Раньше – годы исследований, сейчас – часы работы: почему сложные болезни скоро перестанут быть неизлечимыми

ИИ создает белки для борьбы с неизлечимыми болезнями – исследователи MIT

Новая технология обещает изменить подход к поиску лекарств, сокращая путь от идеи до готового препарата. Она объединяет физику, биологию и машинное обучение, помогая ученым находить эффективные соединения для терапии сложнейших заболеваний. Об этом сообщает MIT Jameel Clinic.

Новая эпоха в дизайне белков

В исследовательском центре Массачусетского технологического института (MIT) представили BoltzGen – модель искусственного интеллекта, способную самостоятельно проектировать белки для медицинских нужд. Презентация состоялась на семинаре BoltzGen, организованном в рамках Клиник машинного обучения в здравоохранении имени Абдула Латифа Джамиля. Более 300 специалистов из сфер ИИ и биомедицины обсудили, как технологии могут ускорить создание новых лекарств.

BoltzGen стала продолжением открытого проекта Boltz-2, который анализировал структуру белков и их взаимодействия с молекулами. Теперь же речь идет о модели, которая не просто распознает закономерности, а генерирует принципиально новые белки, потенциально пригодные для синтеза и тестирования в лабораториях.

"Существовали модели, пытавшиеся решать задачу проектирования связывающих белков, но они были привязаны к конкретной модальности. Общая модель позволяет решать больше задач и повышает качество работы, потому что усваивает физические закономерности на более разнообразных примерах", – объясняет аспирант MIT Ханнес Штерк.

Три технологических прорыва BoltzGen

Модель сочетает несколько инноваций, каждая из которых делает её особенно ценной для практической медицины.

Во-первых, она одновременно прогнозирует структуру белка и проектирует его функциональные свойства, что позволяет сократить время между идеей и реальными экспериментами.

Во-вторых, BoltzGen учитывает обратную связь от лабораторий wet lab – это реальные эксперименты, в которых ученые синтезируют и тестируют белки. Благодаря этому алгоритм "понимает" физику процесса и создает молекулы, соответствующие реальности.

В-третьих, BoltzGen проверяли на белках, структура которых ранее не была известна. Модель продемонстрировала способность работать даже там, где данных почти нет, что делает её универсальной и перспективной для исследований новых мишеней.

Как работает BoltzGen

BoltzGen обучается на тысячах белковых структур, выявляя закономерности между формой молекулы, её зарядом и химическим поведением. Затем она применяет эти знания, чтобы создавать белки с заданными свойствами – например, связывающиеся с конкретными рецепторами или устойчивые к разрушению в организме.

Система использует физико-химические принципы: взаимодействие аминокислот, геометрию цепей, распределение электростатических полей. В отличие от простых генеративных моделей, BoltzGen не просто "угадывает" структуру, а моделирует её в трехмерном пространстве с учетом реальных сил и ограничений.

Такой подход дает возможность создавать стабильные и функциональные молекулы, которые с высокой вероятностью сохраняют активность при лабораторных тестах.

Проверка в реальных условиях

Чтобы подтвердить надежность, исследователи протестировали модель на 26 объектах: от терапевтических белков до экспериментальных систем. Испытания проводились в восьми лабораториях по всему миру – как академических, так и промышленных.

"Интеграция BoltzGen в нашу платформу Helicon для пептидов ускорит создание революционных препаратов для лечения основных заболеваний", – отмечается в пресс-релизе компании-партнера проекта.

Модель успешно справилась даже с теми белками, которые ранее считались трудными для проектирования – у них не было структурных данных или они проявляли нестабильность. BoltzGen смогла предложить рабочие варианты связывающих молекул, что доказывает практическую ценность технологии для будущих терапий.

Влияние на биотехнологическую индустрию

Появление открытых систем Boltz-1, Boltz-2 и теперь BoltzGen меняет не только научный подход, но и экономику отрасли. Открытый исходный код делает исследования прозрачнее, но ставит новые вызовы перед компаниями, зарабатывающими на закрытых решениях.

"Время от закрытой разработки до открытой версии сокращается, и это влияет на окупаемость инвестиций. Если бесплатная версия появляется через несколько месяцев, бизнесу придется адаптировать модели монетизации", – отмечает Джастин Грейс из LabGenius.

Значение для науки

BoltzGen открывает ученым доступ к мощным инструментам биомолекулярного дизайна. Старший соавтор Томми Яаккола подчеркивает, что общий доступ к коду снижает барьеры для исследований и позволяет объединять усилия разных лабораторий.

"Студенты часто спрашивают, как ИИ может изменить подход к терапии. Ключ в том, чтобы сосредоточиться на нерешенных задачах, и именно это отличает BoltzGen", – говорит профессор Регина Барзилай, руководитель факультета ИИ в MIT Jameel Clinic.

Будущее биомолекулярного дизайна

Ханнес Штерк уверен, что BoltzGen станет основой для нового этапа в разработке лекарств.

"Я хочу создавать инструменты, которые помогут лечить заболевания, считающиеся неизлечимыми, и работать с молекулярными системами, которые мы раньше даже не могли представить", – говорит исследователь.

Алгоритмы подобного класса смогут не только предсказывать, но и проектировать белки с высокой вероятностью клинического успеха. Это открывает путь к более быстрым и точным терапиям против рака, аутоиммунных и редких заболеваний.

Сравнение BoltzGen и Boltz-2

Boltz-2 – это система анализа, BoltzGen – система творчества. Первая определяет структуру и свойства существующих белков, вторая создает новые варианты с заданными параметрами. Если Boltz-2 можно сравнить с микроскопом, то BoltzGen – с лабораторией, где появляются новые молекулы.

Важное отличие в обратной связи: BoltzGen обучается на данных wet lab, что делает её результаты ближе к реальным экспериментам. Это сокращает разрыв между компьютерной моделью и действием лекарства в организме.

Плюсы и минусы технологии

BoltzGen не лишена ограничений, но её преимущества очевидны:
Плюсы:
• ускоряет ранние этапы разработки лекарств;
• уменьшает затраты на лабораторные тесты;
• расширяет круг терапевтических мишеней;
• позволяет использовать открытые данные.

Минусы:
• требует мощных вычислительных ресурсов;
• зависит от качества обучающих данных;
• не заменяет экспериментальную валидацию.

Однако даже с этими ограничениями модель дает огромный импульс развитию молекулярной медицины.

Советы по использованию ИИ в разработке лекарств

Начинайте с качественных биологических данных – чем точнее исходная база, тем надежнее результат.
Комбинируйте ИИ-модели с лабораторными проверками: синтез и тестирование остаются обязательными.
Используйте открытые решения, чтобы обмениваться опытом с другими командами.
Следите за лицензиями на использование данных – в биомедицине это особенно важно.
Оценивайте не только точность, но и интерпретируемость моделей – понимание логики ИИ помогает избежать ошибок.