фармакология

В исследовании представлен инновационный конвейер QSAR-моделирования, использующий графовые нейронные сети (GNN) и графовые трансформеры (GT) для прогнозирования токсичности химических соединений. Авторы разработали методологию, которая кодирует молекулы напрямую в виде графов, избегая потери информации, характерной для бинарных фингерпринтов. Модель тестировалась на данных PubChem для оценки активации каспаз-3/7 и изменения митохондриального мембранного потенциала (MMP), а также на данных FDA для прогнозирования лекарственного поражения печени (DILI) у человека. Результаты показали значительный прогресс: консенсусная модель достигла AUC 0.69 при прогнозировании DILI, а архитектура Graphormer показала лучший F1-score 0.79, существенно превзойдя предыдущие показатели (AUC 0.63 и F1 0.65). Механистический анализ выявил, что фенольные соединения с пара-гидроксифенильным мотивом и липофильные соединения с длинными алкильными цепями провоцируют коллапс MMP и последующую активацию каспаз. Исследование подчеркивает потенциал глубокого обучения на графах для ускорения оценки безопасности новых лекарственных средств и химических веществ.

В исследовании представлен CAREPath — инновационный фреймворк на базе архитектуры KG-LLM (Knowledge Graph + Large Language Model), предназначенный для поиска новых терапевтических применений существующих лекарственных средств. Авторы решают проблему неэффективности глубокого обхода биомедицинских графов знаний, когда длинные пути через «гены-хабы» создают избыточный шум. Методология сочетает в себе два подхода: DFS-подобный модуль для извлечения коротких, семантически значимых путей «болезнь-ген-препарат» и BFS-подобный модуль для обогащения контекста через соседства генов и фармакологическое сходство. В ходе экспериментов на пяти биомедицинских графах знаний CAREPath превзошел 18 базовых моделей, показав прирост метрики AUPRC до 3,8%. Результаты подтверждают, что кодирование семантических коротких путей является ключевым фактором успеха, а механизм аугментации контекста повышает устойчивость модели при дефиците данных. Практическая значимость подтверждена кейс-стади и сопоставлением с недавно одобренными FDA показаниями, что делает систему интерпретируемым инструментом для разработки новых стратегий лечения.

Исследование представляет инновационную гибридную нейронную сеть на основе гиперграфов (HGNN) и графовых сверточных сетей (GCN) для решения проблемы антимикробной резистентности. Модель предназначена для прогнозирования результатов комбинированной терапии, включая сочетание антимикробных пептидов (AMP) с традиционными антибиотиками. В основе метода лежит использование тернарных гиперребер, представляющих триплеты «агент-агент-бактерия», что позволяет учитывать контекстные зависимости взаимодействий. Для обучения использовались молекулярные графовые эмбеддинги, полученные из SMILES-нотаций, и таксономические представления бактерий. Задача решалась как трехклассовая классификация: синергия, антагонизм и отсутствие взаимодействия. Результаты тестирования показали высокую эффективность: точность (accuracy) составила 0.83, ROC-AUC достиг 0.95, а взвешенный F1-score — 0.84. В частности, точность прогнозирования антагонизма составила 0.92, а синергии — 0.80. Данная разработка позволяет значительно ускорить процесс компьютерного отбора перспективных комбинаций препаратов для последующих лабораторных испытаний.

В исследовании представлена инновационная модель Pillbox, предназначенная для предсказания ответа раковых клеток на лекарственные препараты. Авторы разработали пайплайн, защищенный от шести типов утечек данных (leakage modes), что критически важно для точности медицинских ИИ-моделей. Архитектура Pillbox объединяет эмбеддинги метилирования CpGPT, эмбеддинги лекарств CLAMP и главные компоненты экспрессии генов, используя механизм Feature-wise Linear Modulation (FiLM) на графе белок-белковых взаимодействий STRING v12. При тестировании на наборе данных GDSC (987 клеточных линий, 375 препаратов) ансамбль модели показал высокие результаты R-квадрат: 0.78 на случайных разбиениях, 0.77 на гистологически слепых и 0.76 на территориально слепых (site-blind) выборках. Исследование также вводит новый диагностический метод для оценки насыщения признаков через кросс-архитектурную корреляцию остатков. Результаты подтверждают, что использование фундаментальных моделей эмбеддингов позволяет достичь точности, сопоставимой с пределом воспроизводимости измерений между базами GDSC и PRISM (разница по Спирмену < 0.01).

