drug discovery

Исследователи представили HDOCK-Multimer (HDM) — новый фреймворк на основе глубокого обучения для предсказания структуры крупных белковых комплексов, который объединяет методы ab initio докинга и комбинаторной сборки. В отличие от существующих подходов вроде AlphaFold и RosettaFold, которые сталкиваются с трудностями при работе с крупными многоцепочечными белками, HDM снижает зависимость от точности предсказания отдельных компонентов за счёт интеграции докинга с стратегией сборки. Метод был протестирован на трёх бенчмарках: 35 крупных гетеромерных комплексов, 172 крупных белковых комплекса и 7 мишеней CASP15, где продемонстрировал существенное превосходство над современными методами включая MoLPC, CombFold, AlphaFold-Multimer и AlphaFold3. Важной особенностью HDM является способность предсказывать стехиометрию комплексов без необходимости ввода этой информации заранее. Инструмент особенно ценен для изучения крупных белковых комплексов и молекулярных машин, что имеет прямое значение для разработки лекарств и понимания механизмов заболеваний. Пакет HDM доступен бесплатно на GitHub по адресу https://github.com/huang-laboratory/HDOCK-Multimer.

Исследователи разработали COMPASS — интерпретируемую линейную модель машинного обучения для предсказания того, как генетические возмущения изменяют транскриптом клетки. Модель была протестирована на 2 270 CRISPRi-возмущениях в шести различных клеточных линиях. COMPASS декомпозирует каждый ответ на две компоненты: общую (масштабированный ответ на уровне клеточной линии) и ген-специфичную (остаточную), оценивая их отдельно. Коэффициент общего ответа сильно консервативен между клеточными линиями (Kendall's W=0.59), а позиция возмущения на континууме ответов предсказуема из эмбеддингов белковых взаимодействий STRING (R²=0.35). Модель превзошла существующие подходы scGPT, CPA, GEARS, GenePert и State как по точности предсказания ответа (de-biased Pearson delta 0.34 против ≤0.32), так и по дискриминации возмущений (cosine PDS gain 0.23 против ≤0.08). Результаты предлагают новый подход к предсказанию возмущений через покомпонентный вывод, где каждая компонента оценивается из наиболее подходящих для неё данных, что может ускорить разработку таргетных терапий и понимание молекулярных механизмов заболеваний.

Статья представляет обзор четырёх крупных раундов финансирования health-tech компаний в июле 2026 года, демонстрирующих рост инвестиций в ИИ-решения для здравоохранения. Function Health привлекла $450 млн от General Catalyst для платформы потребительских лабораторных тестов (160+ анализов на гормоны, сердце, иммунитет, метаболизм) стоимостью $365/год. Chai Discovery получила $400 млн в серии C при оценке $3,8 млрд от Index Ventures, Sequoia Capital и OpenAI на разработку ИИ-системы компьютерного дизайна молекул для создания новых лекарств. Candid Health secured $120 млн в серии D от Sixth Street Growth для ИИ-автоматизации медицинских счетов и страховых требований, обслуживая 200+ организаций здравоохранения. Pearl Health привлекла $110 млн ($50 млн equity от Andreessen Horowitz + $60 млн debt) для ИИ-платформы предиктивной аналитики и моделирования финансовых рисков в value-based care. Совокупный объём финансирования четырёх компаний превысил $1,08 млрд, что отражает уверенность инвесторов в коммерческом потенциале ИИ для фармацевтики, административной автоматизации и управления пациентскими рисками.

Исследователи разработали новый метод глубокого обучения для молекулярной динамики, который позволяет проводить симуляции на значительно более длительных временных масштабах по сравнению с существующими подходами. Ключевое достижение метода — преодоление традиционного фемтосекундного ограничения при сохранении точности предсказания физических свойств молекул. Технология опубликована в журнале Nature Machine Intelligence 5 августа 2026 года. Метод использует нейросетевое прогнозирование траекторий молекулярного движения, что открывает возможности для более эффективного моделирования биомолекулярных процессов. Данное исследование имеет потенциальное значение для фармацевтической разработки и дизайна лекарств, где молекулярная динамика применяется для изучения взаимодействий белков и лигандов. Однако статья не содержит конкретных количественных результатов или данных о клинических применениях, что ограничивает прямую оценку медицинской релевантности.

