ИИ-дизайн лекарств и приложения AlphaFold

01Обзор и цепочка создания стоимости#

Маркеры EC: FDA AI/ML in Drug Development + EMA AI reflection paper | OECD: Bio-pharmaceuticals | Regulator: FDA (USA), EMA (EU), NMPA (China)

ИИ-дизайн лекарств переводит поиск хитов и лидеров из формата мокрых лабораторных проб и ошибок в точное in silico моделирование. Исторически один препарат создавался примерно за десятилетие и стоил несколько миллиардов долларов, при этом около 90% кандидатов проваливались в клинике по эффективности или токсичности; генеративный ИИ и глубокое обучение теперь сжимают фазу открытия с лет до месяцев и снижают стоимость ранней разработки ориентировочно на 70-80%. Поле определяют три столпа: структурное предсказание класса AlphaFold, дающее 3D-модели белков с атомной точностью, а с AlphaFold 3 — и комплексов белков с РНК, ДНК и лигандами; генеративная химия, где GAN, VAE и диффузионные модели конструируют de novo малые молекулы и антитела, оптимизированные по аффинности, растворимости, низкой токсичности и синтезируемости; и виртуальный скрининг миллиардных пространств (библиотеки класса Enamine REAL) с ранжированием физико-ориентированным возмущением свободной энергии (FEP). Лаборатория-в-цикле (lab-in-the-loop) роботизированных обратных связей дообучает модели. Пайплайн целиком регулируется FDA, EMA и NMPA в рамках таких документов, как руководство FDA AI/ML in Drug Development и рефлексивный документ EMA по ИИ. Шесть организаций в этой проекции охватывают структурное предсказание (Isomorphic Labs, EMBL-EBI), генеративные платформы (Insilico Medicine, Exscientia, Recursion) и физико-ориентированное моделирование (Schrodinger).

Ключевые направления ИИ-дизайна лекарств:

1. Структурное предсказание (AlphaFold 3): 3D-структуры белков и их комплексов с лигандами/РНК/ДНК с атомной точностью для de novo моделирования мишеней.
2. Генеративная химия: GAN и диффузионные модели генерируют de novo молекулы с заданной аффинностью, ADMET-профилем и синтезируемостью.
3. Миллиардный виртуальный скрининг + FEP: ИИ отсеивает сверхкрупные библиотеки «synthesize-on-demand», а физико-ориентированный FEP ранжирует лидеров по аффинности.
4. Lab-in-the-loop / активное обучение: роботизированный феномический скрининг возвращает измерённую биологию для дообучения моделей.

Отраслевая цепочка создания стоимости#

[открытие мишени] ──> [генеративный дизайн] ──> [виртуальный скрининг] ──> [синтез CRO]
                                                                    │
                                                        (обратная связь «измерённая биология»)
                                                                    │
                                                                    ▼
[IND и испытания] <─── [in vitro валидация] <─────┘

Уровни цепочки создания стоимости#

Сквозные технологии сектора:

• alphafold: предсказание 3D-структуры глубоким обучением (диффузионный модуль AlphaFold 3).
• generative-chemistry: de novo генерация молекул через GAN/VAE/диффузию (Chemistry42).
• free-energy-perturbation: физико-ориентированное ранжирование аффинности связывания (FEP+).

02США#

США лидируют по венчурному финансированию ИИ-фармы, разработке фундаментальных моделей и клинической трансляции ИИ-спроектированных молекул.

альянсы AlphaFold, феномический скрининг, физическое моделирование, FDA#

• Isomorphic Labs: выделенная из Google DeepMind компания, коммерциализирующая AlphaFold 3; в мае 2026 года расширила альянсы по открытию лекарств с Eli Lilly и Novartis на сумму около 3 млрд долларов США.
• Recursion Pharmaceuticals: управляет одним из крупнейших роботизированных феномических скрининговых центров для lab-in-the-loop (Recursion OS); в ноябре 2024 года объединилась с Exscientia, создав сквозную ИИ-компанию открытия.
• Schrodinger: золотой стандарт физико-ориентированного софта FEP+, применяемого в Big Pharma для предсказания аффинности и оптимизации лидеров.
• FDA CDER AI/ML in Drug Development: регуляторная рамка, по которой клирятся первые испытания на людях полностью ИИ-сгенерированных молекул.

03КНР#

Китай стремительно строит инфраструктуру ИИ-фармы вокруг исследовательских хабов Шанхая и Пекина, с входом ИТ-гигантов в биовычисления и знаковым ИИ-происхождением клинического актива.

