Výzkumníci ze Shanghai Institute of Organic Chemistry při Čínské akademii věd vyvinuli generativní model umělé inteligence, který předpovídá interakce protein-protein při atomárním rozlišení, podle studie zveřejněné v Proceedings of the National Academy of Sciences (PNAS) dne 9. června 2026. Model nazvaný Void-X má poněkud zásadně odlišný přístup k vytváření individuálního atomového rozhraní než k celkovému návrhu proteinu. nejprve tvar.
Práce pod vedením Dr. Yang Jing, Yuan Junying a James J. Chou, byli zdůrazněni Čínskou akademií věd a hlášeno Phys.org. Přidává nový nástroj do rychle se rozvíjejícího oboru, ve kterém se AI stále více používá k navrhování molekulárních strojů, které jsou základem léků, materiálů a syntetické biologie. For more context on this story, see our ongoing AI trends.
Proč na interakci protein-protein záleží
Proteiny jsou molekulárními tahouny lidského těla. Budují tkáně, transportují molekuly, regulují buněčnou komunikaci a chrání před infekcí. Mnoho z nejdůležitějších léků – včetně protilátkových terapií na rakovinu a inzulinu na diabetes – působí interakcí se specifickými proteiny nebo nahrazují ty, které chybí nebo fungují špatně.
Protože tolik biologických procesů závisí na tom, jak se proteiny na sebe vážou, schopnost přesně předpovídat a zkonstruovat interakce protein-protein by mohla urychlit objev léků a řešit nenaplněné lékařské potřeby. Pokrok zde také doplňuje rychlý pokrok v technologiích dodávání, jako jsou adeno-asociované virové vektory a mRNA lipidové nanočástice, které přenášejí terapeutické molekuly do buněk.
Přístup zdola nahoru namísto shora dolů
Většina existujících rámců umělé inteligence pro návrh proteinů se řídí strategií shora dolů: nejprve generují celkový proteinový skelet, který odpovídá cílovému místu, a poté navrhují sekvenci pro optimalizaci vazby. Void-X tuto logiku převrací.
Model je atomový plnicí systém. Je trénován k rozpoznání vzorců interakce v atomovém měřítku a k vyplnění „prázdnot“ – mezer – uvnitř proteinových rozhraní. Jejím vůdčím předpokladem je, že stabilní makromolekulární komplexy jsou drženy pohromadě optimálním atomovým shlukem, které vyplývá z lokálních interakcí mezi sousedními atomy a také z vazeb vyšších řádů se vzdálenějšími. Namísto navrhování celého proteinového tvaru, Void-X přímo generuje kompaktní atomové klastry optimalizované pro těsné zabalení ve specifikované strukturální oblasti, což dává designu fyzicky uzemněný základ.
Trénováno na osmi milionech atomových shluků
Pro trénování Void-X sestavili výzkumníci soubor dat více než osmi milionů sférických atomových shluků získaných z experimentálně určených struktur uložených v Protein Data Bank. Pro každý shluk bylo maskováno zhruba 30 % periferních, prostorově sousedících atomů, zatímco zbývající atomy sloužily jako „kontext“ – v podstatě výzva –, kterou model použil k předpovědi chybějících atomů.
Výsledná síť obsahuje 172 milionů parametrů a dosáhla vysoké prediktivní přesnosti: 78,3 % pro vnitrořetězcové atomové klastry a 68,2 % pro meziřetězcové klastry, uvedli výzkumníci.
Co to znamená pro objevování drog a dále
Podle autorů tyto schopnosti umožňují de novo generování proteinových interakcí s atomárním rozlišením a nabízejí to, co popisují jako doplňkovou a fyzicky intuitivní cestu pro návrh proteinu. Kombinací detailů na atomární úrovni s generativním modelováním rozšiřuje Void-X sadu nástrojů pro racionální konstrukci biomolekulárních rozhraní.
To je důležité, protože design rozhraní je jádrem vývoje moderních léků. Lepší výpočetní nástroje pro predikci toho, jak se kandidátská molekula naváže na svůj proteinový cíl, mohou zkrátit cestu od nápadu k terapii, snížit závislost na nákladných experimentech typu pokus-omyl a usnadnit navrhování proteinů pro zcela nové funkce v syntetické biologii.
Rostoucí pole
Void-X přichází uprostřed návalu proteinové práce řízené AI. Od predikce struktury po generativní design všech atomů vědci neustále tlačí směrem ke schopnosti modelovat biomolekulární interakce při plném atomovém rozlišení. Dřívější celoatomové generativní systémy již prokázaly proveditelnost navrhování a předpovídání interakcí v tomto měřítku a Void-X přispívá ke stejnému úsilí odlišnou strategií na prvním místě.
Maskovací trik, díky kterému to funguje
Tréninková metoda Void-X si vypůjčuje stránku z učebnice jazykového modelu. Zamaskováním zhruba 30 % atomů v každém cvičném shluku a požadavkem modelu, aby je odvodil z okolního kontextu, výzkumníci proměnili strukturální biologii na úkol zaplňování prázdných míst – stejný princip, který umožňuje velkým jazykovým modelům předpovídat chybějící slova ve větě. Rozdíl je v tom, že „slovní zásoba“ Void-X se skládá z atomů uspořádaných v trojrozměrném prostoru a gramatika, kterou se učí, odráží fyzikální pravidla balení, která řídí, jak se skutečné proteiny skládají a vážou.
Tento trénink s vědomím struktury je to, co odlišuje Void-X od přístupů, které zacházejí s proteiny jako s plochými sekvencemi aminokyselin. Vzhledem k tomu, že model zdůvodňuje místní a dálkové atomové vazby současně, může navrhovat geometrie rozhraní, které respektují fyzikální omezení stabilního komplexu, spíše než vytvářet věrohodně vypadající, ale biologicky nestabilní návrhy.
Limity a otevřené otázky
Výsledky jsou slibné, ale vědci jsou upřímní, že problémy přetrvávají. Přesnost mezi řetězci 68,2 % – relevantní pro multiproteinové komplexy, které definují většinu skutečných cílů léků – je podstatně nižší než hodnota uvnitř řetězce, což odráží větší obtížnost modelování toho, jak se dvě samostatné molekuly spojují. Návrh rozhraní, které se pevně spojí s výpočetním modelem, je také pouze prvním krokem; kandidáti musí být stále syntetizováni a experimentálně ověřeni a předpovězené interakce mohou v horším prostředí živé buňky kolísat.
Škálování trénovacích dat, zdokonalení modelového zacházení s flexibilními nebo neuspořádanými proteinovými oblastmi a integrace Void-X s komplementárními systémy shora dolů jsou pravděpodobně další kroky. Autoři svůj příspěvek koncipovali jako doplňkovou, nikoli náhradní technologii – fyzicky podloženou možnost, kterou lze zkombinovat se stávajícími lešeními, zatímco pole závodí směrem ke spolehlivému molekulárnímu designu typu end-to-end.
Širší trend
Studie publikovaná pod DOI 10.1073/pnas.2607035123 signalizuje, že soutěž o vytvoření ještě přesnějších nástrojů pro molekulární design nyní dobře probíhá – a že generativní umělá inteligence se stává nepostradatelnou součástí biochemického pracovního stolu. Vzhledem k tomu, že modely jako Void-X zužují propast mezi výpočtem a laboratoří, je naděje, že výzkumníci budou schopni navrhovat nová terapeutika, enzymy a materiály rychleji a racionálněji než kdy předtím.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
