разработка лекарств

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.

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.

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.

В исследовании представлена инновационная модель DMVHP-IBS, предназначенная для высокоточного прогнозирования взаимодействий между белками вирусов и белками хозяина, а также определения конкретных сайтов их связывания. Методология базируется на динамической интеграции мультимодальных признаков, что позволяет учитывать сложные структурные и функциональные аспекты биомолекул. В отличие от существующих методов, данная модель использует динамический подход к анализу признаков, что значительно повышает точность предсказания в условиях вариативности биологических данных. Ключевым результатом работы является способность системы не только предсказывать факт взаимодействия, но и локализовать участки связывания, что критически важно для разработки таргетных противовирусных препаратов. Практическая значимость исследования заключается в ускорении процесса идентификации потенциальных мишеней для терапии вирусных инфекций, сокращая время на ранних этапах разработки лекарств. Использование ИИ в данном контексте позволяет автоматизировать сложнейшие биоинформатические задачи с высокой степенью достоверности.

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.