открытие лекарств

Ученые из Insilico Medicine (Китай) и других научных центров обнаружили потенциальный антивозрастной эффект у экспериментального препарата rentosertib, разработанного с применением искусственного интеллекта для лечения идиопатического легочного фиброза (ИЛФ). В дополнительном анализе данных исследования II фазы у пациентов, получавших препарат, показатели расчетного биологического возраста снизились сразу по нескольким системам оценки старения. Результаты опубликованы в авторитетном журнале Nature Biotechnology. Rentosertib — это малая молекула, идентифицированная с помощью генеративной платформы ИИ компании Insilico Medicine, которая позволяет создавать новые химические структуры с заданными свойствами. Препарат уже продемонстрировал эффективность в лечении ИЛФ в клинических испытаниях, а теперь данные указывают на его дополнительный потенциал в геронтологии. Снижение биологического возраста оценивалось с помощью нескольких независимых эпигенетических часов и других биомаркеров старения, что повышает достоверность результатов. Это открытие может стать важным шагом к созданию первых одобренных антивозрастных терапий, а также подтверждает ценность ИИ в открытии лекарств с множественными терапевтическими эффектами. Исследование открывает перспективы для дальнейших клинических испытаний rentosertib в качестве средства для замедления старения и лечения возраст-ассоциированных заболеваний.

В статье представлен PharmCast — нейросетевая модель прямого распространения, которая предсказывает трехмерные фармакофорные отпечатки (fingerprints) непосредственно из SMILES-строк, полностью устраняя этап генерации конформеров. Традиционный конвейер PharmPrint требует 2.86 секунды на соединение, из которых 2.82 секунды уходят на генерацию 100 конформеров, а вычисление битов занимает лишь 0.039 секунды. PharmCast предсказывает все 10,549 бит ансамблевого фармакофорного отпечатка за 0.584 миллисекунды на два соединения, что в ~10,000 раз быстрее традиционного подхода. Модель версии 10 обучена на 5,887,229 молекулах, включая скрининговую коллекцию, активные соединения ChEMBL (142–1000 Да) и пептидные петли из кристаллических структур. На валидационных наборах (155,648 каталоговых соединений, 139,700 соединений ChEMBL и 13,500 пептидных петель) модель достигла медианной ошибки отпечатков 0.008–0.027, коэффициента корреляции Пирсона 0.936–0.984 и точности ранжирования 0.889–0.952. Для сравнения, эталонный расчет воспроизводит сам себя с ошибкой 0.006 и r=0.995. PharmCast позволяет проводить виртуальный скрининг и поиск скаффолдов (scaffold hopping) с высокой скоростью, что делает фармакофорные отпечатки практичным инструментом для больших библиотек соединений. Работа имеет прямое применение в компьютерном открытии лекарств и виртуальном скрининге.

OpenAntigens — это бесплатная база данных без регистрации, предоставляющая отчёты по дизайну конструктов для 5328 человеческих секретируемых, GPI-якорных, однопроходных и многопроходных белков поверхности клеток. Система интегрирует данные UniProt о топологии, предсказания структуры AlphaFold (pLDDT и PAE), информацию из PDB, домены InterPro и Pfam, ортологи мыши и cynomolgus, контекст паралогов, ассоциации с заболеваниями Open Targets, а также результаты BLAST-поиска. База предлагает 55 305 вариантов конструктов, включая полные регионы дизайна, границы на основе PDB, аннотированные домены, регионы на основе pLDDT/PAE и опции экспрессии мембранных белков, плюс 148 722 хита по сходству последовательностей для оценки кросс-реактивности. Для мишеней с совместимыми моделями AlphaFold интерактивный дизайнер связывает последовательность, структуру и метрики качества, позволяя редактировать границы и экспортировать эквивалентные последовательности видов с предупреждениями о цистеинах и модификациях в реальном времени. Инструмент сокращает необходимость ручной сверки данных из множества ресурсов, объединяя воспроизводимые предложения конструктов, сравнительный контекст и браузерное редактирование в едином рабочем процессе. Это ускоряет разработку антител, рекомбинантных реагентов и вычислительный дизайн байндеров, что критически важно для фармацевтических исследований и открытия новых терапевтических мишеней.

