Czy AI może zaprojektować związek leku wiążący się z określonym celem białkowym bez wcześniejszych danych eksperymentalnych ?

Tradycyjnie odkrywanie leków opiera się na rozległych eksperymentach laboratoryjnych i iteracyjnym testowaniu w celu identyfikacji żywotnych związków. Niedawne modele AI, takie jak te wykorzystujące generatywne podejścia oparte na dyfuzji, mogą obecnie proponować nowe struktury molekularne dostosowane do określonych celów biologicznych. Ta zdolność przyspiesza wczesne etapy badań farmaceutycznych i zmniejsza zależność od brutalnej siły przesiewania.

AI może proponować nowe, podobne do leków związki, które wiążą się z określonym celem białkowym, nawet gdy nie istnieją żadne wcześniejsze dane eksperymentalne, wykorzystując metody głębokiego uczenia oparte na strukturze, takie jak RFdiffusion lub modele dyfuzji trenowane na kompleksach białko-ligand, aby generować chemicznie prawdopodobne cząsteczki i wyniki dokowania bez informacji zwrotnej z laboratorium mokrego. Te generatywne modele uczą się reguł wiązania molekularnego na podstawie dużych baz danych strukturalnych i proponują kandydatów, którzy pasują do kieszeni wiążącej celu, choć ich projekty nadal wymagają downstreamowej walidacji biochemicznej w celu potwierdzenia powinowactwa, selektywności i właściwości podobnych do leków. Najnowsze systemy integrują wyszukiwanie ewolucyjne lub uczenie przez wzmacnianie w celu udoskonalenia mocy i profili ADMET, zwiększając frakcję syntetycznie dostępnych, wysokiej jakości trafień, które mogą wejść do testowania eksperymentalnego. Ponieważ nie jest ściśle konieczna struktura 3D, modele oparte na sekwencji, takie jak przewidywania kieszeni opartych na AlphaFold, mogą również kierować projektowaniem ligandów, gdy struktura eksperymentalna jest niedostępna.

— Wzbogacone 12 maja 2026 · Źródło: Nature — https://www.nature.com/articles/s41586-023-06419-4