Перейти до вмісту
База знань: довголіття

AI-пошук геропротекторів

B2Технології та генна терапіяоновлено 22 липня 2026 р.

Категорія B (технології). Створено: 22 липня 2026. Як машинне навчання шукає ліки, що впливають на старіння. Продовження AI-блоку (після B1 — моделювання геному). Місток до кар’єри (E).

TL;DR

Section titled “TL;DR”
  • AI не «винаходить ліки від старіння» магічно — він прискорює конвеєр: знаходить мішені з даних, генерує молекули-кандидати, пріоритезує гіпотези. Далі — звичайні (довгі й дорогі) клінічні випробування.
  • Головний доказ, що це працює: рентосертиб (Insilico) — перший препарат, де і мішень (TNIK), і молекулу знайшов/спроєктував AI end-to-end. Фаза IIa опублікована в Nature Medicine (2025), позитивна; зараз стартувала фаза III (ідіопатичний легеневий фіброз).
  • Але жоден AI-знайдений препарат ще не доведений як геропротектор у людини — усі йдуть через хвороби (фіброз, запалення, метаболізм), а не через показання «старіння». Провал азелапрагу (BioAge, 2024) нагадує, що AI не скасовує ризик клініки.
  • Для тебе: це домен, де твої навички (ML + біологія) працюють напряму; компанії активно наймають ML-інженерів і науковців.

Як AI шукає геропротектори (методи)

Section titled “Як AI шукає геропротектори (методи)”
  1. Пошук мішені з даних (target discovery). Моделі аналізують мультиомікс (транскриптоміка, протеоміка), літературу й дані пацієнтів → пропонують гени/білки, пов’язані зі старінням чи віковою хворобою. Приклад інструмента — PandaOmics (Insilico).
  2. Генеративна хімія (molecule design). Модель проєктує нові молекули під мішень із потрібними властивостями (зв’язування, розчинність, безпека). Приклад — Chemistry42 (Insilico).
  3. Годинники старіння як ML-фічі. Біомаркери/годинники (див. D1) використовують як мішень оптимізації або для відбору сполук.
  4. Drug repurposing. ML шукає вже схвалені ліки з геропротекторним потенціалом (швидший шлях).
  5. Фізико-динамічні моделі старіння. Замість «чорної скриньки» — моделювати старіння як динамічну систему (підхід Gero).
  6. «Спочатку дані людини». Будувати відкриття на великих людських біобанках і вікових біомаркерах (підхід BioAge).

Ключові гравці (стан 2025–2026)

Section titled “Ключові гравці (стан 2025–2026)”
КомпаніяПлатформа / підхідСтан
Insilico MedicinePandaOmics (мішені) + Chemistry42 (генеративна хімія)Рентосертиб (TNIK, IPF) — end-to-end AI-препарат; фаза IIa в Nature Medicine 2025 → фаза III. Флагман поля.
BioAge LabsВідкриття на людських біобанках + вікові біомаркери; партнерство з NovartisBGE-102 (мозок-проникний NLRP3-інгібітор проти запалення) — позитивні проміжні дані фази I (2025–2026, зниження hsCRP). Раніше азелапраг провалив фазу II (2024, печінковий сигнал) — важливий урок.
GeroФізика/динаміка старіння + ML; партнерство з PfizerДослідження динаміки старіння, пошук мішеней; переважно доклініка/платформа.
Shift BioscienceML для безпечніших факторів репрограмуванняДоклініка; перетин із репрограмуванням (беклог 02c).
Retro Biosciences + OpenAIAI-редизайн факторів ЯманакиЗаявлене підвищення ефективності репрограмування (потребує незалежної перевірки).
Recursion, Isomorphic, NVIDIA BioNeMoСуміжні AI-платформи drug discoveryШирокий контекст поля (не суто longevity).

Чесний стан справ

Section titled “Чесний стан справ”
  • Що AI реально дав: швидкість. Рентосертиб пройшов шлях від мішені до клініки помітно швидше за традиційний (роки, а не десятиліття). Це справжній прорив у процесі.
  • Чого AI НЕ дав (поки): доведеного продовження здорового життя людини. Усі AI-кандидати б’ють по віко-асоційованих шляхах (фіброз — TNIK, запалення — NLRP3, метаболізм — APJ/GLP-1), а не по «старінні» напряму. Показання — конкретні хвороби.
  • AI не скасовує біологію. Азелапраг (BioAge) мав елегантну AI/біомаркерну логіку, але провалив фазу II через печінковий сигнал. ML звужує пошук, але клінічну валідність усе одно треба заслужити.
  • Багато «AI-first» тверджень — маркетинг. Розрізняй рецензовані результати (рентосертиб у Nature Medicine) і корпоративні пресрелізи.

Зв’язок із твоєю кар’єрою (категорія E)

Section titled “Зв’язок із твоєю кар’єрою (категорія E)”
  • Це пряме застосування твого стеку: ML для target discovery, генеративні моделі для хімії, робота з омікс-даними й біомаркерами.
  • Хто наймає: Insilico (має окрему Longevity-раду), BioAge (партнер Novartis), Gero, Recursion, Shift Bio, Retro. Ролі — від ML-інженера до research scientist.
  • Портфоліо-ідея: взяти відкритий омікс-датасет старіння (GEO/CELLxGENE) → ML-модель, що пріоритезує гени-мішені → порівняти з відомими геропротекторними мішенями. Поєднує ML, біологію й тему старіння — сильний кейс, суголосний із PandaOmics-логікою.
  • Зв’язок із B1: генеративні геномні моделі (Evo 2) і генеративна хімія (Chemistry42) — одна філософія «AI проєктує біологію».

Обмеження й застереження

Section titled “Обмеження й застереження”
  • AI-кандидат ≠ ліки. Це пріоритезована гіпотеза; попереду фази I–III і безпека.
  • Дані вирішують. Якість/упередженість навчальних даних напряму лімітує якість мішеней.
  • «End-to-end AI» — маркетинговий ярлик різної суворості; дивись, що саме зробив AI, а що люди.
  • Провали неминучі (азелапраг) — це нормальна ціна ранньої клініки, не доказ провалу підходу.

Відкриті питання (для подальших ресерчів)

Section titled “Відкриті питання (для подальших ресерчів)”
  • Чи дійде хоч один AI-знайдений препарат до показання «продовження здоров’я», а не лише конкретної хвороби?
  • Наскільки відтворювані target-предикції PandaOmics на незалежних даних?
  • Foundation-моделі для білків (ESM) — наступний логічний ресерч AI-блоку.

Джерела

Section titled “Джерела”

Матеріали сайту мають освітній характер і не є медичною порадою. Рішення про будь-які втручання ухвалюйте разом із лікарем.