разработка лекарств

Датский фармацевтический гигант Novo Nordisk, известный своими препаратами семаглутид (Оземпик и Wegovy), объявил о масштабном стратегическом партнерстве с компанией OpenAI. Целью сотрудничества является глубокая интеграция технологий искусственного интеллекта во все ключевые бизнес-процессы компании. ИИ будет применяться не только в области биофармацевтических исследований и разработки новых лекарственных соединений, но и в оптимизации производственных мощностей. Кроме того, планируется использование нейросетевых моделей для улучшения логистических цепочек, дистрибуции и коммерческой деятельности. Данное партнерство направлено на повышение операционной эффективности и ускорение вывода новых терапевтических решений на рынок за счет использования передовых языковых и аналитических моделей OpenAI.

Исследование посвящено разработке инновационной платформы MAPPER (Mode of Action Prediction via Proteomics-Enhanced Representation) для ускоренного определения механизмов действия (MoA) антибиотиков. В условиях растущей резистентности к существующим препаратам, авторы предложили масштабируемый фреймворк, использующий мультимодальные данные для анализа ответов бактерий Escherichia coli. Методология включает интеграцию протеомных профилей, химических дескрипторов структур, динамики роста и ингибирующих концентраций более чем 50 различных антибиотиков. Разработанная модель MAPPER успешно классифицирует препараты по девяти различным механистическим классам и обладает способностью выявлять соединения с потенциально новыми, ранее не изученными механизмами действия. Тестирование показало высокую устойчивость системы при переносе знаний (transfer learning) между различными платформами масс-спектрометрии и внешними наборами данных. Данная технология представляет значительную ценность для фармацевтической разработки, позволяя эффективно приоритизировать новые антибактериальные кандидаты с уникальными механизмами воздействия.

Парижская венчурная компания Jeito Capital объявила о закрытии своего второго фонда объемом 1,2 миллиарда долларов (более 1 миллиарда евро). Основная цель фонда — предоставление финансовой поддержки европейским стартапам, занимающимся разработкой лекарственных препаратов, чтобы помочь им сохранять контроль над своими проектами. Инвестиции будут направлены на поддержку биотехнологических компаний на различных стадиях развития, позволяя им избегать преждевременной продажи активов крупным фармацевтическим гигантам. Хотя новость сфокусирована на венчурном финансировании, она имеет косвенное отношение к ИИ в медицине, так как современные биотехнологические стартапы все чаще интегрируют методы машинного обучения для ускорения разработки новых молекул и оптимизации клинических исследований. Данное событие создает важную финансовую базу для инноваций в секторе Life Sciences в Европе.

Статья исследует растущий интерес фармацевтических гигантов к квантовым вычислениям как следующему этапу после ИИ в разработке лекарств. Крупные компании, такие как Pfizer и Boehringer Ingelheim, уже инвестируют в квантовые технологии и сотрудничают со стартапами для ускорения вычислительных процессов в биологии.

Фармацевтический гигант Roche расширяет свое присутствие в области разработки инновационных лекарственных средств, делая ставку на деградаторы, связанные с антителами (DAC). В рамках долгосрочного десятилетнего партнерства с компанией C4 Therapeutics, Roche выплатит 20 миллионов долларов в качестве авансового платежа для совместной разработки новых терапевтических агентов. В отличие от традиционных конъюгатов антитело-лекарство (ADC), технология DAC представляет собой эволюцию модальности, направленную на более эффективную деградацию целевых белков в раковых клетках. Данная сделка подчеркивает растущий интерес индустрии к использованию механизмов деградации белков для лечения онкологических заболеваний. Несмотря на то, что фокус смещается на молекулярную биологию и дизайн лекарств, использование ИИ в подобных процессах (например, для предсказания структуры белков или дизайна лигандов) является подразумеваемым драйвером развития таких технологий, хотя в тексте прямо не упоминается.

Компания Anthropic расширяет свое присутствие в сфере здравоохранения, приобретая стартап Coefficient Bio, специализирующийся на использовании ИИ для ускорения разработки лекарств и биологических исследований. Сделка подчеркивает стратегический фокус Anthropic на интеграции моделей Claude в процессы R&D и клинических операций.

Стартап Pinnacle Medicines использует платформу на базе искусственного интеллекта и физического моделирования для проектирования пептидных молекул с улучшенной биодоступностью при пероральном приеме. Компания планирует применять свои технологии для разработки лекарств от ожирения, сердечно-сосудистых заболеваний и заболеваний дыхательных путей.

Исследование представляет новую методологию на основе многокритериального обучения с подкреплением для задачи обратного сворачивания белков — фундаментальной проблемы в дизайне белков и разработке лекарств. Авторы предлагают фреймворк Symmetric Self-play Preference Optimization (SSP), который разделяет оптимизацию нескольких структурных целей путём обучения отдельных моделей предпочтений с различными сигналами вознаграждения, при этом обеспечивая взаимодействие через общий пул выборки. Ключевое отличие от существующих подходов заключается в том, что традиционные методы используют одну модель с скаляризованным вознаграждением, что смещает оптимизацию в сторону доминирующих целей и ограничивает разнообразие решений. Эксперименты на задачах обратного сворачивания как для естественных, так и для de novo биндеров демонстрируют, что SSP стабильно улучшает согласованность последовательностей по сравнению с одно-модельными и существующими базовыми методами. Дополнительный анализ показывает, что различные структурные цели лишь частично согласованы и индуцируют различные направления оптимизации, что подтверждается корреляцией метрик и white-box анализами. Результаты исследования имеют прямое значение для разработки новых терапевтических белков и лекарств, так как качество дизайна белков напрямую влияет на их функциональность и специфичность связывания. Методология SSP открывает перспективы для более эффективного дизайна белков с заданными структурными и функциональными свойствами.

