Как AI находит редкие антитела среди миллиардов кандидатов
Поиск эффективного антитела для лекарства напоминает подбор ключа к замку в огромном складе. Ученые перебирают миллионы и даже миллиарды кандидатов, но лишь малая доля точно распознает мишень болезни и надежно связывается с ней. Именно этот этап — идентификация редких вариантов — остается одним из главных барьеров в разработке антительных препаратов. Об этом пишет сайт Phys.org.
Команда Бостонского университета нашла способ радикально сузить этот поиск с помощью искусственного интеллекта. Вместо создания более крупных моделей исследователи перепроектировали сам подход к обучению, сфокусировав его на небольших участках антител, которые отвечают за распознавание патогенов. Статья об этом опубликована в журнале Communications AI & Computing в 2026 году.
Антитела ставят стандартные AI-модели в тупик. У большинства белков важная информация для обучения распределена по всей молекуле, поэтому случайное скрытие аминокислот работает эффективно. Но у антител ключевое значение имеют шесть крошечных петель — complementarity-determining regions, или CDR. Именно они определяют мишень распознавания и прочность связывания.
Разработчики перестроили процесс обучения вокруг CDR. Они использовали более 1,6 млн природных пар тяжелых и легких цепей антител, которые вместе формируют участок связывания. Во время тренировки модель скрывала до половины аминокислот в CDR, оставляя остальную структуру почти нетронутой, и многократно пыталась восстановить эти критически важные участки. Соавтор исследования Джон Мизаси сравнивает CDR с наконечником отвертки: форма наконечника решает, какой винт он подойдет, а длина ручки не имеет значения.
Результат — модель примерно с 600 миллионами параметров, которая на нескольких бенчмарках превзошла или сравнялась с более крупными антительными моделями. Точность предсказания аффинности связывания выросла на 27% на данных о более чем 90 000 сконструированных вариантов антител к шести антигенам. При этом обучение потребовало значительно меньше вычислительных ресурсов, чем у больших моделей.
Такой подход решает одну из главных проблем — как отобрать кандидатов для реальных тестов. Даже незначительные изменения в последовательности антитела могут дать триллионы вариантов, которые невозможно проверить в лаборатории. AI сокращает это пространство до нескольких сотен наиболее перспективных молекул. Это экономит время, труд и деньги на лабораторные эксперименты.
Метод может ускорить реакцию на будущие вспышки инфекций. Модель способна предсказать, какие изменения в антителах помогут адаптировать их к мутирующим вирусам, и указать приоритетных кандидатов до начала экспериментов. По мнению Дианы Джозеф-Маккарти, руководителя исследования, обучение AI биологии антител в перспективе приведет к созданию инструментов для проектирования терапий нового поколения.
