Как ИИ помогает в поиске противораковых препаратов: внутри молекулярного поискового движка BIOPTIC

Нахождение нового препарата часто описывается как поиск иголки в стогу сена. На самом деле, проблема гораздо больше: «стог» может содержать миллиарды, или даже триллионы, возможных молекул.

И здесь на помощь приходит искусственный интеллект.

BIOPTIC, биотехнологическая компания с акцентом на ИИ, связанна с предпринимателем и бывшим руководителем Google Андреем Дороничевым. Она разрабатывает технологии, использующие машинное обучение для поиска огромных химических библиотек на предмет молекул, которые в конечном итоге могут стать новыми лекарствами. Одной из самых интересных программ компании является исследование противорака, где её ИИ-система использовалась для выявления селективных ингибиторов VEGFR-3, биологической мишени, связанной с ангиогенезом опухолей.

Важное слово здесь, «в конечном итоге». ИИ не нажимает на кнопку и не производит готовый противораковый препарат. Вместо этого он помогает учёным решать, какие молекулы стоит синтезировать и тестировать в реальном мире.

Что такое BIOPTIC и что на самом деле делает её ИИ?

BIOPTIC работает на стыке искусственного интеллекта, вычислительной химии и открытия лекарств. Основная идея состоит в том, чтобы рассматривать открытие химических соединений частично как задачу поиска.

Обычная программа по обнаружению препаратов может начинаться с биологической мишени, белка, связанного с заболеванием, и затем искать молекулу, способную взаимодействовать с этой мишенью желаемым образом. Проблема заключается в том, что количество теоретически возможных «лекарственных» молекул астрономически велико.

Система BIOPTIC B1 пытается сделать этот поиск управляемым.

Система математически представляет молекулы, создавая компактные числовые вложения, которые позволяют сравнивать химические структуры с высокой скоростью. Согласно рецензируемым исследованиям компании, B1 может искать в библиотеках, содержащих десятки миллиардов соединений, и извлекать молекулы, которые могут иметь схожие биологические свойства, даже несмотря на значительные различия в их химических структурах.

Таким образом, ИИ не заменяет лабораторию. Он представляет собой чрезвычайно быстрый фильтр перед началом лабораторной работы.

Как BIOPTIC B1 ищет миллиарды молекул?

Технической основой B1 является система виртуального отсева на основе лиганда.

Лиганд, это молекула, которая может связываться с биологической мишенью, такой как белок. Если учёным уже известны несколько молекул с полезной активностью, эти молекулы могут послужить отправной точкой для нового поиска.

B1 преобразует молекулярную информацию в компактное векторное представление. В опубликованной системе каждая молекула представляется как 60-мерное вложение, хранящееся с использованием точности float16. Модель затем может сравнивать запрашиваемую молекулу с прединдексированными молекулярными представлениями и вычислять сходство на огромной шкале.

Система была протестирована на Enamine REAL Space, виртуальной химической библиотеке, содержащей примерно 40 миллиардов перечисленных молекул.

Эта масштаб создании технологической проблемы так же, как и научной. Исследователи BIOPTIC разделили процесс на два этапа:

• Сканирование: нейронные сети обрабатывают молекулы и генерируют вложения.
• Поиск: предвычисленные вложения сравниваются для извлечения самых релевантных кандидатов.

В опубликованных бенчмарках поиск по библиотеке из 40 миллиардов соединений может быть выполнен примерно за две минуты и пятнадцать секунд с использованием описанной в статье SSD-основанной поисковой настройки. Конфигурация на основе оперативной памяти была значительно быстрее.

Это не значит, что ИИ понимает биологию так же, как учёный. Это значит, что система может быстро перемещаться по математической карте химического пространства и идентифицировать кандидатов, которые заслуживают более пристального внимания.

Проект по раку: поиск селективных ингибиторов VEGFR-3

Программа по раку BIOPTIC предоставляет четкий пример того, как может работать этот подход.

Цель, VEGFR-3, также известный как FLT4, рецептор, участвующий в сигнальных путях, связанных с ангиогенезом, образованием новых кровеносных сосудов. Опухоли могут использовать ангиогенез для поддержки своего роста, что делает этот путь важной областью исследований о раке.

Проблема заключается в селективности.

Лекарства, которые в широком смысле влияют на несколько VEGF-рецепторов, могут также взаимодействовать с другими биологическими системами, что потенциально увеличивает токсичность. Проект BIOPTIC направлен на выявление маломолекулярных соединений с более высокой селективностью для VEGFR-3.

Компания использовала двухмодельный конвейер:

SMILES, это текстовая нотация, используемая для описания молекулярных структур. Это делает химию удивительно совместимой с методами языковых моделей: молекула может быть представлена как последовательность символов, что позволяет системам ИИ изучать закономерности в химических данных.

После того как первая модель просканировала ультра-огромную библиотеку из 40 миллиардов соединений, графовая нейронная сеть использовалась в качестве второго фильтра. В отличие от текстовой последовательности, граф представляет атомы как узлы, а химические связи как соединения, что делает GNN полезной для моделирования молекулярной структуры и взаимосвязей.

