Что произойдет с клеткой, если отключить определенный ген или добавить лекарственное вещество? Сейчас надежный ответ обычно требует эксперимента. Создатели Virtual Biology Initiative хотят подготовить данные, на которых искусственный интеллект сможет учиться предсказывать такие изменения еще до лабораторной проверки.
7 октября Biohub объявила о расширении инициативы с участием Министерства энергетики США, Национальных институтов здоровья и технологических партнеров. Общий заявленный вклад оценивается в 1,8 млрд долларов. В эту сумму входят финансирование, данные, вычислительные ресурсы и измерительные технологии.
Поэтому новость не означает, что за один день выделили 1,8 млрд новых денежных средств и уже создали полную цифровую копию человеческой клетки. Участники формируют основу для будущих моделей, а значительная часть работы еще впереди.
📅 Что объявили сейчас и что существовало раньше
Biohub представила Virtual Biology Initiative 29 апреля 2026 года. Тогда организация заявила о пятилетнем вкладе в 500 млн долларов: 400 млн на развитие измерительных технологий и получение данных, еще 100 млн на исследования за пределами Biohub.
Октябрьское событие - расширение сотрудничества. Министерство энергетики США, DOE, объявило о вложениях более 500 млн долларов за пять лет в измерения, моделирование и вычисления. Google DeepMind, Isomorphic Labs и Meta совместно направляют 300 млн долларов. Это общая сумма для трех партнеров, а не отдельный взнос каждого.
У NIH иной тип участия: институты координируют предоставление наборов данных и научных ресурсов, созданных благодаря более чем 500 млн долларов предыдущих федеральных вложений. Эту часть нельзя описывать как новый денежный перевод того же размера.
Состав суммы важен для понимания проекта. Деньги на будущие эксперименты, доступ к уже существующим данным и работа на суперкомпьютере дают разные возможности и поступают в распоряжение исследователей разными способами.
💻 Что ученые называют виртуальной клеткой
Речь идет о вычислительной модели, которая должна описывать состояние клетки и предсказывать ее реакцию на воздействие. Например, какие процессы изменятся после подавления определенного гена или как клетка ответит на сочетание веществ.
Такая модель может выдавать прогноз молекулярных показателей, вероятности перехода между состояниями или иной заранее определенный результат. Для этого ей нужны данные, связывающие исходное состояние, вмешательство и измеренный ответ.
Это отличается от красивой трехмерной картинки. Визуализация помогает увидеть форму и расположение структур, но сама по себе не предсказывает действие препарата. Полезность виртуальной клетки определяется тем, насколько точно ее прогноз совпадает с последующим экспериментом.
Важно также различать модели отдельных клеток, тканей и целого организма. Даже подробное описание одного типа клеток не включает автоматически кровообращение, иммунный ответ, обмен веществ между органами и выведение лекарства.
🧪 Почему для ИИ недостаточно прочитать все научные статьи
Научная публикация обычно описывает выбранную задачу и основные результаты. Для обучения предсказательной модели необходимы сопоставимые измерения: что именно сделали, с какими клетками, при какой концентрации, через какое время и каким методом оценили результат.
Представим две лаборатории. В одной клетки измерили через час после воздействия, в другой - через сутки. Если убрать информацию о времени, различия можно ошибочно приписать самому препарату. Похожая проблема возникает с условиями выращивания, обработкой образцов и настройками приборов.
Поэтому объединение массивов данных требует общей системы обозначений и подробного описания происхождения каждого измерения. Большое количество строк не компенсирует отсутствие контекста.
Существующие ресурсы вроде Expression Atlas уже показывают, как данные об активности генов можно собирать и предоставлять исследователям вместе с описанием экспериментов. Но задача предсказания ответа на новое вмешательство сложнее поиска того, в какой ткани активен известный ген.
🔬 Какие измерения нужны проекту
Участники инициативы планируют соединять разные виды биологических данных. Изображения показывают структуры и взаимное расположение элементов. Измерения РНК помогают оценить активность генов. Данные о белках и взаимодействиях дополняют картину. Эксперименты с вмешательствами дают сведения о реакции системы.
DOE указывает среди своих ресурсов суперкомпьютеры, рентгеновские и нейтронные методы, криоэлектронную микроскопию и томографию, а также автоматизированные лаборатории. Biohub развивает технологии наблюдения за клетками и инструменты для управляемых изменений биологических систем.
В этом подходе разные измерения должны дополнять друг друга. Одно и то же изменение активности гена может сопровождаться разными последствиями в зависимости от состояния клетки. Изображение без молекулярных данных иногда оставляет механизм неясным, а молекулярный профиль без пространственного контекста не показывает отношения с соседними клетками.
Слово «мультимодальный» здесь означает именно соединение таких типов информации. Сложность заключается в том, чтобы связать их корректно и не принять различия методов за новое биологическое явление.
💊 Как это могло бы помочь при поиске лекарства
Рассмотрим условную исследовательскую задачу. Ученые предполагают, что определенный белок поддерживает нежелательное состояние клетки. Есть несколько способов повлиять на него, но неизвестно, какой даст полезный эффект и не нарушит другие функции.
