Рак перестали изучать как фотографию: ИИ научился видеть ответ клетки во времени

ProteinTalks моделирует не только состояние опухоли, но и то, как её белковые сети перестраиваются после лекарства

Генетический портрет опухоли — это только начало истории

Современную персонализированную онкологию часто представляют довольно просто:

нашли мутацию → подобрали препарат, способный воздействовать на связанную с ней мишень.

Эта схема действительно изменила лечение многих видов рака. Но у неё есть фундаментальное ограничение: опухоль не является неподвижной конструкцией.

Как только лекарство начинает действовать, внутри клетки перестраиваются сигнальные пути. Одни белки становятся менее активными, другие — наоборот, включаются. Клетка пытается компенсировать нанесённый ей удар.

Иногда именно эта перестройка позволяет части опухолевых клеток пережить лечение и впоследствии становится одним из механизмов лекарственной устойчивости.

Поэтому знать исходное состояние опухоли чрезвычайно важно — но этого недостаточно.

Гены показывают, какая опухоль есть.

Белки во времени позволяют увидеть, как она отвечает на воздействие.

Именно эту разницу попытались использовать авторы работы, опубликованной 9 сентября 2026 года в Nature.

Что такое ProteinTalks и чему именно обучали ИИ

Для построения модели исследователям понадобился необычно большой массив экспериментальных данных.

Они работали с 18 линиями клеток рака молочной железы. Шестнадцать из них представляли тройной негативный рак молочной железы — triple-negative breast cancer, или TNBC.

При таком типе опухоли отсутствуют три важных терапевтических ориентира: рецепторы эстрогена, рецепторы прогестерона и характерная для HER2-положительного рака гиперактивность HER2. Поэтому значительная часть гормональных и HER2-направленных методов лечения здесь неприменима.

Клеточные линии подвергали воздействию 63 уже одобренных противоопухолевых препаратов и 59 комбинаций лекарств.

Затем исследователи измеряли состояние тысяч белков в разные моменты времени — до воздействия, а также через 6, 24 и 48 часов.

Всего было получено более 38 миллионов измерений белковой активности.

Это принципиально важная деталь исследования.

Модель получала не просто огромную коллекцию образцов вида «до лечения» и «после лечения». Она училась видеть траекторию изменений.

Условно задача выглядела так:

лекарство → перестройка белковой сети → новое состояние клетки.

Почему здесь важны именно белки

ДНК можно сравнить с набором инструкций клетки. Но непосредственно работу большинства клеточных процессов выполняют белки.

Рецепторы принимают сигналы. Ферменты ускоряют химические реакции. Одни белки активируют деление клетки, другие помогают ей переживать стресс, третьи участвуют в ремонте повреждений или запускают гибель.

Именно поэтому два опухолевых образца с похожими генетическими особенностями не обязательно одинаково реагируют на лечение.

После воздействия препарата клеточная система начинает перестраиваться.

Для онкологии это один из ключевых вопросов:

не только «куда ударило лекарство?», но и «куда после удара переместилась система?»

ProteinTalks был создан именно для моделирования подобных изменений.

Момент осознания: лекарственная мишень и лекарственный ответ — не одно и то же

Здесь находится, пожалуй, самая интересная идея всей работы.

Наличие подходящей молекулярной мишени ещё не означает, что мы полностью понимаем будущий ответ опухоли.

Мишень описывает точку приложения препарата.

Ответ описывает поведение целой системы после вмешательства.

А рак — именно система.

Поэтому следующая ступень персонализированной терапии может заключаться не только в более точном чтении исходных характеристик опухоли, но и в способности заранее моделировать её реакцию.

Не просто:

«в опухоли присутствует такой-то белок».

А:

«если воздействовать на неё этим препаратом, через несколько часов изменится такая сеть, затем активируется другой путь и клетка окажется в таком состоянии».

Разница примерно та же, что между фотографией шахматной доски и моделью, способной оценивать следующие ходы.

Модель проверили на препаратах, которых она раньше не видела

Одного хорошего описания уже известных экспериментов было бы недостаточно.

Поэтому исследователи проверяли, способна ли ProteinTalks переносить усвоенные закономерности на новые воздействия.

При тестировании на 81 препарате, не использовавшемся при обучении соответствующей задачи модели, точность прогнозирования клеточного ответа составляла примерно 88%.

Эта цифра выглядит впечатляюще, но её особенно важно правильно понимать.

88% — не вероятность того, что система выберет правильное лечение конкретному пациенту.

И не вероятность излечения рака.

Речь идёт о результате модели в определённой экспериментальной задаче прогнозирования ответа клеток на ранее не виденные ею лекарственные воздействия.

Превращать эту цифру в «ИИ выбирает терапию с точностью 88%» было бы неверно.