Исследование представляет два инновационных подхода для преодоления вычислительного барьера при скрининге гигантских химических библиотек, объем которых превышает 100 миллиардов соединений. Авторы разработали фреймворк CombiDOCK, позволяющий проводить исчерпывающий комбинаторный докинг такого масштаба всего за 40 дней, что в разы эффективнее традиционных методов. Вторым методом стал MINT-Dock — генеративная система, интегрирующая CombiDOCK с поиском по дереву Монте-Карло (MCTS), что ускоряет навигацию по химическому пространству. Тестирование на 46 различных мишенях показало, что MINT-Dock обеспечивает 4800-кратное обогащение по сравнению со случайным отбором. В сравнении с предыдущими кампаниями по скринингу миллиардных библиотек, методы продемонстрировали более высокие показатели hit rate и получение более мощных лигандов. При этом MINT-Dock позволил сократить вычислительные затраты более чем в 20 раз при сохранении сопоставимой эффективности. Валидация результатов проводилась с помощью криоэлектронной микроскопии (cryo-EM), подтвердившей точность предсказанных поз связывания для соединений мишени VAChT.

Исследователи представили BacteReason — специализированную большую языковую модель (LLM), предназначенную для прогнозирования чувствительности бактерий к антибиотикам с предоставлением механистического обоснования. В отличие от традиционных методов машинного обучения, которые часто работают как «черный ящик», BacteReason использует подход обучения с учителем, где проприетарная модель-наставник генерирует объяснения молекулярных механизмов резистентности. Для обеспечения научной точности модель интегрирована с биомедицинскими базами знаний через протокол TogoMCP, что позволяет привязывать каждый шаг рассуждения к конкретным доказательствам из графов знаний. В ходе тестирования на бенчмарках по экстраполяции модель показала относительное улучшение точности на 43% по сравнению с базовой ненастроенной LLM и на 38% по сравнению с моделью, прошедшей тонкую настройку без использования рациональных обоснований. Данная разработка имеет критическое значение для клинической практики, так как позволяет врачам не только получать прогноз эффективности препарата, но и понимать биологическую причину устойчивости патогена.

В исследовании представлен новый алгоритм DDI_single, предназначенный для решения критической задачи моделирования пространственного расположения доменов в многодоменных белках. В отличие от существующих методов, фокусирующихся на внутренней структуре отдельных доменов, DDI_single использует возможности языковой модели белка ESM-1b для извлечения признаков непосредственно из аминокислотной последовательности. Ключевым инновационным компонентом является модуль gated cross-attention, который позволяет точно предсказывать взаимодействия между парами остатков различных структурных доменов. Результаты тестирования показали, что алгоритм превосходит trRosettaX_single по точности предсказания относительных расстояний между доменами более чем на 20%. При сборке доменов с известной пространственной конформацией метод продемонстрировал точность 74,4% (TM-score > 0.5), а при работе с неизвестными конформациями — 73,9% (при условии корректного моделирования внутренних структур доменов). Данная разработка имеет высокую значимость для структурной биологии и рационального дизайна лекарственных препаратов, позволяя лучше понимать функции сложных белков.