Исследователи представили MAXWELL (Matrix-wise Landscape Learning) — новый метод пост-обучения для калибровки вероятностных выходов языковых моделей белков с целью прогнозирования влияния мутаций на стабильность белков. Метод позволяет генерировать мутационные ландшафты, количественно оценивающие эффекты отдельных аминокислотных замен на стабильность белка, что критически важно для белковой инженерии и разработки терапевтических препаратов. При применении к модели ProteinMPNN MAXWELL продемонстрировал результаты уровня state-of-the-art, превзойдя ThermoMPNN и другие представительные методы на курированном бенчмарке экспериментально измеренных изменений стабильности. Экспериментальная валидация включала дизайн десяти точечных мутаций в дегалогеназе DhaA, из которых семь (70%) увеличили термическую стабильность белка. Наибольшее улучшение показала мутация G171W с измеренным значением ΔT 4.91°C. Эти результаты подтверждают MAXWELL как практическую стратегию для дизайна стабилизирующих мутаций с потенциальным применением в разработке ферментных терапевтических препаратов и биотехнологии.

Исследователи разработали инновационную вычислительную систему на основе искусственного интеллекта для идентификации лекарственных мишеней среди малоизученных «тёмных киназ» — белков, которые могут стать ключом к лечению сложных заболеваний, включая рак и нейродегенеративные расстройства. Методология объединяет BERT-эмбеддинги белков и путей, двухступенчатый трансформер, гетерогенный графовый трансформер (HGT), а также генеративно-состязательную сеть WGAN-GP для создания негативных примеров обучения. Модель обучена на классификаторах XGBoost и lightGBM с интерпретацией результатов через SHAP-анализ для объяснимости. Система достигла выдающихся метрик: точность 98,16%, F1-мера 98,16%, специфичность 98,52%, AUROC 99,78%, AUPRC 99,82%, корректно классифицировав 97,48% тестовых данных. В результате предсказано 62 225 ассоциаций путей для тёмных киназ, проанализирована функциональная схожесть 96 белков и выявлено 9 ключевых признаков. Особое внимание уделено киназам, связанным с синдромом поликистозных яичников (СПКЯ), для которых проведён докинг-анализ с известными препаратами. Работа демонстрирует практическую применимость ИИ для ускорения открытия лекарств и функциональной аннотации белков.

Исследование представляет PG-MLD — новый подход к обучению молекулярных представлений для дизайна лекарств, сочетающий физическое 3D-моделирование с языковыми моделями на основе SMILES. Метод использует динамический 3D-учитель с эквивариантным геометрическим кодированием и Liquid Time-Constant моделированием для захвата 3D-геометрии, электронных дескрипторов и конформационной эволюции молекул. Полученные знания дистиллируются в SMILES-ориентированные студенческие модели через выравнивание представлений на уровне атомов и молекул с кросс-модальным контрастивным обучением. Эксперименты на бенчмарке MoleculeNet показали улучшение предсказания свойств молекул для трёх архитектур языковых моделей при сохранении инференса только на SMILES без генерации конформеров. Подход эффективно передаёт знания о 3D-геометрии и конформационной динамике в лёгкие модели, снижая вычислительные затраты. Это значимо для фармацевтической разработки, позволяя ускорить скрининг соединений и предсказание свойств лекарств без ресурсоёмкого молекулярного моделирования.

Исследователи представили Boltz2ESI — новую вычислительную платформу на основе фундаментальной модели ИИ для предсказания взаимодействий между ферментами и субстратами. В отличие от традиционных методов докинга, требующих предопределённых активных центров, Boltz2ESI использует端到端ное совместное сворачивание (co-folding), что позволяет естественным образом учитывать пластичность активного сайта и конформационные изменения при связывании лиганда. Модель интегрирует биофизические приоры, глобальный эволюционный контекст и геометрические молекулярные дескрипторы, демонстрируя превосходство над современными последовательностными методами и подходами жёсткого докинга. Валидация показала способность системы точно различать специфичность внутри подсемейств ферментов, что продемонстрировано на примере пути биосинтеза витанолидов. Технология потенциально применима для ускорения открытия биокатализаторов и масштабного определения функций орфанных ферментов в синтетической биологии и фармацевтической разработке. Прямое клиническое применение не заявлено, но метод может способствовать дизайну лекарств и метаболической инженерии.

