MIT получил до $53 млн на ИИ, который придумает замену глифосату

Когда говорят о генеративном ИИ, обычно вспоминают чат-ботов и кодовых ассистентов. Но одна из самых денежных историй сейчас разворачивается в химии: модели учатся не писать текст, а придумывать молекулы. MIT только что получил под такую задачу до $53 млн от ARPA-H, и целью стали не лекарства, а гербициды.

Какая проблема на кону

В США каждый год используют больше миллиарда фунтов гербицидов. Они спасают урожай от сорняков и делают возможным бережное к почве земледелие. Но у них две проблемы. Во-первых, сорняки приобретают мутации устойчивости. Глифосат, например, подавляет фермент EPSP-синтазу, без которого растение не производит несколько важных аминокислот. Мутации позволяют сорнякам обойти эту блокировку, и препарат перестаёт работать. Во-вторых, есть риски для здоровья: гербициды связывают с повышенным риском рака, эндокринных и метаболических нарушений. Фермеры получают самую большую дозу, но следы химии попадают в еду и воду всех остальных.

Плюс геополитика. Фосфор, ключевой компонент глифосата, США во многом импортируют. Кристофер Войт, глава кафедры биоинженерии MIT и руководитель проекта PLOW, прямо говорит: устойчивость сорняков в сочетании с уязвимой цепочкой поставок может оставить страну без базовой агрохимии.

Как это устроено: цикл «модель — скрининг — теплица»

Проект разбит на три команды, и главное в нём не отдельная модель, а замкнутый цикл.

1. Генеративные модели. Группа Коннора Коли, Регины Барзилай и Александра Тропши будет предсказывать молекулы или малые интерферирующие РНК (siRNA), которые выключают те же ключевые ферменты растений, что и современные гербициды. Модели должны одновременно учитывать несколько целей: дешёвый синтез, низкий риск появления устойчивости, минимальный вред для человека и экологии.
2. Высокопроизводительный скрининг. Модели должны выдать миллиарды кандидатов. Группа Анджелы Колер и Джейми Чиа из Broad Institute проверит библиотеки на попадание в мишень. Результаты скрининга вернутся к вычислительной команде, чтобы улучшить модели. По сути, это активное обучение на реальных лабораторных данных.
3. Теплицы. Когда пул кандидатов сузится, третья команда проверит, как молекулы работают в разных агрономических условиях. В неё входят исследователи из Университета Теннесси, Иллинойса, Северной Каролины и стартап Robigo. Первые тесты RNAi-кандидатов должны завершиться к концу первого года программы.

Отдельный трек посвящён живым микробным системам. Это инженерные бактерии и грибы, которые разлагают агрохимикаты до попадания в еду, почву и воду, превращая их и компоненты составов в биомассу.

Что здесь на самом деле важно

Сразу про ограничения. Это анонс финансирования, а не результат. В материале нет ни архитектур моделей, ни метрик, ни доказательств, что генеративный подход найдёт молекулы лучше классического скрининга. Путь от кандидата в теплице до зарегистрированного гербицида долог, и впереди регуляторика, которую ИИ не отменит. Так что ждать продукта на полке в ближайшие годы не стоит.

Но для тех, кто строит продукты на ИИ, здесь три полезных сигнала.

• Ценность в петле обратной связи. Модель сама по себе ничего не стоит, пока её не кормят свежими экспериментальными данными. Выигрывает тот, кто встроил лабораторию или реальную среду в цикл обучения.
• Многоцелевая оптимизация становится нормой. Нужны не просто сильные молекулы, а такие, которые дёшево делать, трудно «взломать» мутациями и безопасно применять. Если вы проектируете генеративную систему, закладывайте ограничения в целевую функцию с самого начала.
• Агрохимия открывается как рынок для ИИ. Государственные деньги, партнёрство университетов, Broad Institute и стартапа Robigo показывают, что ниша для основателей на стыке биологии, химии и ML реальна и финансируется.

Если вы работаете с ИИ в науке, следите за первыми данными по RNAi-кандидатам: именно они покажут, работает ли эта петля на практике.