фармакология

Компания Immunovant сообщила о неудачном завершении двух масштабных клинических исследований фазы 3 для своего препарата батоклимаб (batoclimab), предназначенного для лечения болезни глаз щитовидной железы (TED). Исследование фокусировалось на блокировании рецепторов FcRn, что является перспективным механизмом для снижения уровня патогенных аутоантител. Несмотря на высокие ожидания от терапии, результаты испытаний не достигли статистически значимых конечных точек, необходимых для одобрения препарата. Ранее компания также выразила скептицизм относительно дальнейшего продвижения батоклимаба для лечения болезни Грейвса. Данный провал подчеркивает сложность разработки таргетной терапии аутоиммунных заболеваний глаз и ставит под вопрос текущую стратегию использования ингибиторов FcRn в данном терапевтическом сегменте.

В статье рассматривается масштабное влияние препаратов класса GLP-1, используемых для коррекции веса, на глобальный рынок продуктов питания. Рост популярности этой терапии приводит к существенному изменению потребительского поведения: пациенты снижают суточную норму потребляемых калорий и меняют свои пищевые привычки. В ответ на эти изменения производители продуктов питания и ритейлеры вынуждены адаптировать свои стратегии, чтобы сохранить выручку. Ключевые направления трансформации включают разработку уменьшенных порций, увеличение доли белка в составе продуктов и полный пересмотр продуктовых линеек. Обзор анализирует, как пищевая индустрия пытается подстроиться под новый тип потребителя, чьи потребности диктуются медицинскими препаратами. Данный процесс демонстрирует глубокую взаимосвязь между фармакологическими трендами и экономикой потребительского сектора.

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.

В исследовании представлен DrugPlayGround — инновационный фреймворк, разработанный для объективной оценки эффективности больших языковых моделей (LLM) в области поиска и разработки новых лекарств. Авторы подчеркивают, что, несмотря на растущий потенциал LLM для ускорения генерации гипотез и оптимизации приоритетов кандидатов, в отрасли отсутствует стандартизированная методология оценки их преимуществ и ограничений по сравнению с традиционными платформами. DrugPlayGround позволяет тестировать способность моделей генерировать точные текстовые описания физико-химических свойств препаратов, синергизма лекарств, их взаимодействий с белками, а также физиологических реакций на введение молекул. Особое внимание уделяется проверке химической и биологической логики моделей через взаимодействие с экспертами предметной области для обоснования предсказаний. Данная разработка критически важна для масштабирования и снижения стоимости процессов разработки лекарств, обеспечивая переход от общих генеративных задач к специализированному научному обоснованию на всех этапах создания препаратов.

Компания GATC Health использовала ИИ-платформу Operon для поиска новых мишеней и дизайна молекул, способных бороться с опиоидной зависимостью. Разработанное соединение GATC-1021 успешно снизило тягу к фентанилу у подопытных животных без побочных эффектов, демонстрируя потенциал для ускорения разработки лекарств.

В исследовании, опубликованном в журнале npj Digital Medicine, представлен EcoRxAgent — специализированный ИИ-агент, разработанный для оптимизации процесса назначения лекарственных препаратов с учетом экономической эффективности. Основная цель системы заключается в поиске экономически взаимозаменяемых альтернатив (дженериков или более доступных аналогов) без потери терапевтической эффективности. Методология базируется на использовании агентных архитектур ИИ, способных анализировать огромные массимы данных о лекарственных взаимодействиях, стоимости и клинических протоколах. Разработка направлена на решение проблемы высокой стоимости лечения и оптимизацию расходов систем здравоохранения. Внедрение подобного инструмента позволяет автоматизировать процесс подбора наиболее рентабельных схем терапии, сохраняя при этом высокие стандарты безопасности пациентов. Результаты демонстрируют потенциал ИИ в снижении нагрузки на бюджеты медицинских учреждений и повышении доступности лекарств.

