докинг

Статья представляет BloClaw — рабочую станцию для научных исследований с искусственным интеллектом (AI4S), предназначенную для аудируемой вычислительной биологии. Основной принцип системы: научный агент должен знать, что он может делать, показывать, как он это сделал, и указывать, что осталось непроверенным. Каждая функциональная возможность описывает состояние выполнения, ограничения входных данных, зависимости, ожидаемые результаты и научные ограничения. Запросы на естественном языке преобразуются в структурированные задачи, проверяются на соответствие реестру возможностей, выполняются с помощью научных инструментов и записываются в журнал Living Lab Notebook с отслеживанием происхождения данных. Система обнаруживает недопустимые входные данные, сбои вызовов инструментов, отсутствующие зависимости и тайм-ауты, направляя их на исправление, повторную попытку или эскалацию. Реализованный и протестированный функционал включает скрининг молекулярных свойств и правил на основе RDKit, анализ структуры белков, проверку поз докинга, 3D-визуализацию и структурированную отчетность. Демонстрация на структуре осимертиниба из PubChem и артефакте докинга 6LU7 показала детерминированные дескрипторы (молекулярная масса 499.619 Да, cLogP 4.5098, TPSA 87.55 Ų) и 2387 записей атомов белка, 309 остатков и девять записей поз. Авторы подчеркивают, что это демонстрация рабочего процесса, а не исследование эффективности или сродства. Также описана предлагаемая конструктивная модель с минимизацией априорных предположений, где целевая функция компилируется в физические, химические и системные ограничения, а наблюдения используются для калибровки и фальсификации. Описан протокол оценки, сравнивающий BloClaw со стандартным однопроцессным агентом и фиксированными скриптами по полноте задач, научной корректности, успешности восстановления, полноте происхождения, воспроизводимости, времени рецензирования, задержке и стоимости. Система позиционируется как уровень исполнения и подотчетности для ИИ-ассистированных исследований, дополняющий экспертный анализ и экспериментальную валидацию.

OpenBind — это открытая научная инициатива, направленная на создание крупномасштабных экспериментальных наборов данных для разработки и оценки методов структурного машинного обучения в области молекулярных открытий. Первый публичный релиз OpenBind представляет собой, по данным авторов, крупнейший публичный набор данных структура-аффинность для одной мишени. Набор данных сфокусирован на 2A-протеазе энтеровирусов и включает 925 кристаллографических событий связывания от 699 соединений, а также измерения аффинности для 601 соединения. Данные объединяют структуры из начального фрагментного скрининга и последующих молекул, связывая экспериментально определенные режимы связывания белок-лиганд с биофизическими измерениями в рамках целостной кампании по поиску противовирусных препаратов. Авторы использовали набор данных для оценки предсказания структуры белок-лиганд, предсказания аффинности связывания и виртуального скрининга с помощью репрезентативных структурных методов, включая докинг и кофолдинг. Это выявило несколько ключевых проблем: производительность докинга сильно зависит от конформации кармана связывания, позы сложно ранжировать, а предсказание аффинности на основе структуры остается сложной задачей. Тонкая настройка OpenFold3-p2 на структурах фрагментного скрининга значительно улучшила предсказание поз и виртуальный скрининг для родственных соединений, демонстрируя, как ранние экспериментальные структуры могут поддерживать адаптацию моделей под конкретную мишень. Этот релиз предоставляет исследователям ценный ресурс для разработки и валидации методов структурного ИИ, особенно в области докинга и предсказания аффинности.