Миллиарды за одну молекулу
Isomorphic Labs, тихий спин-офф DeepMind, в 2026 году подписал контракты с Novartis и Eli Lilly на сумму более $2.1 млрд. Взамен фармгиганты получили не готовое лекарство, а обещание: AI найдёт те самые белковые мишени, которые раньше считались "неприкасаемыми". Вопрос в том, как это работает на практике, а не в рекламных буклетах.
Drug Design Engine: чёрный ящик наоборот
Сердце платформы — не просто AlphaFold. Да, AlphaFold предсказывает структуру белка с атомарной точностью, но этого мало. Нужен Drug Design Engine (DDE) — генеративная модель, которая предложит молекулу, "вписывающуюся" в найденный карман.
Главная фишка DDE — диффузия в пространстве 3D-структур. Модель начинается с шума (буквально случайных атомов) и постепенно "очищает" их до осмысленной молекулы, которая минимизирует энергию связывания. Но Isomorphic пошли дальше: они добавили conditional generation — модель одновременно учитывает не только карман, но и ADMET-профиль будущего препарата (токсичность, метаболизм, проницаемость). Это как заказать молекулу, которая будет работать и не убьёт пациента.
В эксклюзивном интервью (по понятным причинам без подписи) один из ведущих исследователей Isomorphic Labs рассказал: "Мы не просто предсказываем связывание. Мы заставляем диффузионную сеть думать о том, как белок может менять форму при докинге. Это учёт динамики — то, чего нет у классических docking'ов".
Важный нюанс: DDE требует гигантских вычислительных ресурсов. По данным инсайдеров, один прогон пайплайна на мишень стоимостью в $1000 GPU-часов. Это не инструмент для стартапа с ноутбуком, а элитный клуб.
Как нашли мишень для Eli Lilly: случай из очереди
В 2025 году Eli Lilly запросила поиск ингибитора для белка ANGPTL4 — одной из самых "неудобных" мишеней для лечения диабета. ANGPTL4 — не фермент, а белок-транспортёр липидов, без классического активного центра. Единственная надежда — найти аллостерический сайт, который изменит конформацию белка так, что он перестанет связываться с рецептором.
Isomorphic Labs применила DDE: AlphaFold (последняя версия, 4.1) построил сотни конформаций ANGPTL4. Затем DDE сгенерировала 10 млн молекул-кандидатов, из которых после фильтров отбора осталось 47. Три из них показали активность в клеточном тесте. Теперь одна молекула на стадии IND-заявки. Это не прорыв, а точный, быстрый старт. Не удивляйтесь, если увидите похожую историю в статье Chai Discovery — они используют сходный подход, но с другим математическим аппаратом.
Но не всё так оптимистично. Isomorphic сталкивается с проблемой "фантомных мишеней" — когда модель предсказывает карман, который in vitro оказывается стенкой белка или скрыт липидной мембраной. Именно здесь в игру вступает верификация на других AI-моделях, например, Google Co-Scientist или Gemini 3 Deep Think, которые перепроверяют гипотезы, используя другую логику — эволюционные сигнатуры и литературный mining.
Конкуренты и парадокс открытости DeepMind
Любопытный момент: Isomorphic Labs технологически живёт внутри DeepMind, но формально отделена. AlphaFold обновляется публично (недавний бенчмарк CASP17 показал, что открытая версия сравнима с индустриальными моделями). Однако DDE — полностью закрытый чёрный ящик. Это создаёт конфликт: академическая биология хочет верифицировать результаты, но не может посмотреть код. Как британские учёные пытаются пробиться к frontier AI через бэкдор DeepMind — отличный разбор этой дилеммы.
При этом OpenAI уже запустила собственный проект по scientific discovery, вложив $2 млрд в OpenAI for Science. Там другая философия — публичные модели с открытыми весами, но без гарантии, что они настолько же хороши, как DDE. Гонка идёт не на жизнь, а на молекулы.
Neural fields и физика на стероидах
Вернёмся к инженерной стороне. В 2026 году Isomorphic Labs применила подход neural radiance fields для 3D-репрезентации белкового кармана. Вместо воксельной сетки они используют непрерывную функцию, которая может выдавать плотность электрона (по сути, имитировать кристаллографию). Это позволило модели "видеть" атомы, которые флуктуируют при комнатной температуре, — то, что обычно теряется в усреднённой структуре PDB.
Сравнение с Google AMIE (медицинским AI, который переиграл врачей) не совсем корректно, но показывает общую тенденцию: AI в биологии становится интегратором — он не заменяет инструменты, а связывает их в единый reasoning-пайплайн. AMIE использует мультимодальность (текст + изображения), Isomorphic — геометрию + diffAEs.
В техническом разборе стоит упомянуть и вычислительный масштаб: Isomorphic Labs — один из крупнейших клиентов Google Cloud TPU (v6 pods), а Thinking Machines Lab Миры Мурати только что подписала сделку с Nvidia на гигаватты — индустрия потребляет всё больше электричества на моллюсков в пробирках.
Куда дальше? Проблема данных бумерангом
Скрытые мишени — это в первую очередь отсутствие экспериментальных данных. AlphaFold строит структуры на основе эволюции, DDE — на основе физики. Но эксперименты всё равно нужны: для обучения model-in-the-loop. Isomorphic Labs пытается обойти это, используя синтетические данные, сгенерированные через симуляцию молекулярной динамики (MD). Один прогон MD на 100 нс стоит $500 на облаке. Это не дешёво, но дешевле, чем купить 1 млн соединений для физического HTS.
Важный инсайд: Isomorphic Labs планирует выпустить в 2027 году открытый бенчмарк для hidden target binding prediction. Если это произойдёт, мы увидим настоящий взрыв исследований — как когда-то после публикации CASP. Пока же советую следить за инвестициями OpenAI в BCI-стартапы: возможно, следующий прорыв — не в химии, а в прямом считывании данных с живого мозга (если, конечно, нас не запугают цифровые друзья-компаньоны).
Завершу не советом, а вопросом: что произойдёт, если Isomorphic Labs (или её конкуренты) предскажут мишень, действующую на принципиально новую биологию? Ужас в том, что мы можем не суметь проверить гипотезу — нет клеточной модели, нет животной модели. AI может создать лекарство от болезни, которую ещё не умеют воспроизводить в лаборатории. И это одновременно круто и страшно.
