Искусственный интеллект становится ключевым инструментом в разработке антибиотиков. Если ранее нейросети в основном использовались для поиска перспективных молекул, то теперь они помогают ученым детально расшифровать механизм действия новых лекарств. В условиях стремительного распространения супербактерий, устойчивых к традиционной терапии, такие технологии могут сделать создание медицинских препаратов значительно быстрее и дешевле.
Enterololin: успех на стыке биологии и ИИ
Одним из показательных примеров стала работа группы исследователей под руководством Джонатана Стоукса из канадского Университета Макмастера. Изучая способы борьбы с опасными штаммами кишечной палочки (Escherichia coli), ученые протестировали около 10 тысяч биологически активных соединений. После серии отборов была выделена единственная перспективная молекула, получившая название enterololin.
Основная сложность заключалась в доказательстве избирательности действия препарата: он должен уничтожать патоген, не затрагивая полезную микрофлору кишечника. Вместо проведения длительных серий биохимических экспериментов исследователи задействовали систему DiffDock, разработанную в MIT под руководством Регины Барзилай. Алгоритм спрогнозировал, с какими именно белками взаимодействует молекула и какие процессы в клетке она блокирует.
По словам авторов исследования, нейросеть позволила сузить круг потенциальных мишеней, сфокусировав лабораторные тесты на наиболее вероятных сценариях. Создание модифицированных бактериальных штаммов подтвердило точность прогнозов ИИ.
Борьба с глобальной угрозой резистентности
Кризис антибиотикорезистентности приобретает угрожающие масштабы. Согласно прогнозам, к 2050 году инфекции, устойчивые к существующим лекарствам, могут стать причиной не менее 39 миллионов смертей по всему миру. Фармацевтические компании зачастую неохотно инвестируют в разработку антибиотиков из-за высокой стоимости и низкой коммерческой выгоды, поэтому автоматизация процесса критически важна.
Эволюция подходов: от Chemprop до ApexGO
Эффективность ИИ уже подтверждена на практике:
- Система Chemprop проанализировала миллионы молекул и помогла обнаружить антибиотик halicin, эффективный против туберкулеза и госпитальных инфекций, таких как Acinetobacter baumannii.
- Система APEX, созданная учеными из Пенсильванского университета, исследовала более 10 миллионов белковых цепочек, найдя 37 тысяч кандидатов в антибиотики. Уникальность метода в том, что многие компоненты были обнаружены в белках вымерших организмов, например, гигантских ленивцев.
- Генеративная модель ApexGO перешла от поиска к проектированию: из 100 синтезированных ею соединений 86% продемонстрировали активность против бактериальных патогенов.
Исследователи подчеркивают: ИИ пока не может полностью заменить лабораторию, так как некоторые предложенные алгоритмами молекулы оказываются нестабильными или слишком дорогими в производстве. Тем не менее, отрасль переходит к модели, где нейросети сопровождают весь жизненный цикл разработки — от первичного скрининга до понимания биологических механизмов воздействия.
