Искусственный интеллект всё активнее участвует не только в предсказании структуры белков, но и в создании новых молекул. Согласно исследованию Anthropic Claude за 64 часа вычислительной работы сгенерировал 318 484 варианта белков для связывания нейротоксинов скорпионов.

Из 211 кандидатов, переданных на лабораторную проверку, 17 соответствовали заранее установленным критериям связывания. Это перспективный результат, но ещё не готовое противоядие.

Исследование Anthropic и Citrini Research было посвящено небольшим связывающим белкам — минибиндерам. Предполагается, что такие молекулы могли бы прикрепляться к участкам токсина, необходимым для взаимодействия с натриевыми каналами нервных клеток, и тем самым препятствовать его действию. Для работы выбрали пять нейротоксинов скорпионов из разных регионов мира.

Claude выступал не как отдельный генератор последовательностей, а как координатор вычислительного процесса. Получив цели, инструменты и ограничения, он анализировал структуры токсинов, выбирал потенциальные участки связывания, запускал специализированные программы и отбирал кандидатов.

В общей сложности система использовала 12 инструментов белкового дизайна и выполнила структурные предсказания для более чем 550 тысяч сочетаний белков и токсинов.

При этом говорить о полностью автономном исследовании было бы неверно. Учёные поставили задачу, после первых 24 часов работы дали дополнительные указания и участвовали в расширении итоговой выборки. Синтез и испытания проводили профессиональные лаборатории. Указанные 64 часа относятся только к вычислительному этапу, который потребовал около 10 тысяч GPU-часов.

Лабораторные результаты оказались неоднородными. Подтверждённые связывающие белки удалось получить для четырёх из пяти токсинов. Два кандидата против токсина Cn2 показали особенно прочное связывание.

Конкурентные эксперименты также указали, что они могут занимать тот же или близкий участок, что и известное нейтрализующее антитело. Это делает их интересными для дальнейшего изучения, но не доказывает аналогичного защитного действия.

Главное ограничение работы принципиально: способность прикрепляться к токсину не равнозначна способности его обезвреживать. Исследователи пока не подтвердили нейтрализацию в клеточных экспериментах и защиту животных.

Не удалось получить и универсальный белок против нескольких токсинов: каждый из 17 успешных кандидатов соответствовал критериям связывания только с одной мишенью.

Поэтому значение исследования — прежде всего в организации научной работы. Оно показывает, как языковая модель может объединять специализированные инструменты, корректировать поиск и доводить вычислительные гипотезы до экспериментальной проверки.

При этом считать результат как «17 успешных из 318 тысяч» без пояснений некорректно: подавляющее большинство вариантов оценивалось только вычислительно, а физически испытали 211 отобранных кандидатов.

В материале приводятся и другие примеры расширения роли ИИ в биомедицине: Radical Numerics сообщила о разрешении применить разработанный с помощью ИИ бактериофаг у пациента в рамках программы сострадательного использования, а OpenAI объявила о планах приобрести Orchestra Bio для развития инструментов координации исследований. Эти случаи относятся к разным этапам и не означают одинаковой степени доказанности медицинской пользы.

Общий сдвиг заключается в том, что ИИ начинает сопровождать более длинные участки исследовательского процесса — от проектирования молекул до планирования экспериментов.

Но ускорение поиска не отменяет проверок. Между белком, который связывает токсин в лаборатории, и безопасным лекарством для человека по-прежнему лежит большой объём работы.