Jak wynika z badania opublikowanego w Proceedings of the National Academy of Sciences (PNAS) 9 czerwca 2026 r., naukowcy z Szanghajskiego Instytutu Chemii Organicznej Chińskiej Akademii Nauk opracowali generatywny model sztucznej inteligencji, który przewiduje interakcje białko-białko z rozdzielczością atomową.
Prace, kierowane przez dr. Yang Jing, Yuan Junying i James J. Chou zostali podkreśleni przez Chińską Akademię Nauk i zgłoszeni przez Phys.org. Dodaje nowe narzędzie do szybko rozwijającej się dziedziny, w której sztuczna inteligencja jest coraz częściej wykorzystywana do projektowania maszyn molekularnych stanowiących podstawę leków, materiałów i biologii syntetycznej. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.
Dlaczego interakcje białko-białko mają znaczenie
Białka są molekularnymi końmi pociągowymi ludzkiego ciała. Budują tkanki, transportują cząsteczki, regulują komunikację komórkową i chronią przed infekcjami. Wiele najważniejszych leków – w tym terapie przeciwciałami na raka i insulina na cukrzycę – działa poprzez interakcję z określonymi białkami lub zastąpienie tych, których brakuje lub które działają nieprawidłowo.
Ponieważ tak wiele procesów biologicznych zależy od sposobu wiązania się białek, możliwość dokładnego przewidywania i projektowania interakcji białko-białko może przyspieszyć odkrywanie leków i zaspokoić niezaspokojone potrzeby medyczne. Postęp w tym zakresie uzupełnia także szybki postęp w technologiach dostarczania, takich jak wektory wirusów związanych z adenowirusami i nanocząsteczki lipidów mRNA, które przenoszą cząsteczki terapeutyczne do komórek.
Podejście oddolne zamiast odgórnego
Większość istniejących struktur AI do projektowania białek opiera się na strategii odgórnej: najpierw generują ogólne rusztowanie białkowe pasujące do miejsca docelowego, a następnie projektują sekwencję optymalizującą wiązanie. Void-X odwraca tę logikę.
Model jest atomowym systemem napełniania. Jest wyszkolony w rozpoznawaniu wzorców interakcji w skali atomowej i wypełnianiu „pustek” – luk – w interfejsach białek. Jej przewodnim założeniem jest to, że stabilne kompleksy makromolekularne są utrzymywane razem poprzez optymalne upakowanie atomowe, które wynika z lokalnych interakcji między sąsiadującymi atomami, a także sprzężeń wyższego rzędu z bardziej odległymi atomami. Zamiast projektować cały kształt białka, Void-X bezpośrednio generuje zwarte klastry atomowe zoptymalizowane pod kątem ciasnego upakowania w określonym obszarze strukturalnym, dając projektowi fizycznie uziemione podstawy.
Szkolony na ośmiu milionach gromad atomowych
Aby wytrenować Void-X, badacze zgromadzili zbiór danych obejmujący ponad osiem milionów kulistych klastrów atomowych pobranych z eksperymentalnie określonych struktur zdeponowanych w Protein Data Bank. W przypadku każdego klastra zamaskowano około 30% peryferyjnych, przestrzennie sąsiadujących atomów, podczas gdy pozostałe atomy służyły jako „kontekst” – w rzeczywistości podpowiedź – na podstawie której model przewidywał brakujące atomy.
Powstała sieć zawiera 172 miliony parametrów i osiągnęła wysoką dokładność predykcyjną: 78,3% dla wewnątrzłańcuchowych klastrów atomowych i 68,2% dla klastrów międzyłańcuchowych – podają naukowcy.
Co to oznacza dla odkrywania leków i nie tylko
Zdaniem autorów możliwości te umożliwiają de novo generowanie interakcji białek z rozdzielczością atomową, oferując, jak to określają, komplementarną i fizycznie intuicyjną metodę projektowania białek. Łącząc szczegóły na poziomie atomowym z modelowaniem generatywnym, Void-X rozszerza zestaw narzędzi do racjonalnego projektowania interfejsów biomolekularnych.
