machine learning

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 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.