Voiko tekoäly suunnitella lääkeaineyhdistettä, joka sitoutuu tiettyyn proteiinikohteeseen ilman aiempaa kokeellista dataa ?

Perinteisesti lääkekehitys perustuu laajoihin laboratoriokokeisiin ja toistuvaan testaukseen sopivien yhdisteiden tunnistamiseksi. Viimeaikaiset tekoälymallit, kuten diffuusioon perustuvat generatiiviset lähestymistavat, voivat nyt ehdottaa uusia molekyylirakenteita, jotka on räätälöity tiettyjä biologisia kohteita varten. Tämä kyky nopeuttaa lääketutkimuksen varhaisvaiheita ja vähentää tarvetta perusteelliselle seulonnalle.

Tekoäly voi ehdottaa uusia lääkemäisiä yhdisteitä, jotka sitoutuvat määriteltyyn proteiinikohteeseen, vaikka aiempaa kokeellista dataa ei olisi olemassa. Tätä varten käytetään rakennepohjaisia syväoppimismetodeja, kuten RFdiffusionia tai diffuusiomalleja, jotka on koulutettu proteiini-ligandi-komplekseilla. Ne tuottavat kemiallisesti uskottavia molekyylejä ja telakointipisteet ilman laboratoriokokeita. Nämä generatiiviset mallit oppivat molekyylien sitoutumissääntöjä suurista rakenteellisista tietokannoista ja ehdottavat kohteeseen sopivia ehdokkaita, vaikka niiden suunnitelmia täytyy vielä myöhemmin vahvistaa biokemiallisilla kokeilla, jotta voidaan varmistaa sitoutumisvoimakkuus, selektiivisyys ja lääkemäiset ominaisuudet. Uusimmat järjestelmät yhdistävät evolutiivista hakua tai vahvistusoppimista tehostaakseen tehokkuutta ja ADMET-profiileja, mikä lisää syntetisoitavissa olevien, korkeapisteisten ehdokkaiden osuutta, jotka voivat siirtyä kokeelliseen testaukseen. Koska kolmiulotteista rakennetta ei välttämättä tarvita, sekvenssipohjaiset mallit, kuten AlphaFoldiin perustuvat taskuprediktiot, voivat myös ohjata ligandisuunnittelua silloin, kun kokeellista rakennetta ei ole saatavilla.

— Päivitetty 12. toukokuuta 2026 · Lähde: Nature — https://www.nature.com/articles/s41586-023-06419-4