Россия создаст платформу ИИ для проектирования белков

От создания белков к созданию лекарств: зачем России собственная платформа белкового дизайна

Почему сегодня проектирование белков становится новой основой биофармацевтики

Еще несколько лет назад создание нового белка во многом оставалось длительным процессом проб и ошибок. Исследователи модифицировали существующие молекулы, проводили множество лабораторных экспериментов и постепенно искали варианты с нужными свойствами.

Ситуация начала быстро меняться благодаря развитию вычислительной биологии и искусственного интеллекта. Современные алгоритмы способны анализировать огромные массивы данных о структуре белков, прогнозировать их пространственную организацию и предлагать варианты молекул, которые ранее никогда не существовали в природе.

Именно поэтому сегодня говорят уже не просто о белковой инженерии, а о вычислительном дизайне белков. В этом подходе лабораторный эксперимент начинается не с химической реакции, а с работы алгоритма.

Во всем мире подобные технологии становятся одним из наиболее быстро развивающихся направлений инженерной биологии. После появления систем прогнозирования структуры белков, таких как AlphaFold, внимание исследователей постепенно сместилось от ответа на вопрос «как устроен белок?» к гораздо более сложной задаче — «можно ли создать новый белок с заранее заданной функцией?».

Российская платформа должна объединить существующие инструменты

О планах создания такой системы сообщил научный руководитель Федерального исследовательского центра «Фундаментальные основы биотехнологии» РАН академик Владимир Попов на конференции «Инженерная биология и биофармацевтика» в Новосибирске.

По его словам, в течение примерно трех лет предполагается создать демонстрационную платформу, которая объединит доступные программные продукты для проектирования белков. Платформа должна работать как облачный сервис на вычислительной инфраструктуре Национального исследовательского центра «Курчатовский институт».

В проекте планируют участвовать специалисты ФИЦ Биотехнологии РАН, Института биоорганической химии имени академиков М. М. Шемякина и Ю. А. Овчинникова РАН, а также Института молекулярной биологии имени В. А. Энгельгардта РАН.

Отдельным направлением станет разработка протоколов, использующих методы искусственного интеллекта для проектирования новых белковых молекул.

По словам Владимира Попова, одной из причин запуска проекта стали ограничения, с которыми российские исследователи сталкиваются при использовании зарубежных платформ для белкового дизайна.

Что означает «белок с заданными свойствами»

Для неспециалиста такая формулировка может звучать абстрактно. На практике речь идет о возможности заранее определить, какую задачу должна выполнять будущая молекула.

Например, исследователям может понадобиться белок, который:

• особенно прочно связывается с определенной молекулой;
• распознает опухолевые клетки;
• сохраняет активность при высокой температуре;
• быстрее катализирует химическую реакцию;
• служит основой нового лекарственного препарата;
• используется при производстве биологических лекарств или вакцин.

Фактически исследователь задает желаемую функцию, а вычислительные алгоритмы предлагают последовательность аминокислот, которая с высокой вероятностью позволит получить именно такой белок.

После этого начинается лабораторная проверка. Искусственный интеллект не заменяет эксперимент, но значительно сокращает число вариантов, которые необходимо синтезировать и исследовать.

Искусственный интеллект постепенно становится соавтором молекулярного дизайна

Последние годы показали, что искусственный интеллект способен существенно ускорить отдельные этапы разработки биологических молекул.

Сегодня подобные системы применяются для:

• прогнозирования пространственной структуры белков;
• поиска перспективных вариантов аминокислотных последовательностей;
• оценки устойчивости будущих молекул;
• моделирования взаимодействия белков с другими соединениями;
• отбора наиболее перспективных кандидатов до начала дорогостоящих лабораторных исследований.

Важно понимать, что современные алгоритмы пока не «создают лекарства нажатием кнопки». Они помогают существенно сузить круг поиска, позволяя ученым сосредоточиться на наиболее перспективных вариантах. Окончательное подтверждение эффективности и безопасности по-прежнему требует экспериментальной проверки, доклинических исследований и клинических испытаний, если речь идет о лекарственных препаратах.

Почему собственная инфраструктура становится стратегическим ресурсом

Сообщение ФИЦ Биотехнологии РАН отражает более широкую мировую тенденцию.

Еще несколько лет назад большинство научных коллективов использовали отдельные программы для решения конкретных задач. Сейчас все большее значение приобретают комплексные платформы, объединяющие вычислительные мощности, базы данных, модели искусственного интеллекта и инструменты анализа результатов.

Подобная инфраструктура становится столь же важной для современной биофармацевтики, как суперкомпьютеры — для климатического моделирования или проектирования новых материалов.

Наличие собственной платформы потенциально позволяет:

• быстрее проводить исследования;
• адаптировать алгоритмы под национальную научную инфраструктуру;
• обеспечить работу с чувствительными научными данными;
• снизить зависимость от ограничений доступа к зарубежным сервисам;
• объединить разработки различных научных коллективов в единой вычислительной среде.

При этом сама по себе платформа не гарантирует появления новых лекарств. Она представляет собой инструмент, эффективность которого будет зависеть от качества алгоритмов, экспериментальной базы и способности исследовательских коллективов использовать его в реальных проектах.

Главный эффект проявится не сразу, но может изменить скорость исследований

Для пациентов появление подобной платформы не означает появления новых препаратов в ближайшие годы.

Однако для исследовательских организаций и биофармацевтической отрасли значение проекта может оказаться гораздо более долгосрочным.

Если система сможет эффективно объединить современные методы искусственного интеллекта, моделирования и белковой инженерии, она потенциально позволит ускорить ранние этапы разработки:

• терапевтических белков;
• ферментных препаратов;
• вакцин;
• диагностических молекул;
• биотехнологических платформ для производства лекарств.

Одновременно станет возможным более тесное взаимодействие между академическими институтами, вычислительными центрами и организациями, занимающимися прикладной разработкой лекарственных средств.

При этом сохраняются существенные ограничения. Пока речь идет о планах создания демонстрационной платформы. Ее реальные возможности, производительность, степень интеграции алгоритмов искусственного интеллекта и практическая востребованность станут понятны только после завершения разработки и первых исследовательских проектов.