В статье исследуется проблема обобщения моделей предсказания структуры белок-лиганд, таких как Boltz-1, которые часто не справляются с предсказанием альтернативных конформационных состояний белка или новых сайтов связывания. Авторы демонстрируют, что это ограничение связано не с архитектурой модели, а с смещением в обучающих данных, и предлагают решение через целевую дообучение (targeted finetuning). На примере фермента хеликазы Вернера (WRN) с использованием 10 ранее неизвестных рентгеноструктурных данных, модель была дообучена для распознавания аллостерического сайта связывания и крупного конформационного изменения, блокирующего активность фермента, при этом сохранив точность предсказания для АТФ-связанного состояния. Дообученная модель успешно обобщается на различные химические серии лигандов и переносит логику конформационных изменений на другие хеликазы семейства RecQ в зависимости от последовательности сайта связывания. Этот подход создает основу для адаптации фундаментальных моделей ИИ по мере появления новых структурных и механистических данных, позволяя сетям кофолдинга улавливать индуцированные лигандами переключатели конформаций, которые отсутствуют в исходных обучающих наборах, но критически важны для биологической регуляции и разработки лекарств. Исследование подчеркивает потенциал дообучения больших языковых и структурных моделей для решения специфических задач химической биологии и поиска новых терапевтических мишеней.