Исследование представляет комплексную оценку возможностей AlphaFold3 — системы искусственного интеллекта для предсказания связывания антител с антигенами. Авторы проанализировали 3401 экспериментально подтверждённый комплекс антитело-антиген из Structural Antibody Database вместе с 23798 негативными контролями. Максимальная полнота (recall) составила 53% при 100 семенах инференса, при этом выявлен врождённый уровень ложноположительных результатов около 3%. Обнаружено систематическое смещение: модель лучше предсказывает антитела из рентгеновской кристаллографии по сравнению с электронной микроскопией, а точность снижается с увеличением размера и площади поверхности целевого белка. Важно, что 34% ложноотрицательных предсказаний сохраняли правильную локализацию эпитопа несмотря на плохое структурное выравнивание, что указывает на возможность улучшения результатов инструментами конформационной доработки. Исследование демонстрирует как потенциал AlphaFold3 для скрининга антител в вычислительной разработке лекарств, так и его ограничения, включая тенденцию к галлюцинации правдоподобных интерфейсов связывания на поверхности фиктивных мишеней.

В статье представлен Tx2Mol — инновационный фреймворк, использующий транскриптомные данные для направленного дизайна новых лекарственных молекул. В отличие от традиционных методов, ориентированных на структуру мишени, Tx2Mol переводит сигнатуры экспрессии генов непосредственно в химические структуры, сохраняя биологическую направленность процесса. Исследование проводилось на трех уровнях: массовые изменения экспрессии генов, одноклеточные пертурбации и сигнатуры заболеваний, полученные от пациентов. Результаты тестирования на 10 бенчмарках, связанных с онкологией, показали превосходство Tx2Mol над 9 базовыми моделями: среднее улучшение максимального сходства Танимото с известными лигандами составило 24,10%, а для мишени HDAC1 этот показатель вырос на 50,67%. Система продемонстрировала способность генерировать химически правдоподобные и структурно новые молекулы, которые сохраняют предсказанный биологический ответ даже в условиях зашумленных профилей единичных клеток. Данная технология открывает новые возможности для приоритезации кандидатов в лекарства, основываясь на системном биологическом ответе, а не только на связывании с конкретным белком.

Фармацевтический гигант BMS приобретает суперкомпьютерную систему Nvidia DGX SuperPOD на базе архитектуры Vera Rubin для ускорения разработки лекарств. Новая инфраструктура позволит компании обучать собственные модели и проводить масштабные вычисления для анализа белков и соединений, значительно увеличивая количество тестируемых кандидатов.

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

В статье анализируются результаты недавнего специализированного соревнования по искусственному интеллекту, направленного на прогнозирование метаболизма лекарственных препаратов. Основной вывод исследования заключается в том, что качество и точность используемых данных играют более важную роль в предсказательной способности моделей, чем их масштаб или количество параметров. Участники соревнований столкнулись с тем, что увеличение архитектуры нейросетей не всегда приводило к пропорциональному росту точности прогнозирования свойств кандидатов в лекарственные средства. Это подчеркивает критическую важность тщательной подготовки датасетов и очистки медицинских данных в задачах drug discovery. Практическая значимость работы заключается в оптимизации ресурсов при разработке ИИ-решений для фармацевтики: вместо наращивания вычислительных мощностей следует сосредоточиться на обогащении обучающих выборок. Данный подход может существенно ускорить и удешевить процесс раннего этапа разработки новых терапевтических агентов.

В исследовании представлен MolMAE — инновационная модель мультимодального маскированного автоэнкодера, предназначенная для глубокого обучения представлениям молекул. В отличие от традиционных подходов, опирающихся только на SMILES или 2D-графы, MolMAE интегрирует три типа данных: облака точек молекулярной поверхности, трехмерные графы молекул и токены фрагментов/функциональных групп из SMILES. Методология основана на совместном маскировании химически соответствующих локальных регионов во всех модальностях, что заставляет модель восстанавливать геометрию, топологию и семантику молекулы одновременно. Помимо реконструкции геометрии поверхности, модель обучается предсказывать физико-химические поля, включая электростатический потенциал и дескрипторы Фукуи. Предварительное обучение проводилось на массиве из 261 000 биологически активных молекул (lead-like). Результаты тестов на бенчмарке ESOL (при использовании scaffold splitting) показали превосходную точность, что подтверждает эффективность использования поверхностных данных для задач предсказания свойств, зависящих от взаимодействия лиганда с белком.

