Může umělá inteligence navrhnout léčivou sloučeninu, která se váže na specifický proteinový cíl bez předchozích experimentálních dat ?

Tradičně objevování léků spoléhá na rozsáhlé laboratorní experimenty a opakované testování k identifikaci životaschopných sloučenin. Nedávné AI modely, jako jsou ty využívající generativní přístupy založené na difuzi, nyní mohou navrhovat nové molekulární struktury přizpůsobené specifickým biologickým cílům. Tato schopnost urychluje raná stadia farmaceutického výzkumu a snižuje závislost na náhodném testování.

AI může navrhovat nové léčivě podobné sloučeniny, které se vážou na specifikovaný proteinový cíl, i když neexistují žádná předchozí experimentální data, a to pomocí metod hlubokého učení založených na struktuře, jako je RFdiffusion nebo difuzní modely trénované na komplexech protein-ligand, které generují chemicky věrohodné molekuly a skóre dokování bez zpětné vazby z reálné laboratoře. Tyto generativní modely se učí pravidlům molekulárního vazebného chování z velkých strukturálních databází a navrhují kandidáty, kteří se hodí do vazebného místa cíle, i když jejich návrhy stále vyžadují následnou biochemickou validaci k potvrzení afinity, selektivity a léčivě podobných vlastností. Nejnovější systémy integrují evoluční vyhledávání nebo posilované učení k vylepšení účinnosti a profilů ADMET, čímž zvyšují podíl synteticky přístupných, vysoce hodnocených kandidátů, kteří mohou vstoupit do experimentálního testování. Protože není nutná 3D struktura, mohou modely založené na sekvencích, jako jsou předpovědi vazebných míst pomocí AlphaFold, také vést návrh ligandů, pokud není k dispozici experimentální struktura.

— Aktualizováno 12. května 2026 · Zdroj: Nature — https://www.nature.com/articles/s41586-023-06419-4