о видах цифровых двойников. 

Наиболее универсальное определение цифровому двойнику дал профессор Мичиганского университета Майкл Гривс. Цифровой двойник включает: 

1. физические продукты в реальном пространстве (например, человек или модельный организм), 

2. виртуальные продукты в виртуальном пространстве, 

3. соединение данных и информации, которое связывает виртуальные и реальные продукты вместе. 

Может показаться, что первый пункт как раз предусматривает, что для создания цифрового двойника требуется наличие мышей, людей или, по крайней мере, органа или ткани. Но содержать виварий ну очень дорого, брать выборку того дороже, тратиться бесконечно на реактивы, пластик и прочую утварь тоже надоело, поэтому придумали делать функциональные копии. Например, для этих целей часто используют органы-на-чипе. Они как раз позволяют получать данные, сравнимые с реальными данными от живых биологических систем. 

Что это такое? Орган-на-чипе — компактное устройство, в котором малые объемы жидкостей перемещаются по каналам размерами в десятки или сотни микрон. В этих маленьких канальцах можно прогонять практически любые биохимические реакции, только в микромасштабе. И представьте, на чипе можно симулировать то, что происходит в ткани или даже целом органе.

На этих данных строятся цифровые двойники, добавляя вычислительную мощь для масштабирования и предсказаний. Вместе они образуют экосистему, которая уже интегрируется в фармацевтическую индустрию (например, в компаниях вроде Emulatebio и Hesperos), снижая затраты и уменьшая количество этических вопросов. В итоге они ускоряют разработку лекарств и персонализированную медицину, делая процесс более точным и предсказуемым.

Однако, спойлер, мыши никуда не денутся. А почему — разберемся ближе к концу.

О видах цифровых двойников

В общем, есть несколько видов цифровых двойников, которые наиболее широко используются в индустрии.

1. Химические симуляторы.

Химические симуляторы — это цифровые модели, которые имитируют метаболизм и поведение вещества в организме на уровне органов, тканей и клеток. Они позволяют предсказывать концентрацию лекарства в разных органах, скорость его распада, образование метаболитов и т.д. без проведения реальных экспериментов.

Например, PBPK/QSP-модели (физиологически обоснованная фармакокинетика и количественная системная фармакология). По сути, это сложная математическая модель (большая система дифференциальных уравнений), которая учитывает физиологию организма и известные биохимические реакции.

Как это работает? Допустим, у нас есть вещество, и мы примерно понимаем, как оно будет взаимодействовать с ферментами в печени. Например, мы съели парацетамол и хотим узнать, как именно он переработается в клетке. Для этого составляем систему уравнений, которая связывает все процессы между веществом и ферментами — эти биохимические реакции уже известны, их можно рассчитать. 

2. Симуляция + машинное обучение. 

Это уже интереснее и сложнее и касается машинного обучения. Такие системы еще называются гибридными (как правило, химические + ML). 

Это сложнее, чем простая симуляция, потому что нужно проводить тесты на живых биологических системах. Продолжая пример с парацетамолом: сначала компьютер симулирует, как вещество ведет себя в клетке. Потом мы даем парацетамол реальному организму и смотрим, что получилось. Если симуляция ошиблась — значит, не учли какие-то важные факторы. Машинное обучение находит закономерности в этих ошибках и учится их исправлять. В итоге гибридная модель предсказывает точнее, потому что она учитывает не только известные биохимические реакции, но и скрытые особенности (в том числе индивидуальные).

3. ChatGPT для биологов. 

Самый сложный, самый редкий, самый перспективный вариант — это предсказание на основе ИИ, single-cell GPT (scGPT). Это попытка создать модель, которая будет предсказывать общую реакцию биологической системы (в данном случае отдельных клеток). 

Представьте, что у вас большая языковая модель, которой вы можете задать вопрос, и она даст ответ. Только тут модель заточена под биохимические процессы. Пройдя предварительное обучение, она может предсказывать, как поведет себя биологическая система при внесении того или иного вещества. В идеале, при качественном обучении мы должны получить нейросеть, которая сможет делать предсказания без необходимости проведения лабораторного этапа. По крайней мере, на ранних стадиях.

От органа-на-чипе к цифровому близнецу

Если смотреть на математические симуляции глазами инженера, эти симуляции кажутся просто сухими результатами вычислений, которые не совпадают с результатами опытов в пробирке, потому что слишком упрощены.

Дело в том, что цифровые модели обычно учитывают только небольшое число факторов. Например, скорость транспорта ионов в мембранах, температуру, обмен веществ, активность фермента который взаимодействует с лекарством, скорость выведения молекул лекарства. Читателю может показаться, что перечислено много всего. Однако на самом деле факторов, одновременно влияющих на процесс, может быть в десятки или сотни раз больше. И каждый фактор, к тому же, непредсказуемо влияет на другие. Плюс, современная биохимия описывает только то, что уже изучила, но неизвестного остается еще очень много.

