фармакология

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.

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.

Исследование представляет TacroDose AI — систему на базе GPT-4, предназначенную для генерации рекомендаций по дозированию такролимуса в соответствии с клиническими протоколами. Использование уточненных промптов позволило повысить точность соблюдения протокола до 91,7% и значительно снизить количество критических ошибок.

В исследовании представлен IDBSpred — новый метод на основе последовательностей для предсказания сайтов связывания внутренне неупорядоченных белков (IDP) на структурированных белках-партнерах на уровне отдельных аминокислотных остатков. Методология включает использование эмбеддингов последовательностей, полученных с помощью мощной языковой модели белка ESM-2, в качестве входных данных для классификатора на базе многослойного перцептрона (MLP). Для обучения и тестирования использовалась база данных DIBS, содержащая более 700 нередундантных комплексов IDP-белок. Исследование выявило, что сайты связывания обогащены ароматическими остатками (Trp, Tyr, Phe) и полярными заряженными аминокислотами, при этом наблюдается дефицит Ala и малых конформационно ограниченных остатков. Разработанный классификатор показал высокую эффективность с показателем ROC AUC 0.87 и средней точностью (average precision) 0.61. Результаты структурных исследований подтвердили, что предсказанные сайты в значительной степени соответствуют экспериментально определенным интерфейсам связывания. Данный инструмент предоставляет практическую основу для изучения интерфейсов, опосредованных IDP, и идентификации потенциальных терапевтических мишеней (hotspots).

Исследователи представили новый метод F2S (Features to Signatures), предназначенный для предсказания частоты возникновения побочных эффектов лекарственных препаратов с учетом их хиральности. Основная проблема заключается в том, что энантиомеры (зеркальные молекулы) могут иметь идентичный химический состав, но радикально разные профили безопасности и эффективности. Методология F2S использует направленную графовую нейронную сеть с передачей сообщений по связям (directed-bond message-passing GNN) для извлечения стереохимических конфигураций из структуры молекул, в то время как текстовые описания побочных эффектов кодируются с помощью предобученной модели PubMedBERT. В ходе тестирования в сценариях «холодного старта» и проспективной оценки метод показал результаты, сопоставимые с современными SOTA-решениями, при этом значительно снизив количество ложноположительных результатов. Особое преимущество F2S заключается в способности точно предсказывать различия в частоте побочных эффектов между парами энантиомеров. Кроме того, модель формирует компактные 10-мерные сигнатуры, которые обеспечивают интерпретируемость: сигнатуры лекарств отражают их терапевтический класс, а сигнатуры эффектов — фенотипическое сходство.

В данной научной работе представлена новая методология прогнозирования аффинности взаимодействия лекарственных соединений с биологическими мишенями (DTA), которая учитывает пространственную организацию молекул (стереохимию). Авторы указывают на критический недостаток существующих моделей, которые полагаются только на связность атомов и игнорируют хиральность, что приводит к ошибкам при анализе энантиомеров — молекул с идентичным составом, но разной трехмерной структурой. Предложенный фреймворк использует графовую нейронную сеть с передачей сообщений по направленным связям (directed-bond message passing GNN) для захвата конфигураций энантиомеров, в сочетании с эмбеддингами белковых последовательностей. Экспериментальная проверка на наборе данных Davis подтвердила улучшение точности прогнозирования аффинности. Особую значимость представляет кейс-стади на специально подготовленном наборе данных энантиомеров: модель успешно разделила их показатели аффинности в соответствии с экспериментально наблюдаемой биологической активностью. Это делает метод перспективным инструментом для более точного и химически достоверного дизайна лекарств в рамках компьютерного моделирования (in silico).

Исследователи представили GIDEON — инновационный метод на базе целочисленного линейного программирования (ILP), предназначенный для поиска моделей межпутевых взаимодействий (BPM) в сетях генетического взаимодействия. В основе работы лежит анализ данных парного эпистаза дрожжей Baker's yeast, где оценивается рост штаммов с двойным нокаутом генов по сравнению с одиночными нокдаунами. Авторы внедрили улучшенную схему взвешивания ребер с учетом распределения данных, что позволило значительно расширить коллекции BPM по сравнению с существующими методами. Результаты показывают, что GIDEON обеспечивает более качественное функциональное обогащение выявленных групп генов. В ходе исследования были обнаружены новые наборы генов BPM, включая те, что связывают биосинтез эргостерола и ароматических аминокислот. Эти данные открывают новые перспективы для поиска мишеней противогрибковых препаратов, используя системный подход к анализу генетических сетей.