От цифрового предсказания к реальной молекуле

Это момент, когда история ИИ становится реальной наукой.

Компьютер может предсказать, что молекула выглядит многообещающей, но её всё ещё необходимо синтезировать и экспериментально тестировать.

В проекте VEGFR-3 BIOPTIC сообщила о тестировании 110 соединений, используя анализ профилирования киназ. Несколько молекул показали активность против VEGFR-3, и три были селективны для одного VEGFR-мишени. Один кандидат продемонстрировал более чем 45-кратную селективность по сравнению с VEGFR-1 и VEGFR-2 в представленных экспериментах. Полученные данные были представлены в аннотации для ежегодной конференции ASCO 2025 года и опубликованы в качестве аннотации в Journal of Clinical Oncology.

Исследователи затем объединили молекулярное открытие с анализом РНК-секвенирования. Используя алгоритм Oncobox, они проанализировали тысячи профилей экспрессии опухоли, чтобы оценить, какие типы рака могут быть наиболее чувствительными к селективному ингибированию VEGFR-3. Сообщенные кандидаты для дальнейшего исследования включали папиллярный рак щитовидной железы, рак почки ясноклеточной карциномы, рак поджелудочной железы, рак яичников и саркомы.

Это исследовательские результаты, не доказательство того, что готовое противораковое лекарство готово для пациентов.

Научные доказательства, стоящие за BIOPTIC B1

Технология BIOPTIC также была описана в рецензируемой научной литературе.

В 2025 году исследователи опубликовали исследование в Journal of Chemical Information and Modeling, описывающее BIOPTIC B1 и её использование в перспективном эксперименте по открытию лекарств, нацеленных на LRRK2, белок, связанный с болезнью Паркинсона.

Система исследовала то же пространство химических соединений из 40 миллиардов молекул и идентифицировала новые лиганды как для нормальных, так и для мутантных форм LRRK2. Лучшие экспериментально валидированные соединения достигли констант диссоциации, равных 110 нм.

Следующий этап особенно важен для понимания открытия лекарств, ассистируемого ИИ. Первоначальные находки не рассматривались как окончательные ответы. Учёные использовали лучшие соединения в качестве отправных точек для поиска аналогов, извлекли структурно связанные молекулы, отфильтровали их по практическим свойствам и выбрали кандидатов, которые можно было бы реализовать в синтезе.

Из 48 выбранных аналогов 47 были успешно синтезированы. Полученные соединения затем были протестированы снова, создавая замкнутый цикл между вычислениями, химией и биологией.

Почему ИИ не может заменить ученых, занимающихся лекарствами

Фраза «ИИ открывает лекарства» запоминающаяся, но неполная.

ИИ может ранжировать молекулы на основе закономерностей, изученных из данных. Он может ускорять виртуальный отбор и идентифицировать химические взаимосвязи, которые было бы трудно изучить вручную. Но предсказание остаётся предсказанием до тех пор, пока экспериментальная работа не подтвердит его.

Учёным всё ещё необходимо ответить на основные вопросы:

• Привязывается ли молекула к мишени?
• Влияет ли она на целевой биологический путь?
• Достаточно ли она селективна?
• Является ли она токсичной?
• Может ли она достичь нужной ткани?
• Безопасно ли она метаболизируется?
• Работает ли она на животных?
• Помогает ли она человеческим пациентам?

Обещающая молекула может потерпеть неудачу на любом этапе.

Вот почему реальная ценность таких систем, как BIOPTIC B1, может быть в скорости, а не в магии. Если ИИ может сократить миллиарды теоретических возможностей до нескольких десятков молекул, достойных тестирования, он может сделать самые ранние этапы открытия лекарств более эффективными.

Будущее медицины, управляемой ИИ

Работа BIOPTIC иллюстрирует более широкую трансформацию в биотехнологии. ИИ всё чаще становится частью самой исследовательской инфраструктуры, системой для поиска в химическом пространстве, приоритизации экспериментов и соединения молекулярных данных с биологической информацией.

Научные исследования компании по раку особенно интересны, потому что они объединяют несколько уровней вычислений: молекулярный отбор, моделирование селективности и анализ РНК-секвенирования опухольной биологии.

Но конечный продукт этого процесса не является рецептом, сгенерированным ИИ. Это краткий список гипотез для тестирования учеными.

Это различие имеет значение.

ИИ может помочь исследователям исследовать миллиарды молекул быстрее, чем традиционные методы. Он может обнаруживать незнакомые химические каркасы и указывать лабораториям на кандидатов, которые в противном случае остались бы скрытыми. Тем не менее, молекула всё ещё должна пройти через химию, биологию, токсикологию, доклинические исследования и клинические испытания.

Другими словами, ИИ не заменяет учёного, который ищет лечение рака.

Он даёт этому учёному гораздо более мощный поисковый инструмент.