AlphaFold и белки сердца: как ИИ ускоряет поиск лекарств

Что произошло

Определение трёхмерной структуры белка раньше означало недели или месяцы работы в лаборатории: рентгеновская кристаллография, криоэлектронная микроскопия, дорогое оборудование и очередь из проектов. С выходом AlphaFold2 в 2021 году и открытием базы предсказанных структур DeepMind и EMBL-EBI выложили в открытый доступ более 200 миллионов предсказаний — практически весь известный протеом. Для исследователей сердечно-сосудистых заболеваний это значит, что структуру белка-мишени можно получить за часы расчётов, а не ждать очереди на синхротрон.

Речь не о том, что ИИ сам нашёл «главный белок болезни сердца» и вылечил её. Речь о смене инструментария: там, где раньше структура была узким горлышком, теперь узкое горлышко — валидация в живой клетке. Это принципиально другая точка приложения усилий и денег.

Почему структура белка важна для кардиологии

Многие сердечно-сосудистые препараты действуют на конкретные белки: ионные каналы кардиомиоцитов, рецепторы, ферменты вроде PCSK9, участвующего в регуляции холестерина ЛПНП. Чтобы разработать молекулу, которая точно свяжется с мишенью и не заденет соседние белки, нужно знать форму кармана связывания с точностью до долей нанометра.

Классический пример последних лет — PCSK9. Препараты-ингибиторы этого белка (моноклональные антитела) уже применяются для снижения холестерина у пациентов, которым не помогают статины. Знание структуры мишени и её вариантов помогает разрабатывать следующие поколения молекул, включая пероральные ингибиторы вместо инъекций.

Предсказание структуры не заменяет биологию. Оно убирает первое препятствие из десяти — но именно первое обычно стоило дороже всего.

Где ИИ реально экономит время

• Структура без эксперимента. Для белка, который плохо кристаллизуется, предсказание даёт рабочую модель, с которой уже можно моделировать связывание молекул.
• Оценка мутаций. Инструменты вроде AlphaMissense от DeepMind предсказывают, насколько замена аминокислоты вредна — полезно для наследственных кардиомиопатий.
• Скрининг молекул. Виртуальный докинг по предсказанной структуре отсеивает миллионы кандидатов до того, как хоть один синтезируют в пробирке.

AlphaFold3 и конкуренты

В 2024 году DeepMind и Isomorphic Labs представили AlphaFold3 — модель, которая предсказывает не только структуру белка, но и его комплексы с ДНК, РНК, лигандами и ионами. Для разработки лекарств это важнее одиночной цепи: препарат работает именно в связке белок-молекула, и предсказать эту связку — половина задачи.

AlphaFold3 доступен через веб-сервер AlphaFold Server с ограничениями на коммерческое использование и число запросов в день. Параллельно развиваются открытые альтернативы. Ниже — сравнение подходов; доступность и лицензии стоит сверять на официальных страницах проектов, они меняются.

ESMFold работает быстрее за счёт языковой модели белков и не требует поиска по эволюционным выравниваниям, но обычно уступает AlphaFold2 в точности на сложных мишенях. RoseTTAFold сильнее в задачах дизайна — создания белков с нуля, а не только предсказания существующих.

Кому это пригодится, а кому нет

Пригодится:

• Академическим группам, изучающим наследственные кардиомиопатии: можно быстро оценить эффект найденной у пациента мутации на структуру белка.
• Биотех-стартапам на ранней стадии: виртуальный скрининг снижает расходы до первых экспериментов, где счёт идёт на десятки тысяч долларов за раунд.
• Разработчикам, у которых мишень плохо поддаётся кристаллизации и экспериментальная структура недоступна годами.

Не заменит работу для тех, кому нужно:

• Доказать, что молекула безопасна и работает в организме — предсказание структуры ничего не говорит о токсичности и фармакокинетике.
• Точно измерить силу связывания препарата с мишенью: предсказанный комплекс — гипотеза, её всё равно проверяют экспериментально.
• Понять динамику белка — как он движется и меняет форму во времени. Статичная модель этого не показывает.

Цена вопроса

Провал препарата на поздней клинической стадии обходится фармкомпании в сотни миллионов долларов. Ускорение и удешевление ранних этапов — не про экономию на кофе, а про то, сколько мишеней компания успеет проверить за тот же бюджет. Если структура и виртуальный скрининг сокращают путь до первого эксперимента с года до недель, число проверяемых гипотез растёт кратно.

Но есть обратная сторона: доступность инструмента снижает порог входа и порождает вал слабо проверенных моделей. Предсказанная структура выглядит убедительно даже там, где модель не уверена — AlphaFold сопровождает вывод оценкой достоверности (pLDDT), и игнорировать её опасно. Красивая картинка кармана связывания без экспериментальной проверки — это гипотеза, а не открытие.

Заявления о «раскрытии ключевого белка болезни сердца» стоит читать осторожно. Чаще за ними стоит одна работа с предсказанной структурой конкретной мишени, а не готовое лекарство. ИИ убрал самое дорогое препятствие первого этапа — но путь от структуры до аптеки по-прежнему занимает годы клинических испытаний.