В исследовании представлен APOSM — новый алгоритм активного обучения, предназначенный для оптимизации дизайна малых молекул, что критически важно для разработки лекарственных препаратов. Основная проблема существующих суррогатных моделей заключается в шуме и разреженности данных при скрининге, что снижает точность предсказаний. Авторы предложили использовать попарное сравнение молекул вместо обучения на абсолютных оценах, что обеспечивает более надежный сигнал для отбора активных кандидатов. Методология APOSM объединяет генератор на основе фрагментов, графовую нейронную сеть (GNN) с механизмом передачи сообщений для попарного сравнения и вероятностное ранжирование в рамках пакетного цикла сбора данных. Тестирование на бенчмарке Practical Molecular Optimization и задаче по поиску лигандов GPCR показало, что APOSM значительно превосходит методы Graph-GA и классическую точечную регрессию. Наибольшая эффективность алгоритма наблюдается в сценариях, где калибровка абсолютных оценок наиболее затруднена, что делает его перспективным инструментом для ускорения доклинических исследований.

Исследование посвящено решению проблемы фрагментации и несогласованности аннотаций ферментов суперсемейства цитохрома P450 (CYP) в структурных репозиториях. Авторы разработали инновационный рабочий процесс, сочетающий поиск по ключевым словам, скрытые марковские модели (HMM) и структурное выравнивание для надежного обнаружения и верификации белков. В ходе работы было идентифицировано 1 513 депозитов, представляющих 674 уникальные последовательности, которые прошли повторную аннотацию через сервер P450Atlas и ручную проверку. В результате исследования было обнаружено пять новых подсемейств CYP. Созданный набор данных представляет собой первый строго курируемый реестр ферментов P450, интегрированный в общедоступный ресурс с поддержкой автоматизированного конвейера для сканирования новых поступлений. Данная методология критически важна для фармакологии и биотехнологии, так как обеспечивает точный поиск и стандартизированную номенклатуру для крупномасштабного анализа структурных данных.

Исследователи создали крупнейший на сегодняшний день транскриптомный атлас единичных клеток макаки-крабоеда (Macaca fascicularis), объединив данные 30 публичных исследований, охватывающих 57 анатомических областей и 43 органа. В основе работы лежит инновационный метод кросс-видовой аннотации с использованием универсальных эмбеддингов клеток (UCE), который позволяет сопоставлять клетки обезьян с человеческим референсным набором данных Tabula Sapiens V2 в едином пространстве. Итоговый атлас включает более 2,5 миллионов высококачественных клеток и демонстрирует высокую степень соответствия паттернов экспрессии генов между человеком и макаками. Этот ресурс позволяет проводить высокоточное сравнение экспрессии мишеней, что критически важно для оценки токсичности биопрепаратов и разработки антитело-конъюгатов (ADC). Использование данного атласа помогает глубже понять механизмы побочных эффектов, таких как офтальмологическая токсичность, и выявлять видоспецифичные особенности иммунных клеток. Внедрение этой вычислительной платформы способствует переходу к более точным методам доклинических исследований, снижая необходимость в избыточном использовании приматов за счет более обоснованного дизайна экспериментов.

Исследование посвящено детальному изучению механизмов активации комплекса mTORC1, который играет ключевую роль в регуляции клеточного роста, метаболизма и ответа на стресс. Авторы использовали передовые методы глубокого обучения, включая AlphaFold-3, в сочетании с молекулярной динамикой (MDFF) для создания уточненных атомарных моделей комплекса mTORC1 в различных состояниях (с ATP и RHEB). В ходе симуляций было обнаружено, что связывание малого ГТФазы RHEB вызывает глобальную перестройку комплекса: усиливаются взаимодействия между mTOR и RAPTOR, при этом ослабляются контакты mTOR-mLST8. Эти структурные изменения приводят к реорганизации N- и C-лопастей киназы, переводя её в каталитически активное состояние. Особое внимание уделено стабилизации связывания ATP за счет улучшения координации ионов магния (Mg2+). Работа предоставляет глубокое понимание того, как аллостерическая предорганизация mTORC1 подготавливает комплекс к катализу еще до связывания субстрата, что критически важно для разработки новых терапевтических мишеней.