В исследовании представлен BayesTx (Bayesian Therapeutics target discovery) — инновационный фреймворк на основе байесовских сетей, предназначенный для преодоления разрыва между результатами исследований на клеточных линиях и реальной клинической практикой. Методология заключается в проекции транскриптомных данных пациентов и данных клеточных линий в единое биологическое пространство активности путей и транскрипционных факторов (TF). С помощью обучения доменно-специфичных причинно-следственных графов и агрегации ребер с использованием бутстреп-консенсусной фильтрации, система позволяет моделировать причинно-следственные связи. При тестировании на данных TCGA-BRCA (рак молочной железы) и DepMap, фреймворк успешно ранжировал 47 транскрипционных факторов по их прогнозируемому влиянию на жизнеспособность раковых клеток. Использование Do-симуляции позволило количественно оценить эффект каждого фактора, а полученные мишени получили независимое подтверждение через анализ выживаемости в сторонних когортах и фармакогеномные ассоциации. Данная разработка значительно повышает точность идентификации терапевтических мишеней, обеспечивая их клиническую релевантность.

В статье исследуется критическая проблема машинного обучения в сфере разработки лекарственных препаратов: сложность идентификации новых биоактивных молекул, которые выходят за рамки распределения обучающих данных (Out-of-Distribution, OOD). Авторы представляют новый метрический подход, предназначенный для количественной оценки химического сдвига распределения (chemical distribution shift). Данная методология позволяет объективно оценивать способность молекулярных ML-моделей к обобщению на новых химических пространствах. Внедрение этой метрики позволяет предсказывать, насколько надежно модель будет работать с ранее неизвестными классами соединений. Это имеет решающее значение для ускорения процесса drug discovery, минимизируя ошибки при поиске инновационных терапевтических агентов. Исследование закладывает основу для создания более устойчивых и предсказуемых моделей в вычислительной химии.

Представлена GeroQubit — инновационная платформа для генерации малых молекул (de-novo design), ориентированная на геронауку и принципы честного машинного обучения. В отличие от ресурсоемких GPU-решений, платформа использует модель «мишень x ткань x признак старения» для организации кандидатов. Методология включает использование структурных приоритетов тканей и оценку эффективности через k-NN (k-ближайших соседей), где выявленный сигнал (rho ~ 0.145) сопровождается эмпирически калиброванными конформными интервалами (покрытие 90.3%). В ходе ретроспективного тестирования на 1940 связывающих соединениях ChEMBL платформа показала высокую точность: ROC-AUC 0.945 и обогащение в 20 раз при 1% (BEDROC 0.91). Однако авторы честно указывают на ограничение: при работе с принципиально новыми хемотипами точность падает до уровня случайного выбора (AUC 0.62). Молекулы проектируются с учетом реакционной способности (reaction-first), что гарантирует наличие синтетического пути и прозрачность происхождения синтонов, а параметры ADMET оптимизируются как многокритериальная задача Парето.

В данной работе представлена OCOO-T — инновационная модель «виртуальной клетки» (AIVC), предназначенная для прогнозирования того, как отдельные клетки реагируют на генетические, химические и цитокиновые воздействия. В отличие от существующих сложных архитектур, использующих иерархические вариационные автоэнкодеры или специализированные модули, OCOO-T базируется на минималистичном стеке Transformer и методе flow-matching. Модель рассматривает процесс предсказания ответа на возмущение как непрерывный процесс шумоподавления (denoising), работая напрямую с непрерывными профилями экспрессии генов. Для интеграции данных о дозировках, типах клеток и специфике возмущений используются адаптивная нормализация слоев и контекстные токены. Испытания на бенчмарках Tahoe100M, Replogle и PBMC показали, что OCOO-T достигает передовых показателей (state-of-the-art) в различных типах клеток. Благодаря методам патчинга и депатчинга, модель эффективно масштабируется на длинные транскрипционные профили, что делает её мощным инструментом для in-silico симуляции клеток и ускорения разработки новых лекарственных препаратов.

Исследование представляет инновационный пайплайн на базе машинного обучения, направленный на преодоление главной проблемы современного поиска антибиотиков — создания производных уже известных классов соединений вместо поиска принципиально новых механизмов действия (MoA). Авторы предложили использовать классификатор XGBoost для раннего выявления химической новизны, объединив его с графовыми нейронными сетями (GNN) для прогнозирования антибактериальной активности и токсичности. При тестировании на базе данных Zinc20 методология позволила успешно идентифицировать нетоксичные соединения, которые структурно отличаются от существующих антибиотиков и обладают селективностью к бактериальным мембранам. Однако ключевым открытием стало обнаружение «механистической предвзятости»: модели склонны отдавать приоритет определенным классам соединений из-за несбалансированности обучающих выборок. Исследование показало, что даже усложнение архитектуры нейросетей не решает проблему отсутствия разнообразия в данных. Таким образом, основным препятствием для открытия антибиотиков с принципиально новыми мишенями является дефицит разнообразных, механистически аннотированных наборов данных, а не несовершенство алгоритмов.