разработка лекарств

Статья из премиум-раздела STAT+ посвящена изменению взглядов генерального директора компании Schrödinger Рами Фарида на применение искусственного интеллекта в фармацевтике и разработке лекарств. Schrödinger — известная компания в области вычислительной химии и drug discovery, использующая физические модели и машинное обучение для ускорения открытия новых препаратов. В выпуске новостной рассылки AI Prognosis также упоминаются новости о компании Recursion и её карте нейронов, что указывает на обсуждение нейросетевых подходов в биомедицинских исследованиях. Материал затрагивает стратегические вопросы внедрения ИИ в здравоохранении и фармацевтической отрасли, включая возможные ограничения и пересмотр ожиданий от технологий искусственного интеллекта. К сожалению, предоставленный фрагмент содержит только заголовок и краткое описание без деталей исследования, конкретных результатов или методологии. Для полноценной оценки вклада в тему ИИ в медицине необходим доступ к полному тексту статьи. Источник — авторитетное медицинское издание STAT, специализирующееся на новостях здравоохранения и биотехнологий.

Израильский стартап QuantHealth закрыл раунд Series B на $45 млн для развития платформы симуляции клинических испытаний на базе ИИ. Платформа использует искусственный интеллект и биомедицинские графы знаний для прогнозирования результатов лечения с точностью до 90%, что позволяет сократить неудачные испытания и ускорить доступ пациентов к эффективным терапиям.

Стартап Pathos AI secured права на два экспериментальных противораковых препарата (JSKN016 и AZD4241) и будет использовать свою проприетарную ИИ-платформу Foundry для ускорения клинических испытаний. Платформа employs тысячи ИИ-агентов для анализа биологических и клинических данных, идентификации пациентов, дизайна исследований и оптимизации дозировок.

Статья посвящена критической проблеме внедрения искусственного интеллекта в здравоохранении и фармацевтике, где уровень адаптации ИИ всё ещё отстаёт от других отраслей, а общественное доверие остаётся ограниченным. Авторы предлагают различать два взаимосвязанных, но отдельных концептуальных框架: «этичный ИИ» (определяет, что должно быть сделано с точки зрения ценностей, норм и справедливости) и «доверенный ИИ» (определяет, что может быть реализовано технически и оценено). Этичный ИИ фокусируется на этических дилеммах, таких как использование социальных детерминант здоровья для распределения ресурсов или оптимизация набора пациентов в клинические испытания без ущерба репрезентативности выборки. Доверенный ИИ касается инженерных и оценочных аспектов, обеспечивая техническую надёжность и безопасность решений. Статья подчёркивает, что руководители здравоохранения и фармацевтических компаний должны демонстрировать этическое управление и техническую компетентность для защиты пациентов и укрепления доверия заинтересованных сторон. Практическая значимость материала заключается в предоставлении организациям структуры для ответа на два ключевых вопроса: какие риски связаны с данным применением ИИ и способны ли мы их минимизировать. Материал особенно актуален для руководителей, разрабатывающих стратегии внедрения ИИ в клинические рабочие процессы и разработку лекарств.

Исследование представляет оптимизированный алгоритм множественного выравнивания циклических последовательностей (MCSA) для анализа библиотек циклических пептидов в разработке лекарств. Циклические пептиды с циклизацией голова-к-хвосту сочетают высокую аффинность и селективность с метаболической стабильностью, но их анализ требует решения проблемы неизвестной ротации каждой последовательности. Существующие эвристики MCSA были оптимизированы для геномных данных и становятся чрезмерно медленными при работе с сотнями и тысячами коротких пептидных последовательностей. Авторы разработали оптимизации, включая библиотеку пресетов для коротких последовательностей и многопоточный бэкенд с поддержкой SIMD, обеспечивающий почти линейное масштабирование. Метод валидирован на библиотеке из 1000 H2T-циклизованных пептидов длиной 18 аминокислот, нацеленных на онкопротеин MDM2. Оптимизированный MCSA восстанавливает позиционные мотивы связывания MDM2 с той же точностью, что и оригинальная реализация, но работает в 650 раз быстрее. Инструмент открыто доступен и позволяет проводить выравнивание циклических пептидов в масштабах библиотек для де novo дизайна пептидов с использованием генеративных моделей.

Исследование представляет комплексную оценку возможностей AlphaFold3 — системы искусственного интеллекта для предсказания связывания антител с антигенами. Авторы проанализировали 3401 экспериментально подтверждённый комплекс антитело-антиген из Structural Antibody Database вместе с 23798 негативными контролями. Максимальная полнота (recall) составила 53% при 100 семенах инференса, при этом выявлен врождённый уровень ложноположительных результатов около 3%. Обнаружено систематическое смещение: модель лучше предсказывает антитела из рентгеновской кристаллографии по сравнению с электронной микроскопией, а точность снижается с увеличением размера и площади поверхности целевого белка. Важно, что 34% ложноотрицательных предсказаний сохраняли правильную локализацию эпитопа несмотря на плохое структурное выравнивание, что указывает на возможность улучшения результатов инструментами конформационной доработки. Исследование демонстрирует как потенциал AlphaFold3 для скрининга антител в вычислительной разработке лекарств, так и его ограничения, включая тенденцию к галлюцинации правдоподобных интерфейсов связывания на поверхности фиктивных мишеней.

