Математическая модель помогает рассчитывать лечение опухолей

Биспецифические антитела одновременно распознают две молекулы-мишени: одна часть препарата связывается с опухолевой клеткой, другая — с лимфоцитом пациента. Такое соединение запускает иммунный ответ против злокачественных клеток. По словам Пескова, разработанный командой подход позволяет сократить доклинические исследования, рассчитать максимально переносимую дозу на ранней стадии и спроектировать клинические испытания так, чтобы не расходовать ресурсы на заведомо неэффективные схемы. Метод готов к применению; центр ищет партнеров в фарминдустрии.

В центре также анализируют данные для разработки лекарств, создают методы моделирования и искусственного интеллекта и обучают студентов и специалистов. Математические модели, пояснил Песков, не заменяют эксперименты: они помогают извлечь больше информации из имеющихся данных, обосновать дозировку и выбрать следующие шаги. Это особенно важно при разработке оригинальных препаратов: если из десяти перспективных молекул регистрацию получает одна, для компании это уже хороший результат.

Сотрудница центра Виктория Кулеш разработала, как утверждает Песков, первую в мире физиологически обоснованную модель динамики Т-клеточного иммунного ответа на протяжении жизни — от рождения до глубокой старости. Она описывает жизненный цикл Т-клеток и позволяет проводить виртуальные эксперименты, изучая изменения иммунитета при старении. В перспективе модель может помочь в создании лекарств против аутоиммунных и вирусных заболеваний, а также для изучения процессов старения.

Песков привел и пример совместной работы с Манчестерским университетом. Исследователи изучали на мышах сочетание радиотерапии и ингибиторов иммунных контрольных точек. Модель количественной системной фармакологии помогла определить дозы и последовательность применения препаратов; затем метаанализ показал, что правильная комбинация может значительно увеличить выживаемость определенной группы пациентов. Позднее, по словам Пескова, клинические данные подтвердили выводы.

Полноценный цифровой двойник пациента, считает руководитель центра, потребует сочетания технологий. Данные для разработки лекарств немногочисленны и различаются между доклиническими и клиническими этапами, поэтому нейросети трудно использовать для прогнозов за пределами уже известных примеров. Машинное обучение может обрабатывать и структурировать информацию, а математическое моделирование — опираться на знания о биологических системах и обеспечивать прогнозам биологически обоснованную основу.