Искусственный интеллект становится ключевым инструментом в арсенале современной фармакологии. Если еще несколько лет назад нейросетевые алгоритмы ограничивались лишь скринингом перспективных соединений, то сегодня они позволяют детально изучать механизмы воздействия препаратов на клеточном уровне. В условиях стремительного распространения резистентных штаммов бактерий такой подход обещает кардинально ускорить разработку принципиально новых методов лечения.
Ярким примером стала работа команды под руководством Джонатана Стоукса из Университета Макмастера. В процессе поиска эффективных средств борьбы с агрессивными штаммами кишечной палочки (Escherichia coli) исследователи проанализировали около 10 тысяч биологически активных веществ, выделив из них единственную, наиболее многообещающую молекулу, получившую название энтерололин.
Однако обнаружение кандидата — лишь верхушка айсберга. Критически важно подтвердить избирательность действия препарата, чтобы он поражал исключительно патогены, не нанося вреда полезной микрофлоре кишечника. Традиционно подобные исследования требуют колоссальных затрат времени на биохимические тесты и генетический анализ.
Для оптимизации процесса ученые применили систему DiffDock, созданную в MIT под кураторством эксперта по ИИ Регины Барзилай. Алгоритм способен с высокой точностью прогнозировать молекулярные мишени препарата и моделировать его влияние на биологические процессы.
По утверждению авторов, ИИ позволил радикально сузить круг возможных биологических мишеней, сфокусировав экспериментальную работу на самых вероятных сценариях. Использование специфических бактериальных штаммов позволило оперативно подтвердить прогнозы системы. Хотя подобная практика пока не стала повсеместной, интерес к ней в научном сообществе стремительно растет.
Проблема поиска новых антибиотиков обретает катастрофические масштабы. По прогнозам экспертов, к 2050 году инфекции, не поддающиеся медикаментозному лечению, могут стать причиной гибели около 39 миллионов человек. При этом фармацевтические гиганты неохотно вкладываются в подобные исследования из-за их высокой стоимости и непредсказуемой экономической выгоды.
Интеграция ИИ позволяет значительно оптимизировать затраты на лабораторные исследования и ускорить процесс отбора перспективных соединений.
Эффективность нейросетей в поиске лекарств подтверждена уже неоднократно. Ранее ученые MIT разработали систему Chemprop, проанализировавшую миллионы молекул и обнаружившую антибиотик галицин, продемонстрировавший активность против широкого спектра патогенов, включая возбудителей туберкулеза и устойчивые штаммы внутрибольничных инфекций.
Еще более амбициозный проект реализовали специалисты Пенсильванского университета под руководством Сесара де ла Фуэнте. Их система APEX просканировала более 10 миллионов белковых структур, выявив свыше 37 тысяч потенциальных антибиотиков. Уникальность исследования в том, что более 11 тысяч кандидатов были «извлечены» из белков вымерших видов — от древней флоры до гигантских ленивцев.
Лабораторные тесты показали, что многие из этих соединений атакуют бактерии принципиально иными способами, нежели современные аналоги. Это минимизирует риск того, что у патогенов уже выработана устойчивость к подобным структурам.
Следующим логическим шагом стала разработка генеративной модели ApexGO, которая не занимается поиском готовых решений, а самостоятельно проектирует новые молекулы. Из 100 экспериментальных соединений, синтезированных по «чертежам» ИИ, 86% подтвердили свою эффективность против хотя бы одного вида бактерий.
Безусловно, исследователи подчеркивают, что искусственный интеллект не является полной заменой классической лабораторной науки. Ряд предложенных алгоритмами молекул оказываются либо чересчур затратными в синтезе, либо химически нестабильными. Тем не менее отрасль движется к модели, где нейросети сопровождают каждый этап создания лекарств — от гипотезы до разбора механизмов действия.
История успеха энтерололина наглядно демонстрирует: ИИ переходит от простого перебора вариантов к глубокому пониманию фундаментальных процессов микробиологии. Это знание может оказаться ключевым фактором в предотвращении глобальной угрозы антибиотикорезистентности.
Источник: iXBT
