Kan AI designa en läkemedelskandidat som binder till ett specifikt proteinmål utan tidigare experimentella data ?

Traditionellt sett bygger läkemedelsupptäckt på omfattande laboratorieexperiment och iterativ testning för att identifiera livskraftiga föreningar. Nya AI-modeller, såsom de som använder diffusionsbaserade generativa metoder, kan nu föreslå nya molekylstrukturer skräddarsydda för specifika biologiska mål. Denna förmåga accelererar de tidiga faserna av läkemedelsforskning och minskar beroendet av slumpmässig screening.

AI kan föreslå nya läkemedelsliknande föreningar som binder till ett specificerat proteinmål även när inga tidigare experimentella data finns, genom att använda strukturbaserade djupinlärningsmetoder såsom RFdiffusion eller diffusionsmodeller tränade på protein-ligand-komplex för att generera kemiskt rimliga molekyler och dockningspoäng utan våtlaboratorieåterkoppling. Dessa generativa modeller lär sig reglerna för molekylär bindning från stora strukturella databaser och föreslår kandidater som passar målproteinets bindningsficka, även om deras design fortfarande kräver nedströms biokemisk validering för att bekräfta affinitet, selektivitet och läkemedelsliknande egenskaper. De senaste systemen integrerar evolutionär sökning eller förstärkningsinlärning för att förfina potens och ADMET-profiler, vilket ökar andelen syntetiskt tillgängliga, högpresterande träffar som kan gå vidare till experimentell testning. Eftersom ingen 3D-struktur är strikt nödvändig kan sekvensbaserade modeller som AlphaFold-informerade fickprediktioner också vägleda liganddesign när en experimentell struktur saknas.

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