Собственно, ограниченность одновременно учитываемых факторов в цифровых моделях создает отклонения в точности их предсказаний относительно реальной реакции организма или органа. И эти отклонения весьма значительны, если мы говорим о перспективе использования на людях.

Для решения этой проблемы и пытаются создавать вещи, которые будут совмещать достоинства цифровых систем (компьютерного моделирования) и биологических объектов, которые могут быть результатом экстраполяции экспериментов на органах-на-чипе. Да, именно экстраполяции, потому что органы-на-чипе в свою очередь также недостаточно точно предсказывают реакцию биологической системы на исследуемое лекарство. Но это сознательный компромисс, чтобы уменьшить цену при разработке лекарств. Как увеличить точность в этом случае поговорим ниже. 

Как устроен орган-на-чипе? Это может быть чип с каналами и камерами, выстроенными под конкретный орган. Материал чипа чаще всего — ПДМС, стекло или термопластик. ПДМС удобен для создания прототипов, но он адсорбирует (как бы «подъедает») гидрофобные малые молекулы — это важно учитывать в фармацевтических исследованиях. Поэтому в серьезных проектах ПДМС модифицируют (покрывают, обрабатывают плазмой или используют гибридные конструкции) либо заменяют другим материалом.

Помимо ПДМС для изготовления чипов используют стекло. Это удобно, когда у нас стоят жесткие требования, где нужно четко контролировать объем внутренних камер и канальцев. При длительном воздействии влаги пластики, и в особенности ПДМС, начинают ее впитывать и могут на 1–2% увеличить свой объем. Что приведет к уменьшению объема в камерах и канальцах. Это бывает критично, когда мы работаем с микро- и нанообъемами. 

Ну и, естественно, используют термопластики. Тут у нас и горячее тиснение, и лазерная резка, в общем, классические производственные процессы. Изготавливают обычно из полипропилена, как и шприцы и прочую медицинскую утварь. 

Смотрите на эту красоту. Видите там точки? Зачем нужны такие странные формы канальцев? Идет канальчик, и то там, то сям возникает точка. Вот канальчик — это имитатор сосудов, а точка — это камера для сбора жидкости. В них ее могут вводить, откачивать или размещать как раз те самые клеточки.

Странная геометрия позволяет решить проблему пространственного размещения клеток. Да, на самом деле это не для всех очевидно, но клетки, которые выращиваются на чипе, не могут расти как кусок мяса. Они должны повторять функциональную структуру ткани, где они обычно расположены. Для примера давайте вспомним конструкцию мяса. В нём есть мясные волокна, которые состоят из продольных клеток. Они длинные и ориентированы в одном направлении. В реальном мясе сосуды идут параллельно волокнам. Если же мы возьмем клетки мышцы и попробуем вырастить их в питательной среде, то они будут расти хаотично, без структуры. И в этом виде мы уже не сможем проводить эксперименты по их физиологии. Итак, чтобы мясные ломтики росли в виде ломтиков, нам нужно правильно направлять канальцы, микроструктуры в них, создавать направленные потоки жидкости. Все это будет способствовать верной ориентации клеток, чтобы они повторяли правильную гистологическую (тканевую) структуру.

Еще внутри чипа могут быть электродные дорожки для измерения барьерной функции, биосенсоры для pH и O₂. Всё это навешивается на чипы, которые, помимо всего прочего, умеют гонять среды, подавать препарат и снимать данные в полу- или полностью роботизированном режиме.

Одним из самых ярких примеров таких биологических чипов стал проект, в котором учёные вырастили культуру нейронов на чипе (мозг-на-чипе). К нейронам подвели множество электродов, которые могут как считывать электрические сигналы от нейронов, так и посылать им стимулы.

В качестве демонстрации возможностей мозга-на-чипе довольно успешно обучили играть в Doom. Нейроны получали информацию об игровом поле через электроды, обрабатывали её в реальном времени и выдавали команды: куда двигаться и когда стрелять.

Вот так выглядит этот чип. В принципе, это типичный вариант органов-на-чипе.

Там по периферии расположены графитовые электроды, и нейроинтерфейс отправляет в «нейросеть» сигналы о том, что происходит в игре, и получает команды, что делать игроку. Играет на детском уровне, но тем не менее.

Итак, что нам дают эти самые органы на чипах? Ну вот мы имеем по сути просто кусок пластика/стекла с почти мясом, с подключенными датчиками, и что дальше? А дальше датчики снимают показатели с этой культуры ткани. Все, которые можно снять. Иногда ограничиваются температурой, кислотностью, поглощением лекарственного вещества, его распадом. А иногда — добавляют дополнительные факторы оценки вплоть до изменения формы клеток, тогда в эти органы на чипе интегрируют микроскопы. 

