Згідно з дослідженням, опублікованим у Proceedings of the National Academy of Sciences (PNAS) 9 червня 2026 року, дослідники з Шанхайського інституту органічної хімії Академії наук Китаю розробили генеративну модель штучного інтелекту, яка передбачає взаємодію білок-білок з атомарною роздільною здатністю. Модель під назвою Void-X використовує принципово інший підхід до дизайну білків, будуючи інтерфейси з окремих атоми вгору, а не спочатку ліпити загальну форму білка.
Робота під керівництвом д-ра. Ян Цзін, Юань Цзюньїн і Джеймс Дж. Чоу, було виділено Академією наук Китаю та повідомлено Phys.org. Він додає новий інструмент до швидкозмінної галузі, в якій штучний інтелект все частіше використовується для розробки молекулярних машин, які лежать в основі ліків, матеріалів і синтетичної біології. For more context on this story, see our ongoing breaking AI news.
Чому білок-білкова взаємодія має значення
Білки - це молекулярні робочі конячки людського організму. Вони будують тканини, транспортують молекули, регулюють клітинну комунікацію та захищають від інфекції. Багато з найважливіших ліків, включаючи терапію антитілами проти раку та інсулін для лікування діабету, діють, взаємодіючи з певними білками або замінюючи ті, які відсутні або не працюють.
Оскільки дуже багато біологічних процесів залежать від того, як білки зв’язуються один з одним, здатність точно прогнозувати та проектувати взаємодію між білками може прискорити відкриття ліків і вирішити незадоволені медичні потреби. Прогрес тут також доповнює швидкий прогрес у технологіях доставки, таких як аденоасоційовані вірусні вектори та ліпідні наночастинки мРНК, які передають терапевтичні молекули в клітини.
Підхід «знизу вгору» замість «зверху вниз».
Більшість існуючих фреймворків штучного інтелекту для проектування білків дотримуються стратегії зверху вниз: вони спочатку створюють загальний білковий каркас, який відповідає цільовому сайту, а потім проектують послідовність для оптимізації зв’язування. Void-X змінює цю логіку.
Модель являє собою атомну систему наповнення. Він навчений розпізнавати шаблони взаємодії в атомному масштабі та заповнювати «порожнечі» — прогалини — в білкових інтерфейсах. Його керівне припущення полягає в тому, що стабільні макромолекулярні комплекси утримуються разом завдяки оптимальній упаковці атомів, яка виникає внаслідок локальних взаємодій між сусідніми атомами, а також зв’язків вищого порядку з більш віддаленими. Замість того, щоб проектувати цілу форму білка, Void-X безпосередньо генерує компактні атомні кластери, оптимізовані для щільної упаковки в певній структурній області, надаючи конструкції фізично обґрунтовану основу.
Навчався на восьми мільйонах атомних кластерів
Щоб навчити Void-X, дослідники зібрали набір даних із понад восьми мільйонів сферичних атомних кластерів, взятих із експериментально визначених структур, збережених у банку даних Protein. Для кожного кластера приблизно 30% периферійних, просторово суміжних атомів були замасковані, а решта атомів служили «контекстом» — фактично підказкою — яку модель використовувала для прогнозування відсутніх атомів.
Отримана мережа містить 172 мільйони параметрів і досягла високої точності прогнозування: 78,3% для внутрішньоланцюгових атомних кластерів і 68,2% для міжланцюгових кластерів, повідомили дослідники.
Що це означає для відкриття ліків і не тільки
За словами авторів, ці можливості дозволяють створювати de novo взаємодію білка з атомарною роздільною здатністю, пропонуючи те, що вони описують як додатковий і фізично інтуїтивний шлях для дизайну білка. Поєднуючи деталі на атомному рівні з генеративним моделюванням, Void-X розширює набір інструментів для раціонального проектування біомолекулярних інтерфейсів.
Це важливо, оскільки дизайн інтерфейсу лежить в основі сучасної розробки ліків. Кращі обчислювальні інструменти для прогнозування того, як молекула-кандидат зв’яжеться з білковою мішенню, можуть скоротити шлях від ідеї до терапії, зменшити залежність від дорогих експериментів методом проб і помилок і спростити розробку білків для абсолютно нових функцій у синтетичній біології.
Поле, що росте
Void-X з’являється на тлі сплеску роботи над протеїном, керованої ШІ. Від прогнозування структури до всеатомного генеративного дизайну, дослідники неухильно просуваються до здатності моделювати біомолекулярні взаємодії з повною атомною роздільною здатністю. Більш ранні генеруючі системи з усіма атомами вже продемонстрували можливість проектування та прогнозування взаємодій у такому масштабі, і Void-X сприяє особливій стратегії упаковки в ті самі зусилля.
Трюк маскування, завдяки якому це працює
Метод навчання Void-X запозичує сторінку з підручника мовної моделі. Замаскувавши приблизно 30% атомів у кожному навчальному кластері та попросивши модель вивести їх із навколишнього контексту, дослідники перетворили структурну біологію на завдання заповнення пропусків — той самий принцип, який дозволяє великим мовним моделям передбачати пропущені слова в реченні. Різниця полягає в тому, що «словниковий запас» Void-X складається з атомів, розташованих у тривимірному просторі, а граматика, яку він вивчає, відображає фізичні правила упаковки, які керують тим, як справжні білки складаються та зв’язуються.
Навчання з урахуванням структури – це те, що відрізняє Void-X від підходів, які розглядають білки як плоскі послідовності амінокислот. Оскільки модель міркує одночасно про локальні та дальні зв’язки атомів, вона може запропонувати геометрію інтерфейсу, яка поважає фізичні обмеження стабільного комплексу, а не створювати правдоподібні, але біологічно нестабільні конструкції.
Обмеження та відкриті питання
Результати багатообіцяючі, але дослідники відверті, що проблеми залишаються. Міжланцюгова точність 68,2% — актуальна для багатобілкових комплексів, які визначають більшість реальних лікарських цілей — значно нижча, ніж внутрішньоланцюгова цифра, що відображає більшу складність моделювання того, як дві окремі молекули об’єднуються. Розробка інтерфейсу, який тісно пов’язаний з обчислювальною моделлю, також є лише першим кроком; кандидати все ще повинні бути синтезовані та підтверджені експериментально, і передбачені взаємодії можуть спотворюватися в більш брудному середовищі живої клітини.
Ймовірно, наступними кроками стануть збільшення обсягу навчальних даних, удосконалення роботи моделі з гнучкими або невпорядкованими білковими областями та інтеграція Void-X із додатковими системами зверху вниз. Автори розглядають свій внесок як додаткову, а не замінюючу технологію — фізично обґрунтований варіант, який можна поєднувати з існуючими скаффолдами, оскільки польові галузі прагнуть до надійного, наскрізного молекулярного дизайну.
Ширша тенденція
Дослідження, опубліковане під DOI 10.1073/pnas.2607035123, сигналізує про те, що конкуренція за створення все точніших інструментів молекулярного дизайну зараз активно розвивається — і що генеративний ШІ стає невід’ємною частиною робочого столу біохіміка. Оскільки такі моделі, як Void-X, скорочують розрив між обчисленнями та лабораторією, є надія, що дослідники зможуть розробляти нові терапевтичні засоби, ферменти та матеріали швидше та раціональніше, ніж будь-коли раніше.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