В данной статье проводится критический анализ методов конформационной протеомики: LiP-MS (лимитированный протеолиз с масс-спектрометрией) и недавно представленного PELSA (анализ локальной стабильности пептидов). Авторы исследуют утверждения предыдущего исследования, согласно которым метод PELSA демонстрирует количественную чувствительность, сопоставимую или превосходящую LiP-MS, включая зафиксированное 21-кратное изменение для белка FKBP1A при воздействии рапамицина. Путем повторного анализа публично доступных наборов данных было установлено, что заявленное 21-кратное преимущество является следствием несоответствия экспериментальных условий и использования недекларированных методов импутации (заполнения) данных. Исследование подчеркивает необходимость осторожности при выборе методов конформационной протеомики и указывает на методологические ошибки, которые могут искажать биологическую интерпретируемость результатов. Работа имеет высокую значимость для специалистов, занимающихся структурной биологией и разработкой лекарств с использованием масс-спектрометрии.

Исследователи представили PACMON — новую байесовскую модель латентных факторов, предназначенную для интерпретации результатов высокопроизводительного скрининга генов. В отличие от существующих методов, PACMON объединяет мультимодальные молекулярные измерения (например, РНК и поверхностные белки) с априорными биологическими знаниями о путях. Модель использует структурированные разреженные априорные распределения для сопоставления латентных факторов с известными биологическими путями, одновременно оценивая, как различные экспериментальные воздействия (пертурбации) активируют или подавляют эти программы. Тестирование на синтетических данных показало практически идеальное восстановление структуры путей, превосходящее текущие методы по точности и масштабируемости. При применении к данным Perturb-CITE-seq клеток меланомы модель успешно выявила программы интерферонного сигналинга и клеточного цикла. Особую значимость представляет применение PACMON к атласу пертурбаций Tahoe-100M, охватывающему около 100 миллионов клеток и более 1000 комбинаций доз лекарств, что позволило впервые провести анализ латентных факторов на уровне путей в таком масштабе и картировать ландшафты лекарственного ответа.

В исследовании представлен инновационный фреймворк, объединяющий эволюционные алгоритмы и генеративный искусственный интеллект для навигации в сверхбольших химических пространствах (более 10^20 соединений). Авторы решают проблему вычислительной сложности традиционного виртуального скрининга путем внедрения итеративной тонкой настройки моделей и поиска подструктур на основе химических реакций. Данный подход позволил эффективно идентифицировать целевые молекулы-кандидаты в коммерчески доступной библиотеке Enamine REAL Space, объем которой составляет порядка 10^15 соединений. Практическая значимость метода подтверждена биохимической валидацией: исследователи успешно нашли специфические pH-зависимые лиганды для μ-опиоидного рецептора. Результаты доказывают, что интеграция генеративного ИИ с эволюционными методами открывает путь к быстрому поиску новых, синтетически доступных молекул-лидеров, значительно ускоряя процесс разработки лекарственных препаратов.

В исследовании представлен OmniBind — инновационная многозадачная нейросетевая платформа, предназначенная для точного прогнозирования аффинности связывания лекарственных средств с белками-мишенями. В отличие от существующих методов, OmniBind использует механизм затворной фузии (gated fusion) для интеграции признаков аминокислотных последовательностей с дискретными токенами третичной структуры белков. Модель была обучена на колоссальном наборе данных, включающем более 2 миллионов пар соединение-белок из базы BindingDB, что позволяет ей одновременно предсказывать четыре фармакологических показателя за один проход. В ходе тестирования на временных и состязательных бенчмарках OmniBind превзошла современные аналоги, доказав, что она улавливает физико-химические принципы взаимодействия, а не просто запоминает паттерны совпадений. Особую значимость представляет способность модели к интерпретируемости: анализ внимания показал точное распознавание сайтов связывания, включая реакцию на мутацию T315I в остатке ABL1. Практическая проверка на протеоме из 20 421 человеческого белка показала, что модель успешно идентифицировала 85,7% известных клинических мишеней клозапина в топ-200 предсказаниях, эффективно разделяя его профиль от структурно схожего кломипрамина. Данная разработка открывает новые возможности для оптимизации лекарственных кандидатов, оценки побочных эффектов (off-target) и репозиционирования существующих препаратов.

