В статье представлен автоматизированный вычислительный конвейер, использующий методы искусственного интеллекта и машинного обучения для поиска терапевтических вмешательств при каналопатиях. Методология основана на двух подходах: высокоточном моделировании в среде NEURON с использованием алгоритмов поискового поиска и дифференцируемой модели Ходжкина-Хаксли, реализованной в фреймворке PyTorch. Первый подход позволяет определить «окна стабильности», в которых модуляция других ионных токов восстанавливает нормальный паттерн разрядов нейронов, избегая прямого воздействия на мутированный канал. Второй подход, использующий глубокое обучение, обеспечивает экспоненциальное ускорение вычислений: дифференцируемая модель оценивает от 34 000 до 64 000 наборов параметров в секунду на одной потребительской видеокарте, по сравнению с 11,9–16,9 оценками в секунду для недифференцируемого конвейера на 72-ядерном узле. Это позволило провести масштабный обзор топологии решений, включающий 32 миллиона точек, что ранее было вычислительно недоступно. Исследование демонстрирует, что ИИ-оптимизация может эффективно идентифицировать конкретные токи, которые необходимо модулировать, и степень их изменения для компенсации мутаций. Результаты показывают высокую степень вырождения решений: 10 780 комбинаций проводимостей дают шесть различных паттернов разрядов, что упрощает поиск оптимальных препаратов. Данный подход имеет прямое значение для разработки лекарств и высокопроизводительного скрининга, предлагая точные мишени для фармакологического вмешательства. Технология объединяет вычислительную нейробиологию с современными методами глубокого обучения для решения сложных задач персонализированной медицины.