Poate AI proiecta un compus medicamentos care se leagă de un anumit țintă proteic fără date experimentale anterioare ?

În mod tradițional, descoperirea de medicamente se bazează pe experimente extensive în laborator și testări iterative pentru a identifica compuși viabili. Modelele recente de inteligență artificială, precum cele care utilizează abordări generative bazate pe difuzie, pot propune acum noi structuri moleculare adaptate la ținte biologice specifice. Această capacitate accelerează etapele incipiente ale cercetării farmaceutice și reduce dependența de screeningul forțat.

AI-ul poate propune noi compuși asemănători medicamentelor care se leagă de o proteină țintă specificată chiar și atunci când nu există date experimentale anterioare, utilizând metode de învățare profundă bazate pe structură precum RFdiffusion sau modele de difuzie antrenate pe complexe proteină-ligand pentru a genera molecule chimic plauzibile și scoruri de andocare fără feedback din laboratorul umed. Aceste modele generative învață regulile legării moleculare din baze de date structurale mari și propun candidați care se potrivesc cu punga de legare a țintei, deși designurile lor necesită încă validare biochimică ulterioară pentru a confirma afinitatea, selectivitatea și proprietățile asemănătoare medicamentelor. Cele mai noi sisteme integrează căutare evolutivă sau învățare prin întărire pentru a rafina potența și profilele ADMET, crescând fracțiunea de rezultate accesibile sintetic și cu scoruri ridicate care pot intra în testarea experimentală. Deoarece nu este strict necesară o structură 3D, modelele bazate pe secvențe precum predicțiile de buzunare informate de AlphaFold pot, de asemenea, ghida designul ligandelor atunci când o structură experimentală nu este disponibilă.

— Actualizat la 12 mai 2026 · Sursă: Nature — https://www.nature.com/articles/s41586-023-06419-4