Компания Insilico Medicine использует генеративный ИИ для идентификации биологических мишеней и дизайна молекул, что позволяет сократить этап поиска кандидатов с 4,5 лет до 9–13 месяцев. Технология сочетает ИИ-моделирование с лабораторной валидацией, ускоряя процесс создания новых препаратов.

Статья анализирует изменение ландшафта венчурных инвестиций в здравоохранении, подчеркивая важность раннего доступа к инновациям в академических центрах. Автор отмечает, что ИИ ускоряет процессы в разработке лекарств и диагностике, сокращая путь от научного открытия до создания коммерческого стартапа.

НИЦЭМ им. Н.Ф. Гамалеи инициирует масштабный научно-исследовательский проект стоимостью 35,81 млн рублей, направленный на создание инновационных методов лечения меланомы. В основе исследования лежит использование передовых диагностических биоинформационных систем для точной селекции неоантигенов. Эти данные станут фундаментом для разработки персонализированных мРНК-вакцин, адаптированных под генетический профиль конкретного пациента. Проект включает не только научную часть, но и критически важный этап подготовки регуляторной документации для легального внедрения индивидуализированных биотехнологических препаратов в клиническую практику. Реализация данной инициативы позволит объединить возможности биоинформатики и молекулярной биологии для создания высокоточных терапевтических решений в онкологии.

Фармацевтический гигант Bristol Myers Squibb (BMS) официально объявил о масштабном проекте по созданию крупнейшего в индустрии наук о жизни суперкомпьютера на базе технологий NVIDIA. Это событие делает компанию третьим крупным производителем лекарственных препаратов, объявившим о подобных амбициозных планах за последние девять месяцев. Основная цель внедрения такой вычислительной мощности заключается в ускорении процессов разработки новых лекарств и оптимизации биофармацевтических исследований с помощью передовых алгоритмов машинного обучения. Использование специализированных ИИ-инфраструктур позволяет обрабатывать колоссальные массивы биологических данных, что критически важно для современной персонализированной медицины. Проект подчеркивает растущий тренд на интеграцию высокопроизводительных вычислений (HPC) в жизненный цикл создания фармацевтических продуктов. Данная инициатива направлена на сокращение времени вывода новых препаратов на рынок и повышение точности прогнозирования взаимодействия молекул.

Министерство науки и высшего образования РФ объявило о запуске масштабного конкурса с бюджетом 1,218 млрд рублей в рамках программы Союзного государства «Союз-Биомембраны». Целью инициативы является создание комплексной технологической платформы, которая позволит автоматизировать поиск новых молекулярных мишеней и ускорить разработку перспективных лекарственных препаратов. Проект охватывает широкий спектр терапевтических направлений, включая онкологию, сердечно-сосудистые, инфекционные, аутоиммунные и нейродегенеративные заболевания. Особое внимание будет уделено технологиям клеточной терапии, что открывает новые возможности для персонализированной медицины. Реализация программы рассчитана на длительный период — до ноября 2030 года. Несмотря на отсутствие прямого упоминания алгоритмов машинного обучения в тексте, создание подобных высокотехнологичных платформ для поиска мишеней неразрывно связано с применением методов биоинформатики и вычислительных методов обработки данных.

Компания Takeda и Insilico Medicine подписали стратегическое соглашение о применении платформы Pharma.AI для поиска биологических мишеней и дизайна молекул. Сотрудничество направлено на ускорение ранних стадий разработки лекарственных препаратов с использованием генеративного ИИ и прогнозных моделей.

В исследовании представлен Amylo-Pipe — новый унифицированный веб-сервер, предназначенный для комплексного прогнозирования агрегации белков и пептидов, что является критически важным для разработки терапевтических белков. Авторы решают проблему слабой корреляции между прогнозированием склонности к агрегации (APR) и реальной кинетикой процесса, объединяя в одном интерфейсе передовые инструменты механистического и кинетического анализа. В отличие от существующих методов, фокусирующихся только на поиске участков агрегации, Amylo-Pipe позволяет оценивать динамику процесса, что необходимо для предотвращения амилоидных заболеваний. Инструмент включает в себя функцию мутационного сканирования «gatekeeper-residues», которая помогает инженерам белка проектировать варианты, устойчивые к агрегации. Использование данного веб-сервера позволяет проводить более глубокую оценку поведения белков, чем стандартные рабочие процессы, ориентированные только на APR. Платформа доступна бесплатно и представляет собой значимый шаг в области биоинформатики и разработки лекарственных препаратов.