Статья представляет собой обзор эволюции и влияния инициативы AlphaFold на структурную биологию и медицину, отмечая достижение AlphaFold 2024 года Нобелевской премии. Модели развивались от AF1 через AF2 (достигшую почти экспериментальной точности в сворачивании одиночных цепей белка) к AF3, которая расширяет предсказания на белок-лигандные, белок-нуклеиновые кислоты и белок-белковые комплексы. Архитектурные различия между версиями включают использование глубоких нейронных сетей в AF1, Evoformer для моделирования эволюционно связанных последовательностей в AF2 и Pairformer для парных аминокислотных взаимодействий в AF3. Ключевые результаты включают широкое внедрение инструментов AlphaFold, расширение структурного покрытия и повышение доступности через базу данных AlphaFold Database (AFDB). Основные приложения в медицине включают ускорение трансляционных исследований, особенно в разработке лекарств на основе структуры (SBDD) и изучении сложных макромолекулярных комплексов. Несмотря на достижения, остаются нерешённые задачи предсказания динамики белка и множественных конформационных состояний. Статья подчёркивает, что AlphaFold продолжает продвигать структурную биологию, особенно в биотехнологии и медицине, несмотря на существующие ограничения.

Исследование представляет интегрированный подход к виртуальному скринингу для идентификации новых агонистов рецептора глюкагоноподобного пептида-1 (GLP-1R), ключевого терапевтического мишени при диабете и ожирении. Авторы разработали консенсус-стратегию, объединяющую лиганд-ориентированные дескрипторы, мульти-отпечатки сходства, электростатическое сходство, фармакофоровое моделирование и многоконформационный докинг. Методология позволила выявить три химически различных класса кандидатов-агонистов GLP-1R: непептидную молекулу GQB47810, пептид нейромедицина C и малый пептид 2,5-Pen-enkephalin (DPDPE). В ходе экспериментальной проверки DPDPE показал наибольшую эффективность, достигнув значений, сравнимых с GLP-1, хотя с меньшей потенцией. Дальнейшая in vitro характеризация подтвердила, что пентептид пент-энкефалин действует как полный агонист и демонстрирует двойную активацию GLP-1R/GIPR. Найденные результаты устанавливают переносимую вычислительную рамку для открытия разнообразных по химическому типу агонистов у конформационно гибких мишеней GPCR. Это исследование представляет значимый вклад в разработку новых терапевтических средств против метаболических заболеваний, расширяя химическое разнообразие лигандов GLP-1R за пределы пептидных агонистов.

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 новый вычислительный метод PrePR-CT, разработанный группой Alsulami et al. и опубликованный в Nature Machine Intelligence в марте 2026 года. Метод объединяет биологические сети с машинным обучением для предсказания реакции различных типов клеток на лекарственные соединения при ограниченных данных. Ключевое преимущество подхода — работа в режиме малых данных (small-data regime), что критически важно для ранней стадии разработки лекарств, когда экспериментальных данных недостаточно. Метод улучшает точность предсказаний, интерпретируемость результатов и эффективность процесса открытия новых препаратов. Использование индуктивных априорных знаний позволяет модели извлекать полезные паттерны из ограниченных наборов данных, что особенно актуально для персонализированной медицины и таргетной терапии. Разработка имеет практическое значение для фармацевтических компаний, позволяя сократить время и стоимость доклинических исследований за счёт более точного предсказания эффективности соединений на ранних этапах. Методология открывает перспективы для применения в скрининге библиотек соединений и оптимизации дозировок для конкретных типов клеток.

Исследователи представляют ProteinSage — новую фреймворк предобучения для моделей белковых языков, который интегрирует явные структурные ограничения вместо традиционного подхода, основанного исключительно на последовательностях. Методология включает структурированное маскирование белковых последовательностей и каузальную задачу, позволяющую моделировать долгосрочные зависимости в структуре белка. Такой подход позволяет достигать конкурентоспособных результатов при использовании меньшего объёма данных и вычислительных ресурсов. Валидация на задаче обнаружения белков с многопроходными трансмембранными спиральными архитектурами показала успешную идентификацию шести ранее неаннотированных гомологов микробных родопсинов. Это демонстрирует способность модели к истинному структурному обобщению, а не просто подгонке под конкретные задачи. Разработка ProteinSage открывает путь к более эффективному обучению представлений белков с сохранением структурной информации, что критически важно для предсказания структуры белков, дизайна лекарств и понимания механизмов заболеваний. Технология может ускорить открытие новых терапевтических мишеней и персонализированные подходы к лечению на основе белковых взаимодействий.