Статья описывает исследование с использованием ИИ и 3D-органов мозга человека для прогнозирования риска судорог при разработке лекарств. Модель показала 83% чувствительность и 89% специфичность в классификации судорожной активности на основе функциональной нейронной активности.

Исследование представляет метод CoMPLip (co-folding of membrane proteins and lipid molecules), который улучшает точность предсказания структуры мембранных белков с помощью глубокого обучения. Традиционные подходы к предсказанию структуры белков, включая AlphaFold 3, не учитывают явным образом молекулярное окружение, что особенно критично для мембранных белков, чья структура и взаимодействия сильно зависят от липидного окружения. CoMPLip решает эту проблему путём совместного фолдинга белков с липидными молекулами во время предсказания, заставляя липиды организовываться в бислои вокруг трансмембранных регионов, создавая реалистичную мембранную среду. Метод демонстрирует улучшения в предсказании позы лигандов, корректном разделении внеклеточных и внутриклеточных доменов, а также позволяет исследовать множественные конформационные состояния динамических транспортеров. Ключевое преимущество CoMPLip — обучение не требуется (training-free), что упрощает интеграцию в существующие рабочие процессы AlphaFold 3. Это имеет прямое значение для разработки лекарств, так как мембранные белки составляют около 60% всех мишеней для фармакологических препаратов, и точное понимание их структуры критично для дизайна эффективных терапевтических агентов.

В данном дайджесте Vademecum за период 22–28 марта 2026 года представлены ключевые события в области искусственного интеллекта в российском здравоохранении. Основное внимание уделено запуску новых ИИ-сервисов для управления медицинскими организациями и навигации пациентов, включая системы анализа данных первичного звена здравоохранения. Значительный акцент сделан на использовании врачами ИИ-инструментов как системы «второго мнения» для повышения точности диагностики. Также освещены разработки в области ранней диагностики заболеваний и ускорения процессов создания новых лекарственных препаратов. Материалы демонстрируют активное внедрение технологий машинного обучения и нейросетей в клиническую практику и административные процессы. Обзор охватывает как технологические инновации, так и их практическое применение в российской системе здравоохранения. Статья представляет собой сводку событий недели, что делает её полезной для отслеживания трендов развития медицинского ИИ в стране.

Статья представляет EvoMut — вычислительную платформу residue-level для оценки окислительной уязвимости белков и возможности их мутации в терапевтических и промышленных применениях. Метод интегрирует структурные особенности, локальный функциональный контекст, химическую восприимчивость и эволюционную консервативность для оценки риска окисления аминокислотных остатков (метионин, цистеин, тирозин, триптофан). Ключевая особенность EvoMut — явное разделение оценки риска окисления и feasibility мутации: кандидаты оцениваются только после ранжирования высоко-рисковых остатков по эволюционным паттернам замещения. Применение к множеству белков с экспериментальной валидацией показало, что окислительно-чувствительные остатки существенно различаются по инженерному потенциалу. Платформа различает остатки, которые одновременно чувствительны к окислению и эволюционно пермиссивны, от химически уязвимых, но функционально ограниченных. Это обеспечивает механистические инсайты для рационального дизайна окислительно-устойчивых терапевтических белков. Метод доступен как бесплатный веб-сервер.

Исследователи представили evedesign — открытую унифицированную платформу для машинного обучения в биоинженерии белков, которая решает проблему несовместимости существующих инструментов. Framework формализует условный дизайн биологических последовательностей метод-агностичным способом, позволяя комбинировать supervised и unsupervised модели из стандартизированных спецификаций. Ключевая особенность — поддержка итеративных lab-in-the-loop рабочих процессов, где экспериментальные данные непрерывно уточняют последовательные раунды дизайна. Платформа включает интерактивный веб-интерфейс для end-to-end дизайна, доступный широкой научной аудитории по адресу evedesign.bio. Авторы продемонстрировали полезность evedesign в трёх ключевых областях: инжиниринг антител, дизайн ферментов и открытие природных ферментов. Это решение критически важно для разработки новых терапевтических антител и ферментных препаратов, так как позволяет неэкспертам создавать сложные многокритериальные оптимизационные workflows. Открытый исходный код платформы и призыв к сообществу способствуют ускорению биомедицинских исследований.

Биотехнологическая компания Earendil Labs, базирующаяся в США с корнями в Китае, привлекла $787 миллионов частных инвестиций для финансирования своей ИИ-платформы для разработки лекарств. Платформа уже сгенерировала конвейер из более чем 40 программ разработки препаратов, что демонстрирует эффективность подхода искусственного интеллекта в фармацевтике. Сумма финансирования в $787 млн является значительной для частного раунда и указывает на высокий интерес инвесторов к ИИ-биотехнологиям. Компания находится на этапе подготовки к возможному IPO, что свидетельствует о зрелости технологического продукта и бизнес-модели. Применение машинного обучения в открытии новых лекарственных соединений позволяет сократить время и стоимость разработки препаратов по сравнению с традиционными методами. Этот раунд финансирования подтверждает тренд на интеграцию ИИ в фармацевтическую промышленность и биотехнологические исследования. Успешное привлечение такого объёма инвестиций указывает на доверие рынка к способности ИИ-платформ создавать коммерчески перспективные лекарственные программы.