ИИ и биология старения: где нейросети реально двигают науку

В 2020 году DeepMind показала AlphaFold 2 на конкурсе CASP14 с медианной точностью предсказания структуры белка около 90 GDT — уровнем, сопоставимым с экспериментальными методами. К 2024 году база AlphaFold Protein Structure Database содержала более 200 миллионов предсказанных структур, покрывающих почти все известные науке белки. Для исследователей старения это значит одно: то, на что раньше уходили месяцы кристаллографии, теперь можно прикинуть за минуты. И именно вокруг этого выросла новая волна работ о механизмах старения.

Почему старение вообще стало задачей для ИИ

Старение — это не одна поломка, а набор процессов: накопление повреждённых клеток, сбои в починке ДНК, изменения в белках и метаболизме. В обзоре 2013 года и его обновлении 2023 года выделяют около десятка так называемых признаков старения (hallmarks of aging). Каждый из них — это тысячи взаимодействующих молекул. Перебрать такие комбинации вручную невозможно, а вот обучить модель искать закономерности в больших наборах данных — вполне реально.

Ключевых направлений, где машинное обучение уже приносит пользу, несколько:

• Предсказание структуры белков — AlphaFold и его аналоги (ESMFold от Meta, RoseTTAFold от Института Бейкера) дают трёхмерную модель по аминокислотной последовательности.
• Поиск молекул-кандидатов — алгоритмы отбирают из миллионов соединений те, что могут связаться с нужной мишенью, включая сенолитики — вещества, убивающие состарившиеся клетки.
• Биологические часы — модели оценивают биологический возраст по метилированию ДНК или анализам крови.
• Анализ изображений клеток — нейросети размечают признаки клеточного старения на снимках быстрее человека.

Что такое сенолитики и почему о них столько разговоров

Сенесцентные клетки перестают делиться, но не умирают и выделяют воспалительные вещества, разрушающие ткани вокруг. Сенолитики — препараты, которые выборочно уничтожают именно эти клетки. На животных они показали продление жизни и улучшение состояния тканей. На людях большинство исследований пока на ранних фазах, и ни один сенолитик не одобрен как средство «против старения». Это важно держать в голове, читая заголовки.

Модель предсказывает кандидата за часы. Проверка на клетках, животных и людях занимает годы. ИИ сжал первый этап — но не отменил остальные.

Конкретные результаты, а не обещания

В 2023 году группа исследователей из Массачусетского технологического института и партнёров опубликовала работу, где с помощью машинного обучения перебрали более 800 тысяч соединений и нашли три новых класса потенциальных сенолитиков. Часть кандидатов затем проверили в лаборатории. Это показательный пример: модель не «изобрела лекарство», а сузила поле поиска с сотен тысяч до десятков, которые уже можно тестировать в пробирке.

Отдельная история — биологические часы. Первый широко известный эпигенетический предиктор возраста Стива Хорвата вышел в 2013 году и оценивал возраст по паттернам метилирования ДНК с точностью в несколько лет. С тех пор появились десятки часов: по крови, по транскриптому, по изображениям. Компании вроде Insilico Medicine строят на подобных данных пайплайны поиска мишеней.

Где проходит граница между наукой и маркетингом

Часть стартапов продаёт тесты «биологического возраста» напрямую потребителю. Проблема в том, что разные часы дают разные цифры для одного человека, а связь между «омоложением по часам» и реальным продлением здоровой жизни у людей строго не доказана. Тест может быть интересным, но лечебным решением на его основе он не становится.

Сравнение инструментов предсказания структуры

Точные условия лицензий и доступности версий стоит сверять на официальных страницах проектов — они меняются, особенно у AlphaFold 3.

Что это меняет для исследователя на практике

Если вы работаете в лаборатории или планируете проект на стыке биологии и данных, ориентировочный порядок действий выглядит так:

1. Определите мишень — конкретный белок или процесс, связанный с признаком старения.
2. Получите или предскажите структуру белка через AlphaFold или ESMFold.
3. Прогоните виртуальный скрининг библиотек соединений против этой мишени.
4. Отберите кандидатов и проверьте их в клеточных экспериментах — без этого шага любые предсказания остаются гипотезой.
5. Только после доклинических и клинических испытаний речь может идти о применении на людях.

ИИ ускоряет первые три пункта в разы. Последние два по-прежнему упираются в биологию, деньги и время — клинические испытания идут годами и стоят десятки миллионов долларов.

Осторожность вместо хайпа

Главный риск области — подмена доказательства правдоподобием. Модель выдаёт красивый результат, его пересказывают в пресс-релизе, а затем в новости, и по пути теряется оговорка «на клетках мыши» или «in silico». Читая любое сообщение о «прорыве в борьбе со старением», проверяйте: на ком проверяли, какая фаза испытаний, есть ли рецензируемая публикация. Отсутствие ответов на эти вопросы — не приговор, но и не повод верить заголовку.