Исследователи KAIST разработали генеративную AI-систему, способную предсказывать и конструировать клеточные ответы на лекарства и генетические изменения в латентном пространстве — подобно тому, как image-генераторы собирают изображения из векторов. Технология открывает путь к рациональному дизайну комбинированных терапий и персонализированной медицине, сокращая время и стоимость drug discovery на порядок.
Техническая суть прорыва
Команда профессора Кван-Хёна Чо разработала математический фреймворк, который разделяет представления клеточных состояний и эффектов препаратов в латентном пространстве — многомерной карте, где внутренние характеристики клеток и лекарств кодируются отдельно, но могут свободно рекомбинироваться. Используя концепцию direction vectors (заимствованную из image-synthesis AI), система количественно определяет траектории клеточных состояний и оптимальные пути их изменения через генетические или химические воздействия.
Валидация на колоректальном раке показала: AI идентифицировала молекулярные мишени, способные вернуть раковые клетки к фенотипам, характерным для здоровых тканей. Лабораторные эксперименты подтвердили предсказания in silico с высокой точностью — установив шаблон для применения модели в других патологических контекстах.
Бизнес-контекст и рыночные сигналы
Для drug discovery платформа предоставляет инструмент быстрого скрининга кандидатов, способных индуцировать нужные клеточные сдвиги — драматически сокращая время и затраты традиционных пайплайнов. В онкологии технология позволяет рационально проектировать комбинированные терапии, направляющие опухолевые клетки к нормализации, а не только к цитотоксической элиминации.
В регенеративной медицине способность систематически индуцировать клеточные состояния, аналогичные здоровым или прогениторным, открывает перспективы для восстановления тканей и функциональной регенерации. Финансирование исследования получено от National Research Foundation of Korea и программ Mid-Career Researcher и Basic Research Laboratory Министерства науки и ИКТ.
Стратегические выводы
Для VC-инвесторов: Конвергенция generative AI и systems biology формирует новый класс платформ для precision medicine. Компании, интегрирующие латентное моделирование клеточных состояний с высокопроизводительным скринингом, получат конкурентное преимущество в сегментах персонализированной онкологии ($100+ млрд к 2030) и регенеративной терапии.
Для разработчиков: Архитектура direction vectors в латентном пространстве применима не только к drug-cell interactions, но и к другим биологическим системам — микробиомам, органоидам, tissue engineering. Открытая публикация в Cell Systems (DOI: 10.1016/j.cels.2025.101405) предоставляет базу для создания производных инструментов.
Для стартапов: Ключевой вопрос коммерциализации — интеграция с существующими HTS-платформами и клиническими данными. Партнёрства с CRO и фармкомпаниями, владеющими биобанками patient-derived cells, обеспечат доступ к валидационным датасетам и каналам go-to-market.
Применение концепций image-generation AI, особенно direction vector, эффективно кодифицирует клеточные трансформации так, что позволяет не только предсказывать, но и целенаправленно оркестрировать биологические исходы через таргетированные вмешательства.— Профессор Кван-Хён Чо, KAIST
Прогноз
К 2027–28 гг. ожидается появление первых технобиологических стартапов, использующих генеративное моделирование клеточных состояний для компьютерного перепрофилирования лекарств и рационального проектирования полипрагмазии.
Индикаторы мониторинга: (1) лицензионные сделки между ИИ-платформами и фармацевтическими гигантами по конкретным нозологическим областям; (2) руководящие документы FDA по использованию компьютерных предсказаний в заявках на разрешение клинических исследований; (3) раунды венчурного финансирования серии A и выше ($20+ млн) в сегменте клеточной инженерии на основе искусственного интеллекта.