Уже больше десяти лет искусственный интеллект считают способным радикально ускорить открытие лекарств. Несмотря на миллиарды долларов инвестиций, до пациентов дошли лишь единицы препаратов, созданных с помощью ИИ. Отчасти это связано с тем, что тщательные клинические испытания нельзя сильно сжать по времени, а отчасти — с исключительной сложностью разработки лекарств в целом. Заметных успехов добилась компания Isomorphic Labs, выделившаяся из Google DeepMind и развивающая работы, удостоенные Нобелевской премии за предсказание структуры белков. Фирма заключила крупные партнёрства с Novartis и Eli Lilly, недавно привлекла $2,1 млрд финансирования и в феврале опубликовала технический отчёт о новой системе Isomorphic Drug Design Engine (IsoDDE). Эта платформа предназначена для поиска «карманов» на белках, где могут связываться лекарственные молекулы, а также для прогнозирования взаимодействий между белками и потенциальными препаратами. IEEE Spectrum поговорил с Адрианом Стецулой, руководителем группы машинного обучения в Isomorphic Labs, о том, насколько ИИ близок к тому, чтобы стать практическим инструментом создания лекарств.
Почему AlphaFold недостаточно для создания лекарств
AlphaFold2 и AlphaFold3 — большой шаг, но не решение всех задач
Адриан Стецула объясняет: «AlphaFold2 в итоге получил Нобелевскую премию, потому что действительно решил проблему фолдинга белков. Но белки не существуют в вакууме — они взаимодействуют со множеством других биомолекул: нуклеиновыми кислотами, низкомолекулярными лигандами, ионами, другими белками. AlphaFold3 впервые позволил моделировать все эти взаимодействия в рамках единой системы. Однако за годы после выпуска AF3 несколько групп оценили его способность находить новые карманы. Выяснилось, что по мере удаления от обучающей выборки точность модели падает. Если мы хотим искать ранее неизвестные механизмы действия — а это ключ к новым лекарствам, — наши модели обязаны хорошо обобщать даже на областях, далёких от тренировочных данных».
Что даёт IsoDDE
Не только структура: множество предсказаний в одном флаконе
Стецула подчёркивает: «Для создания лекарства мало предсказать, где лиганд связывается с белком. Важно понять, как именно он связывается, насколько прочно, а также оценить массу других свойств — и как молекула будет взаимодействовать с остальными белками организма. IsoDDE — это единая вычислительная система, которая позволяет решать множество разных задач. В техническом отчёте мы описали три ключевых направления: предсказание структуры, идентификацию карманов и прогнозирование аффинности связывания (насколько сильно молекула соединяется с белком-мишенью)».
Охота на скрытые карманы: пример цереблона
Цереблон и неуловимые криптические карманы
В отчёте IsoDDE особое внимание уделено белку цереблону и его криптическому карману. Цереблон — один из важнейших и наиболее изученных белков в пути целевой деградации: он помогает клетке уничтожать другие белки. Некоторые лекарства используют цереблон, чтобы пометить болезнетворные белки для разрушения. Криптические карманы — это углубления на поверхности белка, которые не видны в свободном состоянии; они открываются только при связывании с определённым лигандом. «Можно представить, что нужен идеальный ключ, чтобы отпереть этот замок», — поясняет Стецула.
Проверка на свежем открытии из Nature
В январе 2025 года в журнале Nature был впервые описан совершенно новый криптический карман на поверхности цереблона. Команда Isomorphic Labs поставила два вопроса. Первый: сможет ли IsoDDE найти этот карман, используя только аминокислотную последовательность белка? Ответ оказался положительным — система точно указала расположение ранее неизвестного участка, причём информация о нём не раскрывалась до публикации. Второй вопрос: способна ли IsoDDE правильно предсказать, как лиганды связываются с белком? Модель идеально разместила как ортостерический лиганд (в известном сайте связывания), так и аллостерический лиганд (в новом криптическом кармане), воспроизведя кристаллическую структуру из статьи Nature.
Расширение арсенала против болезней
Большинство современных лекарств — это малые молекулы, относительно простые соединения, связывающиеся с белками. Но многие белки, связанные с заболеваниями, не имеют очевидных карманов для воздействия. «Многие надежды на машинное обучение в дизайне лекарств связаны с тем, чтобы сделать больше белковых мишеней доступными для терапии, — говорит Стецула. — IsoDDE помогает находить такие механизмы, и эти методы применимы не только к малым молекулам, но и к антителам, молекулярным клеям и пептидам. Это расширяет возможности не только для малых молекул, но и для других терапевтических модальностей».
Мифы и будущее ИИ в фармацевтике
Главное заблуждение
Вокруг ИИ в разработке лекарств много шума. Стецула считает, что распространённое заблуждение — думать, будто точное моделирование структуры белка означает, что проблема создания лекарства решена. «На самом деле нужна единая система вроде IsoDDE с множеством конечных точек, чтобы полноценно моделировать эти системы. Мы продолжаем улучшать показатели по уже раскрытым направлениям и работаем над теми, которые пока не опубликованы».
Автоматизация и агентные рабочие процессы
Стецула согласен, что в будущем всё больше этапов открытия лекарств будет автоматизировано — от выдвижения гипотез до анализа результатов. «Наш президент Макс Джадерберг в своём выступлении на TED AI хорошо описал будущее агентных рабочих процессов в разработке лекарств. Я абсолютно уверен, что это часть нашего общего будущего».