Ma to znaczenie, ponieważ projektowanie interfejsu stanowi sedno opracowywania nowoczesnych leków. Lepsze narzędzia obliczeniowe do przewidywania, w jaki sposób cząsteczka-kandydat zwiąże się z docelowym białkiem, mogą skrócić drogę od pomysłu do terapii, zmniejszyć zależność od kosztownych eksperymentów metodą prób i błędów i ułatwić projektowanie białek pod kątem całkowicie nowych funkcji w biologii syntetycznej.
Pole uprawne
Void-X pojawia się wraz z falą prac nad białkami napędzanymi przez sztuczną inteligencję. Od przewidywania struktury po projektowanie generatywne obejmujące wszystkie atomy, badacze stale dążą do możliwości modelowania interakcji biomolekularnych z pełną rozdzielczością atomową. Wcześniejsze systemy generatywne składające się z samych atomów wykazały już wykonalność projektowania i przewidywania interakcji w tej skali, a Void-X wnosi do tego samego wysiłku odrębną strategię polegającą na pakowaniu w pierwszej kolejności.
Sztuczka maskująca, która sprawia, że to działa
Metoda uczenia Void-X zapożycza stronę z podręcznika modelu językowego. Maskując około 30% atomów w każdym klastrze uczącym i prosząc model o wywnioskowanie ich z otaczającego kontekstu, badacze zamienili biologię strukturalną w zadanie polegające na wypełnianiu pustych miejsc — na tej samej zasadzie, która pozwala dużym modelom językowym przewidywać brakujące słowa w zdaniu. Różnica polega na tym, że „słownictwo” Void-X składa się z atomów ułożonych w trójwymiarowej przestrzeni, a gramatyka, której się uczy, odzwierciedla fizyczne zasady pakowania, które rządzą zwijaniem i wiązaniem prawdziwych białek.
To szkolenie polegające na świadomości struktury odróżnia Void-X od podejść, które traktują białka jako płaskie sekwencje aminokwasów. Ponieważ model uwzględnia jednocześnie sprzężenia atomowe lokalne i dalekiego zasięgu, może zaproponować geometrię interfejsu, która uwzględnia fizyczne ograniczenia stabilnego kompleksu, zamiast tworzyć prawdopodobnie wyglądające, ale biologicznie niestabilne projekty.
Ograniczenia i pytania otwarte
Wyniki są obiecujące, ale badacze nie ukrywają, że nadal istnieją wyzwania. Dokładność międzyłańcuchowa wynosząca 68,2% — odnosząca się do kompleksów wielobiałkowych, które definiują większość rzeczywistych celów leków — jest znacznie niższa niż wartość wewnątrzłańcuchowa, co odzwierciedla większą trudność w modelowaniu sposobu łączenia dwóch oddzielnych cząsteczek. Zaprojektowanie interfejsu ściśle powiązanego z modelem obliczeniowym to także dopiero pierwszy krok; kandydaci muszą jeszcze zostać zsyntetyzowani i zweryfikowani eksperymentalnie, a przewidywane interakcje mogą załamać się w bardziej nieuporządkowanym środowisku żywej komórki.
Skalowanie danych szkoleniowych, udoskonalenie obsługi modelu elastycznych lub nieuporządkowanych regionów białek oraz integracja Void-X z komplementarnymi systemami odgórnymi to prawdopodobnie kolejne kroki. Autorzy określają swój wkład jako technologię uzupełniającą, a nie zastępczą – fizycznie ugruntowaną opcję, którą można połączyć z istniejącymi rusztowaniami, w miarę jak dziedzina dąży do niezawodnego, kompleksowego projektowania molekularnego.
Szerszy trend
Badanie, opublikowane pod numerem DOI 10.1073/pnas.2607035123, sygnalizuje, że konkurs na budowę coraz bardziej precyzyjnych narzędzi do projektowania molekularnego jest już zaawansowany i że generatywna sztuczna inteligencja staje się nieodzowną częścią warsztatu biochemika. Ponieważ modele takie jak Void-X zawężają lukę między obliczeniami a laboratorium, istnieje nadzieja, że badacze będą w stanie projektować nowe leki, enzymy i materiały szybciej i bardziej racjonalnie niż kiedykolwiek wcześniej.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