В статье исследуется критическая проблема машинного обучения в сфере разработки лекарственных препаратов: сложность идентификации новых биоактивных молекул, которые выходят за рамки распределения обучающих данных (Out-of-Distribution, OOD). Авторы представляют новый метрический подход, предназначенный для количественной оценки химического сдвига распределения (chemical distribution shift). Данная методология позволяет объективно оценивать способность молекулярных ML-моделей к обобщению на новых химических пространствах. Внедрение этой метрики позволяет предсказывать, насколько надежно модель будет работать с ранее неизвестными классами соединений. Это имеет решающее значение для ускорения процесса drug discovery, минимизируя ошибки при поиске инновационных терапевтических агентов. Исследование закладывает основу для создания более устойчивых и предсказуемых моделей в вычислительной химии.

Биотехнологический стартап Xaira, получивший одно из самых крупных финансирований в отрасли, представил свою первую флагманскую разработку — модель X-Cell. Данная нейросетевая архитектура предназначена для создания «виртуальных клеток», что позволяет моделировать сложные биологические процессы на молекулярном уровне. Методология исследования базируется на глубоком обучении для предсказания поведения клеточных структур, что значительно ускоряет процесс разработки новых лекарственных препаратов. Ключевым преимуществом X-Cell является способность имитировать биологические реакции без необходимости проведения каждого этапа в реальной лаборатории, что потенциально снижает затраты на R&D. Результаты работы модели открывают новые горизонты в прецизионной медицине и персонализированной терапии. Технология имеет критическое значение для фармацевтической индустрии, позволяя проводить высокоточный цифровой скрининг соединений.

Биотехнологический стартап cAMPfield Therapeutics из Сан-Диего успешно завершил раунд финансирования серии А, привлекши значительные инвестиции от ведущих институциональных инвесторов. Общий объем привлеченных средств составил 180 миллионов долларов, что подчеркивает высокий интерес рынка к разработке новых лекарственных препаратов. Компания специализируется на создании терапевтических средств для лечения воспалительных и иммунологических заболеваний, используя лицензионные технологии от других разработчиков. Данный раунд позволит cAMPfield ускорить процесс разработки своей платформы и довести ключевые молекулы-кандидаты до этапов клинических испытаний. Несмотря на то, что фокус компании направлен на иммунологию, успех такого масштабного финансирования часто связан с применением передовых вычислительных методов и ИИ для поиска новых мишеней и оптимизации молекул. Проект представляет интерес в контексте развития высокотехнологичного сектора биофармацевтики.

В исследовании, опубликованном в журнале Nature Machine Intelligence, представлена инновационная разработка ApexGO — генеративная модель искусственного интеллекта, предназначенная для редизайна пептидных антибиотиков. Основная цель метода заключается в создании новых молекул, способных эффективно бороться с бактериями, обладающими множественной лекарственной устойчивостью. Авторы провели комплексную валидацию полученных кандидатов, используя как лабораторные тесты in vitro, так и исследования на моделях мышей с инфекциями. Результаты показали, что разработанные с помощью ИИ пептиды либо соответствуют по эффективности стандартным антибиотикам, либо превосходят их. Данная технология открывает новые горизонты в разработке антимикробных препаратов, позволяя значительно ускорить процесс поиска эффективных молекул для борьбы с супербактериями.

На конференции ASGCT была представлена инициатива двух некоммерческих организаций — Американского общества генной и клеточной терапии (ASGCT) и Orphan Therapeutics Accelerator — по созданию специализированной платформы для спасения перспективных разработок. Проект функционирует по модели маркетплейса (аналогично сервису недвижимости Zillow), позволяя компаниям передавать права на заброшенные или приостановленные проекты в области клеточной и генной терапии новым разработчикам. Основная цель платформы — предотвратить потерю ценных научных данных и потенциальных методов лечения из-за прекращения финансирования или изменения стратегий фармацевтических гигантов. Это решение направлено на оптимизацию процесса разработки лекарств и ускорение вывода на рынок инновационных терапевтических решений. Инициатива имеет важное значение для экосистемы биотехнологий, так как помогает снизить издержки на повторные исследования и стимулирует развитие орфанных препаратов.

В статье освещаются ключевые финансовые и научные события в биотехнологическом секторе, включая успешное привлечение инвестиций компаниями Degron Therapeutics, CREATE и TenNor. Особое внимание уделено компании Degron Therapeutics (Сан-Диего/Шанхай), которая привлекла дополнительные 40 миллионов долларов в рамках раунда Series A, доведя общий объем финансирования до 95 миллионов долларов для развития своей платформы молекулярных клеящих деградаторов (molecular glue degrader). Также упоминаются результаты Cabaletta Bio, представившей новые данные по эффективности своей CAR-T клеточной терапии. Несмотря на то, что новости касаются разработки новых лекарственных методов и биотехнологических платформ, прямой акцент на применении алгоритмов искусственного интеллекта или машинного обучения в данных процессах отсутствует. Материал представляет интерес для сектора разработки лекарств, где ИИ может применяться на этапе дизайна молекул, но в тексте это не заявлено.