Kan AI designe et lægemiddelstof, der binder til et specifikt proteinmål uden tidligere eksperimentelle data ?

Traditionelt set er lægemiddelforskning afhængig af omfattende laboratorieeksperimenter og gentagne tests for at identificere levedygtige forbindelser. Nylige AI-modeller, såsom dem, der anvender diffusionsbaserede generative tilgange, kan nu foreslå nye molekylære strukturer skræddersyet til specifikke biologiske mål. Denne evne fremskynder de tidlige faser af farmaceutisk forskning og reducerer afhængigheden af systematisk screening.

AI kan foreslå nye lægemiddellignende forbindelser, der binder sig til et specificeret proteinmål, selv når der ikke findes tidligere eksperimentelle data. Dette gøres ved hjælp af strukturbaserede dybe læringsmetoder såsom RFdiffusion eller diffusionsmodeller trænet på protein-ligand-komplekser for at generere kemisk plausible molekyler og dokke-scores uden vådlab-feedback. Disse generative modeller lærer reglerne for molekylær binding fra store strukturelle databaser og foreslår kandidater, der passer til målproteinets bindingslomme, selvom deres design stadig kræver efterfølgende biokemisk validering for at bekræfte affinitet, selektivitet og lægemiddellignende egenskaber. De seneste systemer integrerer evolutionær søgning eller forstærkningslæring for at forfine potens og ADMET-profiler, hvilket øger andelen af syntetisk tilgængelige, højt scorende hits, der kan gå videre til eksperimentel testning. Da en 3D-struktur ikke er strengt nødvendig, kan sekvensbaserede modeller som AlphaFold-informerede lommeforudsigelser også guide liganddesign, når en eksperimentel struktur ikke er tilgængelig.

— Opdateret 12. maj 2026 · Kilde: Nature — https://www.nature.com/articles/s41586-023-06419-4