drug discovery

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.

В исследовании представлен XAttn-DTA — инновационный фреймворк для прогнозирования аффинности взаимодействия лекарства и мишени (DTA), который не требует экспериментально определенных структурных координат белков. Методология объединяет многослойные графовые сети внимания (GAT) для кодирования 2D-молекулярных графов лекарств и использование предсказанных карт контактов ESM2 для построения графов аминокислотных остатков белков. Ключевым элементом является модуль двунаправленного кросс-внимания, который позволяет лигандам и белковым средам взаимно обогащать друг друга в общем латентном пространстве. На бенчмарке Davis модель показала индекс конкордации (CI) 0,907 и MSE 0,175, что на 1,8% выше CI и на 9,3% ниже MSE по сравнению с лучшими аналогами. В тестах на наборе KIBA достигнуто снижение MSE на 13,6% (до 0,121). Особую значимость представляют результаты в условиях «холодного старта» (неизвестные структуры): на наборах Davis, KIBA и BindingDB модель показала снижение MSE до 79,0% и рост CI до 31,5%, что подтверждает её высокую способность к обобщению на новые химические каркасы и семейства белков.

В исследовании представлен инновационный биоинформатический фреймворк для поиска новых лекарственных средств против болезни Альцгеймера, нацеленных на фермент BACE1. Авторы объединили мета-ансамблевый QSAR (пять древовидных классификаторов с отпечатками ECFP4), структурный докинг и веса взаимодействий остатков, направляемые белковой языковой моделью ESM-1b. В ходе скрининга 16 196 структурно разнообразных соединений было выявлено 153 активных вещества с высокой точностью (ROC-AUC 0.920), которые после фильтрации ADMET-профилирования были сокращены до 111 лекарственно-подобных кандидатов и 7 приоритетных соединений. Молекулярно-динамическое моделирование длительностью 200 нс подтвердило стабильность связывания наиболее перспективного соединения (Mol-2) в каталитическом кармане BACE1, обеспечив взаимодействие с каталитической диадой (ASP32 — 98%, ASP228 — 99%). Разработанный метод продемонстрировал исключительную устойчивость к параметрическим неопределенностям (Spearman rho = 0.998) и может служить переносимой платформой для поиска терапии сложных нейродегенеративных заболеваний.

Китайская биотехнологическая компания Ailux, базирующаяся в Шанхае, объявила о назначении Марии Белвиси на должность главного научного директора (CSO). Белвиси ранее занимала научную должность в компании AstraZeneca, что подчеркивает стремление стартапа привлечь экспертов мирового уровня. Ailux позиционирует себя как ведущая сила в китайском секторе биотехнологий, ориентированном на использование искусственного интеллекта. Основная стратегическая цель компании заключается в выводе своих разработок на стадию клинических испытаний к 2027 году. Данное событие отражает растущий тренд интеграции ИИ в процесс поиска и разработки новых лекарственных препаратов (drug discovery) в Азиатском регионе. Переход высококвалифицированных кадров из традиционной Big Pharma в ИИ-ориентированные стартапы свидетельствует о зрелости рынка ИИ-биотехнологий.

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 первый курируемый датасет экосистемы научных агентов OpenClaw, охватывающий 91 проект и 2 230 навыков в 34 научных категориях, включая биоинформатику и открытие лекарств. Авторы анализируют структуру, распределение и возникающие паттерны развития научных агентов на основе ИИ, которые могут выполнять исследовательские рабочие процессы в биоинформатике и фармацевтике. Представлена публичная платформа Claw4Science (claw4science.org), которая организует проекты и агрегирует распределённые репозитории навыков в единый интерфейс для научных рабочих процессов. Результаты показывают сдвиг от изолированных систем к более модульной и разделяемой модели научных вычислений, что особенно актуально для медицинских исследований. Авторы выделяют открытые вызовы в области оценки, воспроизводимости и управления научными агентами на базе больших языковых моделей. Датасет служит основой для будущих бенчмарков и стандартизированной инфраструктуры для научных ИИ-агентов, что может ускорить разработку инструментов для медицинской диагностики и разработки препаратов. Работа демонстрирует, как структурирование знаний об агентах может снизить барьер для вклада и способствовать росту экосистемы. Исследование имеет прямое значение для фармацевтической индустрии и биомедицинских исследований, где ИИ-агенты могут автоматизировать сложные исследовательские задачи.

