разработка лекарств

В данном исследовании представлена масштабная in silico кампания по предсказанию структур вирусных белков с использованием моделей AlphaFold2 и AlphaFold-Multimer. Авторы проанализировали 2 812 вирусных протеомов, относящихся к 23 семействам вирусов, представляющим интерес для здоровья человека, и успешно предсказали структуры 5 279 гетеродимеров и 2 749 гомодимеров. Метод структурного кластеризации интерфейсов позволил сократить исходный набор данных в пять раз, выделив 1 598 консолидированных кластеров, из которых 471 (29,5%) не имели обнаружимого сходства с экспериментально определенными интерфейсами в базе данных PDB. Полученные результаты дали новые данные о гликопротеинах, имеющих значение для вакцинологии, а также продемонстрировали высокую точность предсказания специфичности и сайтов расщепления вирусных протеаз, которые являются ключевыми мишенями для разработки противовирусных препаратов. Все предсказанные мономеры и высоконадежные димеры доступны для интерактивного просмотра в Портале подготовки к пандемиям базы данных AlphaFold, а полный набор данных доступен для массовой загрузки. Это исследование демонстрирует мощь ИИ-моделей в ускорении фундаментальных вирусологических исследований и разработке новых терапевтических стратегий.

В статье представлен новый вычислительный фреймворк CryoMV, предназначенный для анализа непрерывной структурной гетерогенности белков с использованием данных криоэлектронной микроскопии (крио-ЭМ). Методология интегрирует моделирование, основанное на структурных приоритетах (используя эталонные карты плотности как якоря), с строгой валидацией на реальных 2D-изображениях частиц. Алгоритм строит кандидаты на пути конформационных переходов, оценивает их поддержку экспериментальными данными через оценку поз частиц и функций контраста, а затем реконструирует поддерживаемые конформации методом обратного проецирования. Исследование демонстрирует высокую надежность и разрешающую способность метода на наборах данных EMPIAR-10516 и EMPIAR-10345. Ключевым преимуществом CryoMV является явный механизм проверки того, сгенерированные ли конформации действительно подтверждаются экспериментальными данными, что позволяет существенно снизить артефакты, вызванные моделями. Этот подход решает проблему высокого уровня шума и размытия движения, характерную для сырых данных крио-ЭМ. Разработка имеет прямое значение для структурной биологии и разработки лекарств, так как позволяет точнее понимать фундаментальные биологические процессы, зависящие от динамики белков. Технология представляет собой значительный шаг вперед в автоматизации и точности анализа непрерывных конформационных изменений макромолекул.

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.

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.

Использование технологии GraphRAG на базе AWS позволяет объединить разрозненные медицинские и лабораторные данные в единый графовый массив знаний. Это ускоряет поиск корреляций и сокращает циклы исследований в фармацевтике на 87%, используя NLP и графовые базы данных для обработки неструктурированной информации.

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.