Исследователи из Шанхайского института органической химии Китайской академии наук разработали генеративную модель искусственного интеллекта, которая предсказывает белок-белковые взаимодействия с атомным разрешением, согласно исследованию, опубликованному в Трудах Национальной академии наук (PNAS) 9 июня 2026 года. Модель, получившая название Void-X, использует принципиально иной подход к проектированию белков, создавая интерфейсы от отдельных атомов вверх, а не сначала формируя общую форму белка.

Работа под руководством доктора. Ян Цзин, Юань Цзюньин и Джеймс Дж. Чоу были отмечены Китайской академией наук, о чем сообщил Phys.org. Он добавляет новый инструмент в быстро развивающуюся область, в которой ИИ все чаще используется для разработки молекулярных машин, лежащих в основе лекарств, материалов и синтетической биологии. Подробнее об этой истории — в нашем тенденции ИИ.

Почему межбелковые взаимодействия так важны

Белки — это молекулярные рабочие лошадки человеческого организма. Они строят ткани, транспортируют молекулы, регулируют клеточную связь и защищают от инфекции. Многие из наиболее важных лекарств, включая терапию антителами при раке и инсулин при диабете, действуют путем взаимодействия со специфическими белками или путем замены тех, которые отсутствуют или работают со сбоями.

Поскольку многие биологические процессы зависят от того, как белки связываются друг с другом, способность точно предсказывать и проектировать белок-белковые взаимодействия может ускорить открытие лекарств и удовлетворить неудовлетворенные медицинские потребности. Прогресс здесь также дополняет быстрый прогресс в технологиях доставки, таких как аденоассоциированные вирусные векторы и липидные наночастицы мРНК, которые доставляют терапевтические молекулы в клетки.

Подход «снизу вверх», а не «сверху вниз»

Большинство существующих ИИ-структур для проектирования белков следуют нисходящей стратегии: сначала они генерируют общий белковый каркас, соответствующий целевому сайту, а затем разрабатывают последовательность для оптимизации связывания. Void-X инвертирует эту логику.

Модель представляет собой атомную систему наполнения. Его обучают распознавать закономерности взаимодействия на атомном уровне и заполнять «пустоты» — пробелы — внутри белковых интерфейсов. Его руководящее предположение состоит в том, что стабильные макромолекулярные комплексы удерживаются вместе за счет оптимальной упаковки атомов, которая возникает в результате локальных взаимодействий между соседними атомами, а также связей более высокого порядка с более удаленными. Вместо того, чтобы проектировать всю форму белка, Void-X напрямую генерирует компактные атомные кластеры, оптимизированные для плотной упаковки в определенной структурной области, что дает проекту физически обоснованную основу.

Обучено на восьми миллионах атомных кластеров

Чтобы обучить Void-X, исследователи собрали набор данных из более чем восьми миллионов сферических атомных кластеров, взятых из экспериментально определенных структур, хранящихся в Банке данных белков. Для каждого кластера примерно 30% периферийных, пространственно смежных атомов были замаскированы, а остальные атомы служили «контекстом» — фактически подсказкой — которую модель использовала для предсказания недостающих атомов.

Полученная сеть содержит 172 миллиона параметров и достигла высокой точности прогнозирования: 78,3% для внутрицепочечных атомных кластеров и 68,2% для межцепочечных кластеров, сообщили исследователи.

Что это значит для открытия лекарств и не только

По мнению авторов, эти возможности позволяют генерировать de novo белковые взаимодействия с атомарным разрешением, предлагая то, что они описывают как дополнительный и физически интуитивный путь для проектирования белков. Объединив детализацию на атомном уровне с генеративным моделированием, Void-X расширяет набор инструментов для рационального проектирования биомолекулярных интерфейсов.

Это важно, поскольку дизайн интерфейса лежит в основе разработки современных лекарств. Более совершенные вычислительные инструменты для прогнозирования того, как молекула-кандидат будет связываться со своим белком-мишенью, могут сократить путь от идеи к терапии, уменьшить зависимость от дорогостоящих экспериментов методом проб и ошибок и облегчить разработку белков для совершенно новых функций в синтетической биологии.

Растущее поле

Void-X появился на фоне всплеска работы над белками, управляемой ИИ. От предсказания структуры до генеративного проектирования всех атомов — исследователи неуклонно продвигаются к возможности моделировать биомолекулярные взаимодействия с полным атомным разрешением. Ранее генеративные системы, состоящие из всех атомов, уже продемонстрировали возможность проектирования и прогнозирования взаимодействий в таком масштабе, и Void-X вносит в те же усилия особую стратегию «сначала упаковка».

Трюк с маскировкой, который заставляет его работать

Метод обучения Void-X заимствует страницу из сборника сценариев языковой модели. Замаскировав примерно 30% атомов в каждом обучающем кластере и попросив модель вывести их из окружающего контекста, исследователи превратили структурную биологию в задачу по заполнению пробелов — тот же принцип, который позволяет большим языковым моделям предсказывать пропущенные слова в предложении. Разница в том, что «словарь» Void-X состоит из атомов, расположенных в трехмерном пространстве, а грамматика, которую он изучает, отражает правила физической упаковки, которые управляют тем, как настоящие белки сворачиваются и связываются.

Именно структурное обучение отличает Void-X от подходов, которые рассматривают белки как плоские последовательности аминокислот. Поскольку модель учитывает локальные и дальнодействующие атомные связи одновременно, она может предлагать геометрию интерфейса, которая учитывает физические ограничения стабильного комплекса, вместо того, чтобы создавать правдоподобно выглядящие, но биологически нестабильные конструкции.

Ограничения и открытые вопросы

Результаты многообещающие, но исследователи откровенны, что проблемы остаются. Межцепочечная точность, равная 68,2%, — что соответствует мультибелковым комплексам, определяющим большинство реальных мишеней лекарств, — значительно ниже, чем внутрицепочечный показатель, что отражает большую сложность моделирования того, как две отдельные молекулы собираются вместе. Разработка интерфейса, который тесно связан с вычислительной моделью, также является лишь первым шагом; Кандидаты все еще должны быть синтезированы и проверены экспериментально, а предсказанные взаимодействия могут дать сбой в более запутанной среде живой клетки.

Следующими шагами, вероятно, станут масштабирование обучающих данных, уточнение обработки моделью гибких или неупорядоченных белковых областей и интеграция Void-X с дополнительными нисходящими системами. Авторы представляют свой вклад как дополняющую, а не заменяющую технологию — физически обоснованный вариант, который можно объединить с существующими каркасами по мере продвижения к надежному, сквозному молекулярному дизайну.

Более широкая тенденция

Исследование, опубликованное под DOI 10.1073/pnas.2607035123, сигнализирует о том, что конкуренция за создание еще более точных инструментов молекулярного дизайна уже идет полным ходом — и что генеративный ИИ становится незаменимой частью рабочего стола биохимика. Поскольку такие модели, как Void-X, сокращают разрыв между вычислениями и лабораторией, есть надежда, что исследователи смогут разрабатывать новые методы лечения, ферменты и материалы быстрее и более рационально, чем когда-либо прежде.

---

Будьте в курсе ИИ

Последние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.

Читать больше новостей об ИИ →