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.

Исследование представляет DEPICT (Drug rEsponse Prediction in transCriptomics with Transformers) — глубокую нейросетевую модель на основе трансформеров, которая предсказывает транскрипционные ответы клеток на лекарственные препараты в зависимости от базового экспрессионного профиля генов и параметров воздействия. Модель обучена на датасете LINCS L1000 и демонстрирует способность обобщать знания на невиданные ранее препараты и типы клеток. В наиболее сложной задаче предсказания для неизвестных типов клеток DEPICT превзошла все базовые стратегии и два недавних глубоких обучающих модели, улучшив точность предсказания дифференциальной экспрессии и снизив ошибку предсказания возмущённой экспрессии на 30.3% и 36.8% соответственно. В случае не-мелкоклеточного рака лёгких (NSCLC) виртуальный скрининг с использованием DEPICT выявил соединения, способные обратить патологические транскрипционные сигнатуры заболевания, при этом 13 из 20 приоритетных соединений ранее проходили клинические испытания или были валидированы в исследованиях NSCLC. Модель также позволяет предсказывать синергию препаратов и проводить механизмы исследования даже при отсутствии экспериментально сопоставимых профилей. Результаты демонстрируют, что точное условное сопоставление in silico профилирования возмущений может масштабировать генерацию гипотез для репозиционирования лекарств и открытия комбинаций препаратов.

Исследование представляет PatchMAN2 — улучшенную версию вычислительного протокола для докинга пептидов к белкам, который решает задачу поиска связывающих сайтов и конформаций пептидов. Методология основана на биомеханическом подходе, рассматривающем докинг как проблему фолдинга белка, с использованием структурных мотивов из решённых структур в качестве шаблонов, которые затем уточняются с помощью Rosetta FlexPepDock. Ключевые инновации PatchMAN2 включают стратегическую фильтрацию фрагментов и локальные режимы докинга, которые фокусируют поиск на релевантных поверхностях или известных связывающих регионах. Бенчмаркинг показал, что PatchMAN2 удаляет 30-70% ненужных фрагментов при сохранении точности, что существенно сокращает время вычислений и повышает практическую эффективность докинга пептид-белковых взаимодействий. Это критически важно для разработки лекарств, так как пептид-белковые взаимодействия часто являются транзиторными и структурно неуловимыми, требуя вычислительных подходов для их идентификации. Результаты делают метод более практичным для рутинного использования в исследовательских и фармацевтических лабораториях.

Компании Eli Lilly и Insilico Medicine углубляют партнёрство в области разработки лекарств с помощью ИИ, заключив соглашение стоимостью до $2.75 млрд. Платформа Insilico позволит идентифицировать многоцелевые мишени для терапии различных заболеваний, что ускорит открытие новых молекул.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Биотехнологическая компания Pinnacle Medicines привлекла $89 млн в рамках раунда финансирования серии B от инвесторов из США и Китая, включая OrbiMed, LAV, Foresite Capital и других. Общий объём привлечённого капитала достиг $134 млн с момента основания в 2024 году. Средства будут направлены на перевод доклинического пайплайна в ранние клинические испытания, а также на продолжение исследований и разработок. Компания использует собственную платформу, которая интегрирует технологии искусственного интеллекта с физическими симуляциями для рационального дизайна и оптимизации пептидных терапевтических средств. Первоначальный фокус будет на иммунологии и кардиометаболических показаниях. Соучредитель и научный директор Чэнзао Сун подчёркивает, что быстрый прогресс пайплайна отражает эффективность этого подхода. Пероральные формы пептидов, включая GLP-1 агонисты, стали горячей темой: Novo Nordisk запустила пероральную форму Wegovy, Merck лицензировала платформу Cyprumed за $493 млн, а Protagonist Therapeutics номинировала перорального кандидата на ожирение в июне 2025 года.