Все показатели снимаются и передаются цифровой модели, чтобы та уже могла корректировать результаты расчетов и сверять их с реальными экспериментами, увеличивая свою предсказательную точность. 

На самом деле цифрового близнеца не обязательно содержать в лаборатории, где ведутся эксперименты. Можно заказать. Есть специальные коммерческие фирмы, которые имеют у себя целые плантации с такими автоматическими реакторами, где выращивают на заказ для других компаний культуры клеток и измеряют их физиологические показатели. Компания Eli Lilly совместно с NVIDIA запустили совместный проект, где происходит одновременно два процесса. На специальном аналоге фермы выращиваются прототипы органов. Показатели с органов передаются на серверы NVIDIA для обучения своих нейросетей. При этом компания предоставляет доступ для других биотехнологических компаний к полученным обученным биологическим нейросетям для создания цифровых двойников. 

Ещё раз о том, как создаются цифровые двойники

Пробежимся в два слова (нет).

1. Всё начинается с точной 3D-реконструкции, например, органа по данным МРТ, КТ или ангиографии. Эту модель разбивают на сетку, добавляют физические уравнения, которые будут описывать процессы, происходящие в органе. Например, Навье-стокса для кровотока, диффузию-конвекцию-реакцию для переноса веществ, модели электрофизиологии для сердца или нервной ткани. 

2. Далее приправляют механистическими моделями (например, химическими симуляторами, мы рассматривали это выше). А они, в свою очередь, проектируются на основе тех цифровых моделей, которые мы уже отчасти знаем, с поправкой на реконструкцию органов и тканей, из п.1. Сюда входят фармакокинетические модели (описание ADME-процессов) и модели сигнальных путей (все клетки общаются посредством сигналов и образуется огромнейшая запутанная сетка, кто кому чего сказал).

3. Выращивание целевого органа. Причем выращивают не одну штуку, а сразу кучу. Для статистики. Биология и медицина это почти как магия: они ведут себя чудесным и непредсказуемым образом. Болит у человека голова сегодня, а завтра не болит. У клеток то же самое. Поэтому нужно иметь столько органов-на-чипе, сколько позволяют ресурсы компании. Чем больше, тем точнее получатся результаты, опять же из-за статистики (главное — не переусердствовать, чтобы не словить статистических ошибок).

4. Пока органы-на-чипе растут, с них сразу снимают данные. И либо накапливают, либо сразу отправляют в цифровую модель.

5. Дальше — машинное обучение. Склеивают разнородные данные (изображения, омики, клинические показатели), калибруют параметры. Снижают неопределённости и вуаля: так получается модель, которая предсказывает ответ органа на внесение целевого лекарства. А учитывая, что модель уже обучена и нормально работает, то можно забить на первые 4 пункта и сразу работать с цифровым двойником, ускоряя цикл испытаний на месяцы. Ну и экономить огромную кучу денег, что позволяет параллельно еще что-нибудь хорошее испытать или провести более точное исследование (закупить БОЛЬШЕ чипов). Вот в этот момент шутка «Нам нужно больше ИИ, добавьте ИИ, всем нужен ИИ» перестает быть только шуткой. 

В итоге связка «орган-на-чипе — двойник» работают совместно, и модель становится «живой», то есть включает постоянное обновление данных, понимание ответа на ту или иную терапию. Цифровой близнец предлагает режимы экспозиции, дозы и комбинации, микрофизиологическая система проверяет их в эксперименте, а результаты возвращаются в модель как новые ограничения и параметры.

Эта связка не только сокращает время, но и позволяет избежать многих ошибок до перехода в клинику (или их создать, ох уж этот ИИ, я не закончу с мемами в этом посте). 

Насколько это реально ускоряет разработку лекарств

На самом деле цифровые двойники — не волшебная палочка. Ускорение и экономия идут поэтапно, в основном за счет уменьшения провалов на поздних фазах доклинических испытаний. На фазе клинических испытаний цифровые двойники не применяются, поскольку там уже идут прямые испытания на людях, с их индивидуальными особенностями, которые цифровые двойники пока учитывать не могут. 

Давайте разберем, как вообще идет цикл разработки лекарства, где и сколько примерно теряется денег и времени. Возьмём путь от начала разработки и до клинических испытаний.

Согласно таблице, можно сделать вывод, что от момента начала работы над лекарством и до момента передачи его на испытания проходит до 12 лет и более. Причем основная статья затрат времени ложится на ручную работу в лаборатории. 