Самый важный тест начался за пределами клеточной культуры

Создать модель, хорошо работающую на лабораторных клеточных линиях, — одно. Перенести её на гораздо более сложную биологию реальной человеческой опухоли — совсем другое.

Авторы поэтому проверяли ProteinTalks на нескольких уровнях.

Система использовалась для поиска потенциальных комбинаций лекарств, определения белков, связанных с устойчивостью к терапии, и приоритизации препаратов для органоидов — трёхмерных моделей опухолевой ткани, выращенных из клеток пациента.

Особенно интересной стала работа с клиническими данными.

Исследователи использовали опухолевые биопсии 501 пациентки с тройным негативным раком молочной железы, взятые до химиотерапии.

Модель анализировала исходные молекулярные данные, а её прогнозы затем сопоставляли с реальными результатами лечения.

Предсказания ProteinTalks оказались связаны с фактическим ответом пациенток на полученную терапию.

Именно поэтому Nature News охарактеризовал работу как первый выход такого типа виртуальной клеточной модели из лабораторного контекста в клинический сценарий.

Но здесь также необходима оговорка.

Исследователи анализировали уже существующие клинические данные. Врачи не выбирали лечение пациенткам на основании рекомендаций ProteinTalks.

«Виртуальная клетка» пока не означает виртуального пациента

Термин звучит почти как научная фантастика, поэтому границы технологии особенно важны.

ProteinTalks не является полной цифровой копией клетки.

Она не моделирует одновременно всю генетику, эпигенетику, метаболизм, иммунное окружение, кровоснабжение опухоли и десятки других уровней биологии.

Тем более это не цифровой двойник человека, способный предсказать весь ход заболевания.

Цель значительно уже — и именно поэтому научно интересна.

ProteinTalks моделирует динамические изменения протеома после определённых вмешательств и использует усвоенные закономерности для ряда задач, связанных с лекарственными ответами.

Даже сами авторы подчёркивают сфокусированный характер системы.

Это не универсальная симуляция жизни клетки.

Это попытка построить рабочую модель определённого участка её поведения.

Почему тройной негативный рак стал подходящей проверкой

TNBC составляет заметную долю случаев рака молочной железы и остаётся сложной клинической проблемой именно из-за своей молекулярной неоднородности.

Две опухоли, которые обе называются «тройным негативным раком», могут заметно различаться по внутренней биологии и чувствительности к препаратам.

Поэтому здесь особенно привлекательна идея не ограничиваться классификацией опухоли, а попытаться заранее оценить её реакцию на вмешательство.

В перспективе можно представить такую последовательность:

биопсия пациента → молекулярные данные → компьютерное моделирование нескольких воздействий → отбор наиболее перспективных вариантов для дальнейшей проверки.

Это пока не стандарт лечения.

Но именно такое направление способно изменить сам принцип поиска терапии: часть вариантов можно будет отсеивать или приоритизировать ещё до реального применения препарата.

Для фармы это может быть не менее интересно, чем для клиники

У технологии есть ещё одна сторона — разработка лекарств.

Сегодня огромное количество потенциальных соединений, комбинаций и биологических мишеней приходится проверять последовательно: сначала вычислительными методами, затем в клетках, органоидах, животных моделях и клинических исследованиях.

Большая часть кандидатов отсеивается по пути.

Если модели, обученные на динамических экспериментальных данных, смогут достаточно хорошо предсказывать реакцию клеточных систем, они могут стать дополнительным фильтром.

Не заменить лабораторию.

Не заменить клиническое исследование.

А решить, какие эксперименты стоит провести в первую очередь.

Для фармацевтической разработки разница огромна: задача меняется с «проверить всё возможное» на «лучше определить, что проверять».

Что должно произойти, прежде чем такая система начнёт выбирать лечение

Главного доказательства пока нет.

Необходимо проспективное клиническое исследование, в котором решения действительно будут приниматься с использованием модели.

Например, пациентов можно распределить таким образом, чтобы в одной группе терапию выбирали стандартными методами, а в другой дополнительную информацию давала ProteinTalks.

После этого потребуется ответить на гораздо более серьёзные вопросы:

• чаще ли пациенты получают эффективное лечение;
• уменьшается ли число бесполезных терапевтических попыток;
• улучшается ли контроль заболевания;
• влияет ли подход на выживаемость;
• насколько устойчивы прогнозы при работе с опухолями разных пациентов и лабораторий;
• сможет ли модель работать за пределами рака молочной железы.

До получения таких данных говорить о готовой системе персонального подбора лечения преждевременно.

Но научный сдвиг уже заметен.

Он заключается не в том, что «ИИ победил рак».

Он гораздо интереснее.

Исследователи начинают обучать модели не только распознавать, что находится внутри опухолевой клетки сейчас, но и предсказывать, куда её биология двинется после вмешательства.