Представлена GYDE — открытая веб-платформа для совместной работы, предназначенная для упрощения использования вычислительных инструментов в науке о белках и разработке лекарств. Платформа позволяет исследователям исследовать взаимосвязи между последовательностью, структурой и функцией белков через интуитивный визуальный интерфейс с интеграцией современных ИИ-моделей для предсказания структуры и дизайна белков и антител. GYDE поддерживает как работу с реальными экспериментальными данными, так и использование вычислительных инструментов, что делает её универсальным решением для биологов-экспериментаторов. Платформа использует Slivka compute API, что обеспечивает гибкое добавление новых инструментов и моделей без значительных технических барьеров. Ключевая особенность — возможность сохранения сессий для лёгкого обмена результатами между исследователями, что способствует развитию коллаборативного научного сообщества. GYDE бесплатно доступна для учёных из академических и промышленных организаций, позволяя им создавать кастомизированные платформы для аналитики разработки лекарств. Платформа решает критическую проблему — технический барьер для внедрения современных ML-моделей в лабораторную практику, ускоряя процесс открытия новых терапевтических кандидатов.

Исследование представляет новый подход к молекулярному докингу — предсказанию конформации связывания малых молекул с белковыми мишенями, что критически важно для открытия новых лекарств. Авторы предлагают фреймворк обучения с подкреплением для тренировки диффузионных моделей непосредственно на недифференцируемых объективах физической валидности. Подход позволяет корректировать модель DiffDock-Pocket для генерации физически корректных поз лигандов с сохранением ключевых белково-лигандных взаимодействий. Результаты показывают существенное увеличение доли генерируемых поз, которые являются физически валидными, при этом не требуется дополнительных вычислений во время инференса. Важнейший результат — улучшение структурной точности: возрастает доля структур с позами, близкими к нативным, особенно для белковых мишеней, отличающихся от данных обучения. Доработанная модель превосходит как классические алгоритмы докинга, так и другие методы машинного обучения на наборе данных PoseBusters. Исследование демонстрирует, что обучение с подкреплением может научить диффузионные модели лучше соблюдать физические ограничения без необходимости постобработки результатов. Это открывает перспективы для более точного предсказания взаимодействия лекарств с белками-мишенями в фармацевтических исследованиях.

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.

Исследование Guo et al. представляет новый подход к генерации молекул с использованием языковой модели на базе архитектуры Mamba. Авторы демонстрируют, что комбинация аугментации данных и техники experience replay (переживания опыта) позволяет эффективно генерировать оптимизированные по свойствам малые молекулы. Методология основана на применении memory manipulation — механизмов управления памятью в нейросетях для сохранения и повторного использования ранее сгенерированных молекул. Исследование решает проблему sample efficiency — необходимости в большом количестве данных для обучения генеративных моделей в фармацевтике. Подход позволяет сократить количество необходимых примеров для обучения при сохранении качества сгенерированных молекул. Это имеет прямое значение для ускорения drug discovery, где генерация новых лекарственных кандидатов является ресурсоёмким процессом. Работа опубликована в Nature Machine Intelligence, что подтверждает научную значимость подхода для области ИИ в медицине.

Компания Xaira, получившая в 2024 году финансирование в размере 1 миллиарда долларов, представляет собой одну из наиболее амбициозных биотехнологических компаний, использующих искусственный интеллект для открытия новых лекарств. В интервью COO Джеффа Джонкера изданию Fierce Biotech обсуждается стратегия компании как биотеха следующего поколения, включая исследуемые модальности и терапевтические области. Xaira фокусируется на решении наиболее востребованных проблем фармацевтической индустрии — так называемых «высоко висящих фруктов». Компания работает над созданием платформы для ускоренного поиска и разработки лекарственных соединений с использованием передовых алгоритмов машинного обучения. Крупное финансирование в 1 миллиард долларов позволяет Xaira привлекать таланты и строить мощную инфраструктуру для исследований и разработок. Ожидается, что за следующие пять лет компания продемонстрирует конкретные результаты в виде новых кандидатов в лекарства. Проект представляет значительный интерес для индустрии, так как успех Xaira может определить будущее AI-driven drug discovery.

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.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.