Фармацевтическая компания GSK заключила исследовательское партнёрство с британской биотех-компанией Relation Therapeutics на сумму до $110 млн для развития ИИ-ассистированного открытия лекарств. Relation будет генерировать масштабные наборы данных о реакции человеческих клеток на генетические изменения и лекарственные вмешательства для обучения ИИ-моделей платформы MORGAN, идентифицирующих потенциальные мишени для препаратов. Подход Lab-in-the-Loop сочетает лабораторные эксперименты (профилирование тканей, одноклеточная и пространственная транскриптомика, секвенирование) с машинным обучением для идентификации, приоритизации и валидации мишеней. Публичные репозитории (CZ CELLxGENE с 100+ млн стандартизированных клеток, Human Cell Atlas, NCBI GEO) служат важным источником данных, но технические различия в протоколах, шум в одноклеточных данных и перекрытие датасетов создают риски утечки данных при обучении моделей. Качество и непротиворечивость датасетов признаны столь же важными, как и архитектура модели, для создания надёжных ИИ-систем в фармацевтике.

Компания Eli Lilly объявила о сотрудничестве с китайской биотех-компанией Insilico Medicine в области открытия новых лекарственных препаратов с использованием искусственного интеллекта. Индийский фармацевтический гигант выплатит $115 миллионов в качестве первоначального платежа за доступ к платформе Insilico, которая применяет генеративные нейросети для предсказания структуры молекул и ускорения доклинических исследований. Сделка демонстрирует растущий тренд крупных фармацевтических компаний на интеграцию ИИ-технологий в процесс разработки лекарств, что позволяет сократить сроки и стоимость вывода новых препаратов на рынок. Insilico Medicine специализируется на использовании deep learning для идентификации новых биомаркеров и разработки терапевтических мишеней. Партнёрство предполагает совместную работу над несколькими проектами по созданию новых лекарств, хотя конкретные терапевтические области не раскрываются в доступной информации. Эта сделка является частью более широкого движения фармацевтической индустрии к цифровизации и автоматизации процессов открытия препаратов.

Компания Insilico Medicine, специализирующаяся на разработке лекарств с использованием искусственного интеллекта, подписала коммерческое соглашение с фармацевтическим гигантом Eli Lilly. Сделка предусматривает первоначальный платеж в размере $115 миллионов и потенциальные дополнительные выплаты до $2,75 миллиарда в зависимости от достижения различных этапов разработки и коммерциализации. Это соглашение представляет собой одну из крупнейших сделок в области ИИ-фармацевтики и демонстрирует коммерческую валидацию технологий искусственного интеллекта в процессе открытия и разработки новых лекарственных препаратов. Партнёрство позволяет Lilly получить доступ к платформе Insilico для генерации новых молекул и ускорения доклинических исследований, что традиционно занимает годы. Успех такого сотрудничества подтверждает растущий интерес крупных фармацевтических компаний к интеграции машинного обучения в процессы drug discovery.

Исследование представляет новый подход к молекулярному докингу — предсказанию конформации связывания малых молекул с белковыми мишенями, что критически важно для открытия новых лекарств. Авторы предлагают фреймворк обучения с подкреплением для тренировки диффузионных моделей непосредственно на недифференцируемых объективах физической валидности. Подход позволяет корректировать модель DiffDock-Pocket для генерации физически корректных поз лигандов с сохранением ключевых белково-лигандных взаимодействий. Результаты показывают существенное увеличение доли генерируемых поз, которые являются физически валидными, при этом не требуется дополнительных вычислений во время инференса. Важнейший результат — улучшение структурной точности: возрастает доля структур с позами, близкими к нативным, особенно для белковых мишеней, отличающихся от данных обучения. Доработанная модель превосходит как классические алгоритмы докинга, так и другие методы машинного обучения на наборе данных PoseBusters. Исследование демонстрирует, что обучение с подкреплением может научить диффузионные модели лучше соблюдать физические ограничения без необходимости постобработки результатов. Это открывает перспективы для более точного предсказания взаимодействия лекарств с белками-мишенями в фармацевтических исследованиях.