Массачусетский институт создал ИИ-модель для разработки лекарств лучше Google
Трое ученых из Массачусетского технологического института (МТИ) Габриэле Корсо, Саро Пассаро и Джереми Волвенд представили модель искусственного интеллекта (ИИ) Boltz-2 для создания препаратов. Об этом пишет портал Endpoints News.
Утверждается, что нейросеть имеет больше возможностей по сравнению с AlphaFold 3 — аналогичной разработки компании Google DeepMind, которая моделирует трехмерную структуру белков, участвующих в заболеваниях, и прогнозирует результат их взаимодействия с лекарственными соединениями. Однако Boltz-2 дополнительно способна предсказывать силу связей между ними, решая одну из основных проблем в поиске новых медикаментов.
Преимущества перед современными методами
Чтобы определить прочность контакта между потенциальным препаратом и целевым белком, фармкомпании используют метод возмущения свободной энергии (FEP). Расчеты производят компьютерные программы на основе белковой структуры, ее физико-химических параметров и законов термодинамики. Однако они стоят дорого — около 100 долл. за один расчет — и требуют много времени — от нескольких часов до суток. К примеру, немецкий производитель Merck KGaA провел такую операцию более 35 тыс. раз, разрабатывая одно из лекарств.
Более быстрая и экономичная альтернатива — технологии машинного обучения. Но их точность хуже. Исследователи из МТИ считают, что достигли золотой середины, обучив Boltz-2 на обширных данных. Помимо Protein Data Bank — крупнейшей библиотеки биомолекул, — дополнительно загружены не представленные в исследованиях сценарии их взаимодействия, которые сгенерировал ИИ, а также тысячи симуляций движения атомов в молекуле с течением времени — это позволяет изучать, как белки меняют форму и соединяются с другими веществами. Стоимость вычислений с помощью нейросети обходится в 1000 раз дешевле по сравнению с FEP.
Эффективность
Исследователи взяли итоги конкурса CASP16 — международного состязания по прогнозированию структуры белков. Одной из задач участников было измерить степень связывания белковых структур с лекарственными молекулами. Критерием выступил коэффициент корреляции Пирсона, который показывает степень соответствия предсказанных и реальных значений.
У победившей команды он равнялся 0,54. Boltz-2 смог превзойти этот показатель — 0,65. Столько же, как правило, демонстрирует FEP — от 0,6 до 0,7. Для сравнения: в лабораторных условиях точность достигает 0,80. Этот барьер ИИ-методы преодолеют через один-два года, считают в МТИ.
Практическое применение
Boltz-2 может решать две задачи. Первая — поиск активных молекул, способных связываться с нужным белком. Вторая — обратный процесс, когда под заданную молекулу ищется проблемный белок.
ИИ-модель открыта для применения в академических и коммерческих целях. В нее можно интегрировать свои платформы без ограничений. Это еще одно отличие от продукта Google, требующего специальной коммерческой лицензии.
Трое ученых из Массачусетского технологического института (МТИ) Габриэле Корсо, Саро Пассаро и Джереми Волвенд представили модель искусственного интеллекта (ИИ) Boltz-2 для создания препаратов. Об этом пишет портал Endpoints News.
Утверждается, что нейросеть имеет больше возможностей по сравнению с AlphaFold 3 — аналогичной разработки компании Google DeepMind, которая моделирует трехмерную структуру белков, участвующих в заболеваниях, и прогнозирует результат их взаимодействия с лекарственными соединениями. Однако Boltz-2 дополнительно способна предсказывать силу связей между ними, решая одну из основных проблем в поиске новых медикаментов.
Преимущества перед современными методами
Чтобы определить прочность контакта между потенциальным препаратом и целевым белком, фармкомпании используют метод возмущения свободной энергии (FEP). Расчеты производят компьютерные программы на основе белковой структуры, ее физико-химических параметров и законов термодинамики. Однако они стоят дорого — около 100 долл. за один расчет — и требуют много времени — от нескольких часов до суток. К примеру, немецкий производитель Merck KGaA провел такую операцию более 35 тыс. раз, разрабатывая одно из лекарств.
Более быстрая и экономичная альтернатива — технологии машинного обучения. Но их точность хуже. Исследователи из МТИ считают, что достигли золотой середины, обучив Boltz-2 на обширных данных. Помимо Protein Data Bank — крупнейшей библиотеки биомолекул, — дополнительно загружены не представленные в исследованиях сценарии их взаимодействия, которые сгенерировал ИИ, а также тысячи симуляций движения атомов в молекуле с течением времени — это позволяет изучать, как белки меняют форму и соединяются с другими веществами. Стоимость вычислений с помощью нейросети обходится в 1000 раз дешевле по сравнению с FEP.
Эффективность
Исследователи взяли итоги конкурса CASP16 — международного состязания по прогнозированию структуры белков. Одной из задач участников было измерить степень связывания белковых структур с лекарственными молекулами. Критерием выступил коэффициент корреляции Пирсона, который показывает степень соответствия предсказанных и реальных значений.
У победившей команды он равнялся 0,54. Boltz-2 смог превзойти этот показатель — 0,65. Столько же, как правило, демонстрирует FEP — от 0,6 до 0,7. Для сравнения: в лабораторных условиях точность достигает 0,80. Этот барьер ИИ-методы преодолеют через один-два года, считают в МТИ.
Практическое применение
Boltz-2 может решать две задачи. Первая — поиск активных молекул, способных связываться с нужным белком. Вторая — обратный процесс, когда под заданную молекулу ищется проблемный белок.
ИИ-модель открыта для применения в академических и коммерческих целях. В нее можно интегрировать свои платформы без ограничений. Это еще одно отличие от продукта Google, требующего специальной коммерческой лицензии.