Исследователи представили PHENOCAUZ — инновационный вычислительный фреймворк, предназначенный для установления связи между клиническими симптомами и вызывающими их белками. Методология заключается в интеграции отношений между фенотипами и генами при менделевских заболеваниях с молекулярными характеристиками белков. Модель обучается на данных о менделевских заболеваниях для предсказания белков, ответственных за симптомы при более сложных заболеваниях и побочных эффектах лекарств. В ходе тестирования на базе 2 344 симптомов и 4 828 белков точность (precision) модели составила около 0,70. Результаты подтвердили высокую корреляцию предсказаний с известными терапевтическими мишенями и механизмами действия лекарств. Практическая значимость PHENOCAUZ заключается в возможности прогнозирования тяжелых побочных эффектов препаратов и поиске новых терапевтических кандидатов для лечения рака яичников, простаты, молочной железы, а также деменции и болезни Крона.

Компания Wave Life Sciences представила обновленные данные раннего клинического исследования своего инновационного метода терапии на основе редактирования РНК для лечения дефицита альфа-1 антитрипсина (AATD). Основная цель исследования заключается в подтверждении возможности перехода на ежемесячный режим введения препарата, что значительно повысит удобство терапии по сравнению с текущими методами. Технология РНК-редактирования направлена на коррекцию экспрессии дефектного белка, что позволяет воздействовать на первопричину заболевания на генетическом уровне. Предварительные результаты показывают многообещающий профиль безопасности и фармакокинетики, подтверждая потенциал метода для долгосрочного контроля заболевания. Данное исследование является важным шагом в развитии прецизионной медицины, демонстрируя возможности точного управления РНК для лечения редких генетических патологий. Успешная реализация этого протокола может изменить стандарты оказания помощи пациентам с AATD, обеспечивая более стабильный терапевтический эффект.

В статье рассматривается использование передового ИИ-инструмента Co-Scientist для исследования механизмов заболеваний печени и поиска новых методов лечения. Исследователь Филиппо Меноласина применяет данную технологию для идентификации новых терапевтических мишеней и понимания причин, по которым существующие препараты демонстрируют разную эффективность у разных групп пациентов. Методология базируется на способности ИИ анализировать сложные биологические данные для объяснения механизмов действия лекарств. Ключевым результатом является возможность персонализации терапии и ускорение процесса разработки новых лекарственных средств. Данное исследование имеет высокую значимость для прецизионной медицины, позволяя сократить время на поиск эффективных молекул для лечения патологий печени.

В исследовании представлен инновационный метод поиска селективных ингибиторов PDE4B, которые могут обеспечить противовоспалительный эффект при лечении ХОБЛ, минимизируя побочные эффекты, связанные с изоформой PDE4D. Авторы использовали интегрированный пайплайн, включающий интерпретируемое машинное обучение (Random Forest с анализом SHAP), виртуальный скрининг базы данных природных соединений LOTUS и молекулярную динамику. Классификатор, обученный на данных ChEMBL, показал высокую точность (AUC-ROC = 0.955) и позволил отобрать 119 698 потенциально активных соединений. После многоступенчатого фильтрации (Lipinski, PAINS, QED) и иерархического докинга были выявлены четыре лид-соединения с энергией связывания от -9.123 до -12.080 ккал/моль, что превосходит показатели эталонного препарата рофлумиласта (-7.658 ккал/моль). Лучший кандидат, LTS0048837, продемонстрировал стабильную структуру комплекса в ходе 100-наносекундной симуляции молекулярной динамики и показал более высокую селективность к PDE4B по сравнению с PDE4D. Данная работа закладывает основу для создания новых лекарственных средств на базе природных соединений с помощью ИИ-методов.