DrugGen-2: генеративная модель ИИ для создания лекарств с учётом контекста заболевания

Разработка новых лекарств — сложный и дорогостоящий процесс, в котором искусственный интеллект всё чаще берёт на себя роль генератора идей. Учёные представили DrugGen-2 — генеративную модель на базе GPT-2, способную проектировать малые молекулы, одновременно учитывая онтологию заболевания и последовательность целевого белка. Это означает, что модель не просто создаёт химические структуры, а делает это с пониманием биологического контекста, что может существенно повысить эффективность Drug Discovery.

Как работает DrugGen-2

DrugGen-2 прошла двухэтапное обучение. Сначала supervised fine-tuning на наборе одобренных препаратов — модель училась воспроизводить известные активные молекулы. Затем reinforcement learning с групповым относительным оптимизированием политики (GRPO) — этот этап позволил модели улучшать свои предсказания, ориентируясь на заданные метрики, такие как аффинность связывания и структурная новизна. В результате DrugGen-2 способна генерировать молекулы, которые не только похожи на существующие лекарства, но и учитывают специфику заболевания.

Почему контекст заболевания так важен?

Традиционные методы генерации молекул часто игнорируют контекст заболевания, хотя он напрямую влияет на поведение мишени и терапевтический эффект. Например, один и тот же белок может по-разному взаимодействовать с лигандами в зависимости от типа болезни. DrugGen-2 интегрирует информацию о заболевании через онтологию — структурированное описание связей между болезнями, симптомами и биологическими процессами. Это позволяет модели предлагать молекулы, более релевантные конкретному патологическому состоянию, что улучшает как создание новых молекул, так и репозиционирование существующих препаратов.

Результаты тестирования

Модель оценивали на пяти белковых мишенях, связанных с диабетической нефропатией — серьёзным осложнением диабета. DrugGen-2 превзошла базовые модели DrugGPT и DrugGen по ряду ключевых показателей: числу уникальных молекул, структурной схожести с одобренными препаратами и предсказанной аффинности связывания. Молекулярный докинг подтвердил сильный потенциал связывания: например, для ангиотензин-превращающего фермента модель предложила лиганды с аффинностью -9,917, -9,485 и -9,367, что значительно выше, чем у эталонного эналаприла (-8,283). Это говорит о том, что DrugGen-2 способна генерировать молекулы с высокой предсказанной активностью.

Какие молекулы генерирует DrugGen-2?

Модель создаёт малые молекулы, которые могут стать кандидатами в лекарства. В ходе тестирования она предложила структуры, не только обладающие высокой аффинностью, но и разнообразные по химическому составу. Это важно, так как разнообразие увеличивает шансы найти соединение с оптимальными фармакокинетическими свойствами. DrugGen-2 также показала способность генерировать молекулы, структурно близкие к уже одобренным препаратам, что может ускорить процесс репозиционирования.

Кому это пригодится

Разработчикам лекарств и исследователям в области AI-assisted drug discovery новая модель открывает возможности для более целенаправленного дизайна. Фармацевтические компании могут использовать DrugGen-2 для ускорения начальных этапов поиска кандидатов, особенно для заболеваний с хорошо изученной онтологией. Специалисты по репозиционированию препаратов также выиграют: модель может предложить новые показания для существующих молекул, учитывая контекст болезни.

Ограничения и нерешённые вопросы

Пока неясно, насколько модель устойчива к новым заболеваниям, не представленным в обучающем наборе. Онтология болезни — мощный инструмент, но её полнота зависит от текущих биологических знаний. Кроме того, предсказанная аффинность связывания не всегда коррелирует с клинической эффективностью, и модели предстоит пройти проверку на реальных экспериментальных данных. Тем не менее, DrugGen-2 демонстрирует, что учёт контекста заболевания может стать следующим шагом в эволюции AI-генерации лекарств.