У болезней, которые считались неизлечимыми, есть слабые места. ИИ от Google DeepMind научился их находить

ИИ в разработке лекарств давно называют способом резко ускорить путь от идеи до препарата. Но медицина плохо поддается ускорению. Молекулу нужно не только найти на компьютере, но и синтезировать, проверить на клетках и животных, оценить токсичность, подобрать дозу, провести клинические испытания и доказать пользу для пациентов. Поэтому даже удачный прогноз ИИ не превращается в таблетку за несколько месяцев.

Isomorphic Labs, компания на базе Google DeepMind, пытается улучшить ранний этап этого процесса. Ее системы помогают понять, где лекарственная молекула может связаться с белком, насколько прочной будет связь и можно ли воздействовать на белок, который раньше считался слишком сложной мишенью. В мае 2026 года компания привлекла $2,1 млрд, а раньше заключила крупные соглашения с Novartis и Eli Lilly.

Работа Isomorphic Labs опирается на AlphaFold, о которой мы все уже слышали столько раз. Эта система предсказывает форму белков по последовательности аминокислот и стала одним из главных инструментов вычислительной биологии. В 2024 году Демис Хассабис и Джон Джампер получили Нобелевскую премию по химии за предсказание структуры белков, а Дэвид Бейкер - за вычислительное проектирование новых белков.

Для поиска лекарств одной формы белка мало. В клетке белки взаимодействуют с другими белками, ДНК, РНК, ионами и небольшими молекулами. Потенциальный препарат должен найти нужный участок, удержаться там достаточно прочно и изменить работу белка так, чтобы помочь организму, а не навредить ему.

AlphaFold2 стал прорывом в предсказании структуры белков. AlphaFold3 пошел дальше и научился моделировать взаимодействия белков с другими биомолекулами. Но разработка лекарств часто начинается там, где готовых примеров мало: исследователи ищут новые механизмы действия и новые участки связывания. Чем меньше похожих случаев было в обучающих данных, тем выше риск ошибки.

Для этой задачи в Isomorphic Labs создали Isomorphic Drug Design Engine, или IsoDDE. Это не просто модель формы белка, а система для нескольких связанных расчетов. В техническом отчете компания описала три ключевые функции: предсказание структуры комплекса белка с молекулой, поиск участков связывания и оценку того, насколько сильно молекула удерживается на мишени.

Участок связывания часто называют карманом белка. Речь о месте на поверхности белка, где лекарственная молекула может закрепиться. Если форма и химические свойства подходят, молекула связывается с этим участком и меняет работу белка. Но у многих важных для болезней белков нет очевидного места, куда могла бы надежно сесть небольшая молекула.

Самые трудные случаи связаны со скрытыми участками связывания. Когда белок находится сам по себе, нужная полость может быть закрыта или почти незаметна. Но при встрече с подходящей молекулой белок немного меняет форму, и место для связывания открывается. Для фармацевтики это важно: скрытый участок может сделать доступной мишень, с которой раньше было трудно работать.

Один из главных примеров в отчете Isomorphic Labs связан с белком цереблоном. Он участвует в системе, с помощью которой клетка отправляет ненужные или вредные белки на разрушение. Некоторые препараты используют цереблон как посредника: помогают пометить болезнетворный белок, после чего клетка сама убирает его.

У цереблона давно был известен основной участок связывания, связанный с талидомидом и похожими веществами. В январе 2026 года в Nature описали новый скрытый участок на поверхности этого белка. Он находится в другом месте и открывается только при взаимодействии с подходящей молекулой.

Isomorphic Labs использовала этот пример для проверки IsoDDE. Система получила только последовательность цереблона и указала место нового скрытого участка. Затем модель правильно расположила две молекулы: одну в уже известном участке связывания, другую - в новом. Для компании это важный результат, потому что система смогла найти не только знакомый сценарий, но и ранее не описанное место для воздействия.

Такой поиск особенно полезен для белков, которые давно связывают с болезнями, но плохо поддаются лекарствам. Биологи могут знать, что конкретный белок участвует в развитии заболевания, однако химикам все равно нужно место, куда можно направить молекулу. Если ИИ помогает находить такие участки, список потенциальных лекарственных мишеней становится шире.

IsoDDE рассчитан не только на малые молекулы. В Isomorphic Labs считают, что похожие методы пригодятся для антител, пептидов и молекулярных клеев. Молекулярные клеи сближают два белка и заставляют клетку выполнить нужное действие, например отправить вредный белок на разрушение. Для таких подходов важно видеть не один белок отдельно, а всю картину взаимодействий.

При этом структурный прогноз не равен готовому препарату. Даже если ИИ правильно нашел участок связывания, молекула еще должна работать в живой системе: попадать в нужные ткани, не разрушаться слишком быстро, не вызывать сильной токсичности и подходить для производства. Молекула должна пройти длинную цепочку проверок, и сбой на любом этапе может остановить разработку.

Главная ошибка в ожиданиях вокруг ИИ - вера в почти автоматическое создание лекарств. Точная модель белка дает исследователям хорошую подсказку: где искать, какие молекулы проверить первыми и какие варианты быстрее отбросить. Но лабораторные опыты и клинические испытания остаются обязательными.

Крупная фармацевтика готова проверять этот путь на практике. Соглашения Isomorphic Labs с Novartis и Eli Lilly могут принести компании почти $3 млрд без учета будущих роялти. Привлеченные $2,1 млрд должны помочь развивать IsoDDE, расширять собственные программы и довести первые разработки до клинических испытаний.

Пока у Isomorphic Labs нет одобренного препарата, созданного с помощью IsoDDE. Reuters писал, что первые испытания на людях компания ожидает к концу 2026 года. Именно этот этап покажет, превращаются ли точные компьютерные прогнозы в реальные лекарства, а не только в сильные результаты на тестах и демонстрационных примерах.

В дальнейшем Isomorphic Labs рассчитывает автоматизировать больше шагов раннего поиска. ИИ-системы смогут предлагать гипотезы, выбирать молекулы для проверки, анализировать результаты экспериментов и запускать следующий цикл. Но полностью автономной разработка лекарств не станет: биология слишком сложна, а цена ошибки слишком высока.

Практический смысл IsoDDE не в том, что ИИ заменит фармакологию, химию и клинические испытания. Он может сделать ранний поиск точнее: находить скрытые участки на белках, быстрее подбирать молекулы и заранее отсекать слабые варианты. Если Isomorphic Labs доведет такие прогнозы до успешных испытаний, ИИ в фармацевтике получит главное подтверждение - не только точные модели, но и пользу для пациентов.