machine learning

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.

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.