Изкуственият интелект навлиза все по-дълбоко в ранните етапи на разработването на лекарства. Нов експеримент показва, че AI система може почти автономно да организира цяла кампания за проектиране на нови протеини и да постигне резултати, сравними или по-добри от тези на специалисти.
Claude Science, използващ моделите Claude Opus 4.8 и Mythos Preview, е получил задачата да създаде de novo protein binders – нови малки протеини, проектирани така, че да се свързват със специфична молекулярна мишена.
AI системата е успяла да създаде работещи binders срещу 14 от 15 мишени, за които са получени надеждни експериментални измервания. Проектираните молекули впоследствие са били физически синтезирани и тествани от независими лаборатории.
До 35% от проектираните протеини действително се свързват с мишената
Резултатите са особено интересни заради процента успешно работещи конструкции.
При едновременна работа по всички мишени Mythos Preview достига 26,7% успеваемост, а Claude Opus 4.8 – 22,6%. Когато Mythos Preview работи по една мишена в отделна 24-часова кампания, успеваемостта достига 35,1%.
За сравнение, типичната успеваемост при подобни кампании за протеинов дизайн се оценява на около 10–15%.
Общо 354 от 1320 конструкции с надеждни лабораторни измервания са показали реално свързване с предназначената им мишена. Още по-интересно е, че сред кандидатите, които AI системата сама е класирала на първо място за съответната задача, успешни са били 49%.
AI срещу човешки специалисти
За да направят сравнението по-смислено, изследователите са избрали добре проучени протеинови мишени, за които вече има резултати от човешки специалисти, както и мишени от състезания за протеинов дизайн.
При повечето от сравнените задачи Claude постига по-висока успеваемост от участниците в съответните състезания, а най-добрите му конструкции в редица случаи показват и по-висок афинитет към мишената.
Особено показателен е експериментът с протеина RBX1. В предходно отворено състезание само 9 от 245 предложени de novo конструкции са показали свързване. При Claude работещи са били 28 от 90 конструкции.
Най-силният AI-проектиран binder достига дисоциационна константа KD 3,9 nM, докато победителят от човешкото състезание, повторно синтезиран и измерен при същите условия, достига 45 nM. По-ниската KD стойност означава по-силно свързване.
Claude не просто „измисля“ протеинова последователност
Важно уточнение е, че Claude не извършва сам всички специализирани изчисления за структурата на протеините.
AI системата действа по-скоро като автономен научен агент. Тя проучва биологията на конкретната мишена, избира подходящи участъци за свързване, инсталира и управлява съществуващи open-source инструменти за протеинов дизайн и структурно предсказване, анализира получените кандидати и решава кои конструкции да бъдат изпратени за лабораторно тестване.
Claude е получил един общ протокол, без предварително зададени епитопи, протеинови скелети или конкретни аминокиселинни последователности за отделните мишени. След това кампаниите са протекли в рамките на 24–48 часа без човешка намеса в конкретните решения за дизайна.
Протеините са проверени в реални лаборатории
Това е важна разлика спрямо много демонстрации на AI в биологията. Резултатът не е оценяван единствено чрез компютърна симулация.
Всички предложени конструкции са предадени за физическо производство и експериментално измерване. Лабораторната валидация е извършена с участието на Adaptyv Bio и Twist Bioscience.
Именно лабораторното потвърждение показва кои от генерираните от AI молекули действително се свързват с целевия протеин.
Какво общо има това с разработването на лекарства?
Протеиновите binders могат да бъдат използвани като инструменти в биологичните изследвания и като отправна точка при разработването на определени терапевтични молекули.
Възможността AI да автоматизира част от този процес потенциално може да съкрати един от трудоемките ранни етапи на drug discovery – от анализ на мишената до създаване и подбор на молекули за лабораторно тестване.
Но резултатите не означават, че Claude вече може самостоятелно да създава готови лекарства.
Протеинов binder не е лекарство. След откриването на молекула с добро свързване остават множество етапи – оптимизация, оценка на стабилността, токсичността и фармакокинетиката, предклинични изследвания и впоследствие клинични изпитвания.
Самите автори определят експеримента като основа за бъдещи системи, които постепенно могат да поемат по-голяма част от процеса на разработване на лекарства.
Claude ускорява и анализа на лабораторни резултати
Паралелно с протеиновия дизайн е проведен и отделен експеримент с анализ на сурови лабораторни данни.
Claude получава файлове от ядрено-магнитен резонанс (NMR) и течна хроматография с масспектрометрия (LC-MS), без специализирания софтуер на производителя и без оператор.
Системата обработва NMR резултатите за 23 минути, а LC-MS анализа – за 19 минути. Получените стойности са много близки до анализа на лабораторията. При определянето на чистотата например Claude отчита 96,4% срещу 96,33% от лабораторията.
Резултатите са впечатляващи, но има важна уговорка
Данните са публикувани от разработчика на Claude – Anthropic – и към момента не представляват независимо рецензирано клинично изследване. Физическите протеини обаче са произведени и експериментално тествани от външни лаборатории, което дава значително по-силна проверка от чисто компютърна демонстрация.
Освен това при четири от шестте използвани състезателни задачи Claude е имал достъп до съществуващите предложения на участниците, макар да е бил инструктиран да не използва известните binders като начална точка. Това е фактор, който трябва да се отчита при директните сравнения между AI и хора.
По-важният резултат следователно не е твърдението, че „AI вече е по-добър учен от човека“, а че съвременен AI агент може да координира сложна комбинация от научна литература, специализирани модели, изчислителни ресурси и експериментална валидация с много по-малко човешка намеса.
Възможна промяна в начина, по който се разработват лекарства
Ако подобни резултати бъдат независимо възпроизведени и разширени към други задачи, най-големият ефект вероятно няма да бъде замяната на учените, а рязкото увеличаване на броя експерименти, които един изследователски екип може да извърши.
Вместо специалистите ръчно да управляват десетки отделни инструменти и да анализират хиляди потенциални молекули, AI агентите могат да поемат голяма част от техническата работа и да изпращат най-перспективните кандидати за реална лабораторна проверка.
Именно комбинацията между AI дизайн и реална експериментална валидация прави настоящия резултат интересен за фармацевтичната индустрия – и показва как изкуственият интелект постепенно преминава от анализ на информация към активно участие в научния процес.
Източници
Adaptyv Bio – Benchmarking Claude's protein designs in the wet lab
Autonomous de novo protein binder design with Claude – research paper
Autonomous De Novo Protein Binder Design with Claude – research overview
Добави коментар
Внимание: Задължително е писането на кирилица.