Интересно, что использование механистической модели цифровых двойников уже на первом этапе позволяет увеличить охват работы с молекулами на несколько порядков. Например, вручную мы можем в самом начале обрабатывать сотни, максимум тысячи веществ и соединений (как это было в начале 20 века в медицине). А с использованием механистических моделей это количество увеличивается до сотен тысяч. Что, собственно, снижает цену уже на первом этапе. 

На самом деле уже на данном этапе мы можем предположить, что с помощью внедрения цифровых моделей мы можем сократить затраты на этап 3 и 4. Насколько сильно? Это зависит от предсказательной силы наших моделей. Напомним, что предсказательная сила модели — это то, насколько точно она прогнозирует возможный результат решения задачи, с теми условиями, которые мы ей ставим. В нашем случае, если предсказательная сила — 80%, то это уже выше, чем мы можем иметь в реальных испытаниях, когда корреляция между различными вариантами экспериментов может колебаться от 50 до 90% при различных условиях эксперимента с различными концентрациями веществ на различных тканях. Очевидно, что все заменить на синтетику нельзя. Тем не менее можно запросто дополнить четвертый этап той же печенью-на-чипе. Если мы заменим хотя бы половину всех работ по испытаниям на клеточных линиях и животных, то мы сократим объем работ в ~2 раза (только на этой фазе испытаний). Т.е. с суммарных 6 лет до 3 и экономией с 15 млн до 7.5 и более. А это интересный результат.

Но это только уровни 3 и 4. А если мы заранее отсечем заведомо неэффективные и токсичные вещества на уровне 1? Тогда мы сможем здорово сэкономить на синтезе, ограничив количество синтезируемых веществ на порядок. Как следствие, мы значительно сокращаем и так уже сокращенные этапы 3 и 4. Таким образом, внедряя подобные технологии, мы можем сократить общее время на разработку и бюджет почти в 2 раза. 

Кстати. Таблица выше оптимистична. Многие молекулы даже не доходят до второго этапа испытаний. На это тоже очень много денег тратится. 

Сложности, грабли и то, что пока не умеем

У органов-на-чипе проблем хватает на отдельный обзор. Материалы чипов вносят свои артефакты. Например, тот же ПДМС может существенно искажать результаты из-за впитывания части действующего вещества, что приводит к уменьшению его концентрации в растворе. Как следствие, клетки не так сильно отравляются, и мы можем подумать, что вещество не такое токсичное. Первичные клетки показывают донорную вариабельность. Масштабирование из аккуратной академической установки в индустриальную панель на десятки или сотни чипов требует серьезной автоматизации, интеграции с роботами, нормальных стандартов данных.

У цифровых близнецов другой класс проблем. Главная из них — это доверие и валидация. Цифровые модели сложные, многослойные, часто используют ML-компоненты, которые по сути являются чёрным ящиком. То есть на данном этапе близнецы не могут вытеснить эксперименты на реальных мышах, но могут существенно сократить этот этап и ускорить начальные этапы разработки. Для персонализированных двойников органов не хватает датасетов. Там нужны связки изображений, биомаркеров, омик, событийные данные и всё это в динамике, на тысячах пациентов, с нормальным качеством. 

Инфраструктурно тоже всё непросто. Содержание банка биоматериала с культурами тканей это очень, очень дорого. Хотя и дешевле, чем работать с мышами, но тем не менее. Для понимания уровня сложности работы именно с клеточными линиями. Представьте, что у вас есть центральный процессор, который припаян к материнской плате. А срок жизни этой платы — дня 3. И работать все должно в CO2 инкубаторе в условиях без единой пылинки. После 3 дней вам нужно отпаивать процессор, реболить, и припаивать на новую материнку. Представляете, какой ужас? Именно так и работают в лабораториях по содержанию клеточных линий. Только вместо процессора — клетки, а вместо материнской платы — питательная среда. И живут они в углекислотном инкубаторе. И попадет на них пылинка и все. Сдохнут. Как ваш процессор с открытым кристаллом. Без защиты.

Так что да. Дорого. 

Интеграция органа-на-чипе и цифры добавляет свои грабли. Шкалы времени и пространства в чипе и в организме различаются радикально, их нужно аккуратно склеивать. Форматы данных исторически развивались независимо, и зачастую всё сводится к кустарному (вайб)коду между микрофлюидными логами, изображениями, омics-таблицами и JSON-структурами симуляций. 

Но, как обычно, остается только наблюдать за развитием технологии и бигтехами. Возможно, через пару десятков лет цифровые близнецы могут стать стандартом или чаще использоваться при разработке лекарств. И тогда, наверное, мыши вздохнут свободнее? 

НЛО прилетело и оставило здесь промокод для читателей нашего блога:

-15% на заказ любого VDS (кроме тарифа Прогрев) — HABRFIRSTVDS