Как генеративный ИИ решает самые сложные задачи в разработке лекарств

Нет сомнений, что большие языковые модели и инструменты генеративного ИИ захватили мир. Их способность создавать, автоматизировать и анализировать данные революционно меняет подход к созданию новых препаратов. Так, генеративный ИИ обладает потенциалом для решения одной из самых сложных и давних проблем разработки лекарств: создания эффективных антител к G-белково-связанным рецепторам (GPCR).

Это сложный и нестабильный класс белков, играющих жизненно важную роль в клеточной коммуникации, что делает их основными мишенями при многих заболеваниях, включая различные виды рака, болезнь Альцгеймера, сердечно-сосудистые заболевания и эндокринологию.

На протяжении многих лет ученые пытались разработать методы лечения, которые могли бы успешно воздействовать на эти рецепторы — фактически, примерно две трети всех GPCR никогда не были успешно использованы в разработке лекарств.

Однако этот тупик сейчас уверенно преодолевается. Благодаря достижениям в области генеративного ИИ исследователи теперь могут разрабатывать перспективные антитела-кандидаты для ранее «недоступных для лекарственного воздействия» GPCR.

Предсказывая взаимодействия связывания и оптимизируя терапевтические свойства еще до начала лабораторных работ и клинических исследований, эта технология помогает открыть новые возможности на всех этапах разработки лекарств в области, где более 227 связанных с заболеваниями GPCR до сих пор не имеют эффективных методов лечения. Это нововведение изменит подход ученых к сложным мишеням и, в конечном итоге, ускорит разработку жизненно важных методов лечения для пациентов с неудовлетворенными клиническими потребностями.

Традиционно поиск антител требовал многолетних экспериментальных проб и ошибок для выявления кандидатов с правильным сочетанием связывания, эффективности и пригодности к разработке. Генеративный ИИ переосмысливает этот процесс, изучая лежащую в его основе «грамматику» белковых последовательностей и структур, подобно тому как языковая модель изучает синтаксис и семантику. Вместо предсказания следующего слова эти системы могут предлагать новые последовательности и структуры антител, оптимизировать интерфейсы связывания с конкретной мишенью и расставлять приоритеты для кандидатов, которые, как предполагается, обладают высокой аффинностью, специфичностью и благоприятными свойствами для разработки лекарств.

Это беспрецедентное сближение вычислительных методов и биологии поднимает важные вопросы. Что именно делает GPCR таким сложным объектом для исследования? И как генеративный ИИ может, наконец, сделать эти недоступные для лекарств мишени доступными для лекарственного воздействия?

 GPCR: Разгадка загадки «трансформеров» в разработке лекарств

 GPCR известны своей неуловимостью, способностью принимать множество конформаций благодаря своей динамической структурной пластичности. Это является частью так называемой «проблемы айсберга» и скрытой сложности биологических мишеней, где большая часть структуры рецептора остается глубоко внутри белковой или клеточной структуры, оставляя лишь ничтожно малую долю доступной для связывания с лекарствами.

В этом смысле их способность к изменению формы является одновременно и плюсом, и минусом, позволяя GPCR регулировать необычайно широкий спектр физиологических процессов, делая их мощными мишенями для лекарств. Однако это также делает их особенно сложными для изучения и точного воздействия.

Несмотря на эти препятствия, надежда все еще жива. Ключ к успеху заключается в разработке молекул, в частности антител, которые избирательно распознают определенные конформации и эпитопы GPCR с использованием генеративной технологии ИИ.

Революция генеративного ИИ ускоряет путь от лаборатории к пациенту как никогда раньше. В основе этого лежит новая технология, которая создает «эпитоп-специфические библиотеки» с использованием высокодетальных структурных и последовательностных данных. Эти библиотеки состоят из миллионов высокоточных коллекций последовательностей антител, которые можно адаптировать для связывания с точными эпитопами на целевых белках или разработать с учетом специфических свойств антител, таких как аффинность, перекрестная реактивность, селективность, специфичность, функция и возможность разработки. Это позволяет разрабатывать высокоэффективные антитела против мишеней, которые традиционно считаются недоступными для лекарственной терапии.

Это не типичный метод поиска лекарств методом проб и ошибок; он обеспечивает гораздо более высокую точность прогнозирования, значительно повышая шансы на обнаружение антител, которые станут жизнеспособными терапевтическими кандидатами. Это сокращает процесс, занимающий до двух лет при традиционных методах поиска лекарств с использованием случайной выборки, до нескольких месяцев. Благодаря сочетанию возможностей биологии и алгоритмов ИИ, это открывает двери для терапии, которая когда-то была недоступна, меняя ландшафт поиска лекарств и вселяя надежду пациентам с неизлечимыми заболеваниями.

Создание нового будущего для разработки лекарств

Генеративный ИИ уже переосмысливает возможности разработки мишеней для антител, но его потенциал распространяется на весь процесс разработки лекарств. Он способен значительно сократить сроки открытия новых лекарств, снизить процент неудач и прогнозировать молекулярные взаимодействия, такие как сродство связывания, открывая путь к более персонализированной терапии, формируемой на основе индивидуальных молекулярных и генетических профилей.

Это ускорение приводит к потенциальным прорывам в лечении заболеваний, устойчивых к существующим методам лечения, от агрессивных форм рака до редких генетических заболеваний, открывая новые терапевтические возможности в онкологии, неврологии и других областях. Однако для полной реализации этих целей необходима дальнейшая работа. Кульминация этих усилий остается далекой целью, и настоящие масштабные прорывы пока не предвидятся. Доступ к большему количеству и более качественным данным, усовершенствованным моделям, инфраструктуре и более глубокому пониманию биологических процессов проложит путь к достижению этой цели.

Тем не менее, мы можем с оптимизмом смотреть в будущее, где ИИ не просто проектирует молекулы, но и обещает переписать правила разработки лекарств, позволяя исследователям создавать более эффективные, быстрые и с беспрецедентной молекулярной точностью препараты. В этом новом смелом мире генеративный ИИ не просто придумывает лекарства; он помогает воплотить их в реальность.

 Об авторе

 Майкл Махдави (Michael Mahdavi) — заместитель директора по развитию бизнеса в компании Antiverse, где он руководит стратегическими партнерствами и работает на стыке науки и бизнеса, чтобы преобразовать платформу компании по разработке антител на основе искусственного интеллекта в эффективные проекты и программы сотрудничества. Имеет степень магистра биохимии и обладает обширным опытом исследований в области высокопроизводительной разработки лекарственных препаратов.

Источник: https://pharmaphorum.com/

5.02.2026