Модель могла бы оценить вероятный ответ на разные вмешательства и предложить небольшой набор вариантов для проверки. Лаборатория испытывает их, измеряет результат и сопоставляет его с прогнозом. Новые данные затем помогают улучшить модель.
Возможная экономия появляется за счет более удачного выбора экспериментов. Если удается раньше отсеять бесперспективные направления или заметить неожиданный эффект, исследовательские ресурсы можно направить точнее.
Но прогноз должен быть проверяемым. Формулировка «состояние клетки улучшится» слишком расплывчата. Нужны конкретные показатели: что изменится, в какой степени, при каких условиях и с какой неопределенностью.
Для разработки лекарств особенно важны ошибки. Модель, которая часто обещает эффект там, где его нет, будет отправлять исследователей по ложным направлениям. Модель, пропускающая реальные эффекты, может исключить полезный кандидат еще до опыта.
✅ Как отличить работающую модель от впечатляющей демонстрации
Главная проверка - способность предсказывать результаты, которых модель не видела при обучении. Если тестовые примеры слишком похожи на исходные, высокий показатель может отражать узнавание знакомой ситуации.
Например, прогноз ответа на новую дозу уже известного вещества и прогноз действия принципиально нового вещества - задачи разной сложности. Перенос между типами клеток добавляет еще один уровень неопределенности.
Надежная оценка также требует сравнения с простыми базовыми методами. Сложная система должна приносить измеримое улучшение, а не только выдавать более подробный результат. Иначе вычислительные затраты могут не оправдываться.
В научных работах о виртуальных клетках подчеркивается необходимость соединять вычислительные оценки с экспериментальной проверкой, учитывать различия лабораторных партий и заранее определять область применимости. Особенно осторожной оценки требует перенос на редкие типы клеток или другой вид организма.
Хорошая модель должна уметь показывать границы уверенности. Если для определенного состояния почти нет данных, полезнее обозначить недостаточную надежность прогноза, чем представить его с той же уверенностью, что и хорошо изученный случай.
🏥 Заменят ли виртуальные клетки клинические испытания
В опубликованном объявлении такого результата нет. Даже точный прогноз на уровне клеточной системы не устанавливает действие лекарства на человека в целом.
Препарат должен попасть в нужную ткань, сохранять достаточную концентрацию, взаимодействовать с другими веществами и выводиться из организма. Полезный эффект в одном типе клеток может сопровождаться нежелательным воздействием в другом.
Кроме того, люди различаются по возрасту, генетике, сопутствующим заболеваниям и проводимому лечению. Для клинического решения важно, что происходит с пациентом, а не только с молекулярным показателем.
Виртуальная модель может помогать готовить исследование и выбирать гипотезы. Возможность заменить ею отдельный эксперимент требует самостоятельного доказательства пригодности для конкретной задачи. Универсального разрешения обходиться без дальнейшей проверки сама инициатива не создает.
🌐 Кто сможет пользоваться результатами
Организаторы описывают будущий ресурс как открытый для исследовательского сообщества. Они также ставят задачу согласовать стандарты и сделать массивы совместимыми. При этом доступность конкретного набора данных и условия его использования определяются правилами соответствующего ресурса.
Открытые данные полезны тем, что позволяют независимым группам проверять модели на общей основе. Это помогает сравнивать методы и воспроизводить результаты. Однако скачанный массив все равно требует вычислительных мощностей, предметной экспертизы и понимания ограничений измерения.
Поэтому проект не сводится к одному приложению, которое пользователь сможет открыть и попросить «найти лекарство». Значительная часть результата будет представлять собой исследовательскую инфраструктуру: данные, стандарты, методы измерения и проверенные способы оценки моделей.
❓ Что известно на сегодня
Виртуальная клетка уже создана за 1,8 млрд долларов? Объявлено расширение программы ресурсов и финансирования. Готовая универсальная модель с доказанной точностью для любых клеток и вмешательств не представлена.
Все 1,8 млрд - новые деньги? Нет. В общей оценке есть ранее созданные научные данные и другие ресурсы. Вклад NIH прямо связан с предыдущими федеральными инвестициями.
Проект запустили только в октябре? Первое объявление состоялось 29 апреля 2026 года. 7 октября представлены новые партнеры и расширение масштаба инициативы.
Когда появятся лекарства благодаря этой работе? Подтвержденного срока для конкретного препарата нет. Его разработка будет зависеть от качества моделей, лабораторных результатов и последующих испытаний.
Главный результат проекта предстоит искать в воспроизводимых прогнозах. Если модель сможет точно предсказывать неизвестный ей ответ клетки, это даст исследователям новый инструмент выбора экспериментов. Именно такая проверка покажет, насколько большие массивы данных приблизили биологию к надежному вычислительному прогнозированию.
🔗 Источники
- Biohub: расширение Virtual Biology Initiative и состав вклада в 1,8 млрд долларов, 7 октября 2026 года.
- Biohub: первоначальное объявление инициативы, 29 апреля 2026 года.
- Министерство энергетики США: партнерство DOE, NIH и Biohub.
- npj Digital Medicine: методы, проверка и ограничения моделей виртуальных клеток.
- Nucleic Acids Research: Expression Atlas и данные об активности генов.
