drug discovery

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.

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.

ИИ-биотехнологическая компания Xaira Therapeutics, собравшая $1 млрд в 2024 году, раскрывает детали разработки лекарств на основе ИИ-платформы. Компания представила X-Cell — крупнейшую в своём роде ИИ-модель клеток для предсказания функции генов, обученную на данных генетических пертурбаций, и фокусируется на создании антител для лечения воспалительных и иммунологических заболеваний.

Биотехнологическая компания Earendil Labs, базирующаяся в США с корнями в Китае, привлекла $787 миллионов частных инвестиций для финансирования своей ИИ-платформы для разработки лекарств. Платформа уже сгенерировала конвейер из более чем 40 программ разработки препаратов, что демонстрирует эффективность подхода искусственного интеллекта в фармацевтике. Сумма финансирования в $787 млн является значительной для частного раунда и указывает на высокий интерес инвесторов к ИИ-биотехнологиям. Компания находится на этапе подготовки к возможному IPO, что свидетельствует о зрелости технологического продукта и бизнес-модели. Применение машинного обучения в открытии новых лекарственных соединений позволяет сократить время и стоимость разработки препаратов по сравнению с традиционными методами. Этот раунд финансирования подтверждает тренд на интеграцию ИИ в фармацевтическую промышленность и биотехнологические исследования. Успешное привлечение такого объёма инвестиций указывает на доверие рынка к способности ИИ-платформ создавать коммерчески перспективные лекарственные программы.