Представлена TransXplorer — новая бесплатная веб-платформа, предназначенная для комплексного анализа данных секвенирования РНК (RNA-seq), которая объединяет разрозненные этапы биоинформатического исследования в единый рабочий процесс. В отличие от существующих инструментов, TransXplorer позволяет пройти путь от обработки необработанных FASTQ-файлов (с использованием HISAT2 или Salmon) до клинической и фармакологической интерпретации. Платформа реализует дифференциальный анализ экспрессии генов через DESeq2, edgeR и limma-voom, а также обеспечивает автоматическое обнаружение и коррекцию батч-эффектов (пакетных эффектов) с помощью метрик PVCA, kBET и Silhouette. Важной особенностью является интеграция функционального обогащения для более чем 1800 видов, построение сетей коэкспрессии (WGCNA), деконволюция типов клеток и предсказание транскрипционных факторов. Система позволяет связывать генные сигнатуры с потенциальными лекарственными препаратами через базы DGIdb и OpenTargets, а также проводить анализ выживаемости на когортах TCGA. Тестирование на наборах данных GSE151427 и TCGA-KIRP подтвердило точность коррекции батч-эффектов и способность платформы идентифицировать клинически значимые гены и терапевтические мишени.

В исследовании анализируется эффективность современных моделей глубокого обучения, предназначенных для предсказания химических пертурбаций (изменений экспрессии генов) на основе данных L1000. Авторы провели эксперимент, переобучив семь существующих моделей с нуля, используя нулевые или перемешанные входные данные о молекулярной структуре лекарств. Результаты показали, что при оценке на новых, ранее не встречавшихся соединениях (cold-drug evaluation), удаление молекулярных признаков практически не повлияло на точность прогнозов. Базовая модель MLP, использующая только базовую экспрессию клеточных линий, показала результаты, сопоставимые со специализированными архитектурами. Исследование доказывает, что текущие нейросетевые архитектуры не способны эффективно использовать химические свойства молекул для обобщения данных на новые препараты. Это подчеркивает критическую необходимость разработки новых подходов в биоинформатике для интеграции химической структуры в предсказательные модели.

В данном исследовании ученые применили методы компьютерного моделирования (in-silico) для изучения молекулярного механизма взаимодействия эндогенного лиганда 20-HETE с Na⁺/K⁺-АТФазой (NKA), которая играет ключевую роль в регуляции ионного баланса в почках. Использование методов жесткого докинга и докинга с индуцированным соответствием (Induced Fit Docking) позволило оценить аффинность различных лигандов, включая кардиотонические стероиды и 20-HETE. С помощью расчетов свободной энергии связывания (Prime MM/GBSA) были выявлены критически важные аминокислотные остатки, участвующие в стабилизации комплекса. Результаты показали, что мутации Ala330Gly, Val329Ala и Thr804Ala существенно влияют на энергию связывания, что указывает на их ключевую роль в процессе взаимодействия. Полученные данные предоставляют теоретическую базу для понимания механизмов развития фиброза и воспаления при хронической болезни почек (ХБП) и определяют конкретные мишени для последующей экспериментальной валидации.

В статье представлен ChemProFlow — инновационный вычислительный фреймворк, который меняет подход к анализу мембранного транспорта, переходя от белково-центричной модели к субстрат-центричной. Авторы интегрировали методы геометрического глубокого обучения (geometric deep learning) с геномным картированием на основе ортологии для предсказания транспортной способности молекул. Система ChemProFlow способна не только определять, будет ли молекула транспортироваться, но и классифицировать механизмы транспорта согласно базе данных Transporter Classification Database, а также идентифицировать конкретные микроорганизмы, кодирующие соответствующие системы. Данный подход позволяет масштабируемо выстраивать связи между субстратом, транспортером и организмом, что критически важно для фармакологии при прогнозировании транспорта лекарств и для биотехнологии при проектировании новых штаммов. Исследование демонстрирует высокую обобщающую способность метода на ранее неизвестных субстратах, обеспечивая высокопроизводительный анализ молекулярного транспорта в различных биологических контекстах.

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.