генеративная ИИ-фарма, ИТ-игроки, руководство NMPA#

• Insilico Medicine (Шанхайский R&D): платформа Pharma.AI / Chemistry42; её открытый с помощью генеративного ИИ ингибитор TNIK — ISM001-055 (рентосертиб) для идиопатического лёгочного фиброза — показал положительные результаты IIa фазы (опубликованы в Nature Medicine) и продвигается к pivotal-испытаниям, флагманский ИИ-актив.
• Tencent и Baidu: FineRx от Tencent AI Lab (предсказание структуры белков и виртуальный скрининг) и биовычислительная платформа PaddleHelix от Baidu.
• Руководство NMPA и хабы Цинхуа: национальное руководство по ИИ/ML в разработке лекарств и университетские ускорители de novo дизайна антител.

04ЕС#

Европейский союз лидирует в фундаментальной структурной биоинформатике, открытом AlphaFold-банке структур и оксфордской генеративной разработке.

AlphaFold DB, оксфордский первопроходец, финансирование ЕС#

• EMBL-EBI (Хинкстон, Великобритания): совместно с Google DeepMind хостит AlphaFold Protein Structure Database, предоставляя покрытие структурами более 214 млн белковых последовательностей (открытый доступ); партнёрство с DeepMind продлено, а в 2026 году добавлены высоконадёжные предсказания гетеродимеров.
• Exscientia (Оксфорд, Великобритания): платформа Centaur Chemist; в 2020 году первой вывела ИИ-спроектированное лекарство (DSP-1181) в клинические испытания на людях, а с ноября 2024 года работает в составе Recursion.
• BenevolentAI и Horizon Europe: предиктивные платформы поиска мишеней для редких заболеваний при поддержке программ ЕС «ИИ в здравоохранении».

05Ведущие компании и исследовательские институты#

06Стек технологий и инновации#

Стек объединяет структурное предсказание, генеративную химию и физико- ориентированную термодинамику, замыкаемые lab-in-the-loop.

1. Диффузионная архитектура AlphaFold 3:
   • модуль Pairformer кодирует входные последовательности и строит попарное представление атомных связей, после чего диффузионный модуль за серию шагов денойзинга превращает случайное атомное облако в финальные 3D-координаты.
   • предсказывает комплексы белков с РНК, ДНК и лигандами с точностью, близкой к экспериментальной, обеспечивая de novo моделирование мишеней (Isomorphic Labs).
2. Генеративная химия с обучением с подкреплением:
   • генератор (GAN или диффузия) предлагает молекулу строкой SMILES, а ИИ-критики оценивают её по синтезируемости, растворимости, ADMET и мутагенности (тест Эймса).
   • цикл наград повторяется миллионы раз, пока молекула не удовлетворит ТЗ (Chemistry42 от Insilico).
3. Физико-ориентированное возмущение свободной энергии (FEP):
   • термодинамические циклы молекулярной динамики рассчитывают изменение свободной энергии связывания от химической правки (замены одной функциональной группы), предсказывая улучшение связывания с точностью около 1 ккал/моль.
   • FEP+ от Schrodinger заменяет дорогой препаративный синтез при оптимизации лидеров в Big Pharma.

07Цепочки создания стоимости и производственные конвейеры#

Промышленный конвейер ИИ-спроектированного ингибитора киназы (FDA/IND-enabling)#

┌───────────────────────────┐      ┌───────────────────────────┐
│ 1. Структура мишени       │ ───> │ 2. Генеративный дизайн    │
└───────────────────────────┘      └───────────────────────────┘
                                                 │
                                                 ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 4. Синтез CRO             │ <─── │ 3. ADMET + FEP отбор хитов│
└───────────────────────────┘      └───────────────────────────┘
              │
              ▼
┌───────────────────────────┐      ┌───────────────────────────┐
│ 5. Валидация IC50 (SPR)   │ ───> │ 6. Подача IND и I фаза    │
└───────────────────────────┘      └───────────────────────────┘

Этап 1: Предсказание структуры мишени

Последовательность мишени заболевания подаётся в AlphaFold 3 для построения атомной 3D-модели связывающего кармана, которая импортируется в LIMS открытия.

Этап 2: Генеративный дизайн

Генеративный химический движок (например, Chemistry42) конструирует библиотеку молекул-кандидатов, комплементарных форме кармана и блокирующих связывание субстрата.

Этап 3: Отбор хитов по ADMET и FEP

Предиктивные модели фильтруют библиотеку по растворимости, стабильности в гепатоцитах и селективности, а FEP ранжирует топ-молекулы по вычисленной аффинности в короткий список хитов.

Этап 4: Синтез CRO

Структуры выбранных хитов (SMILES) передаются контрактной химической организации для de novo синтеза с проверкой чистоты методом ЖХ-МС.

Этап 5: Валидация IC50 (SPR)

Кандидаты скринятся методом поверхностного плазмонного резонанса (SPR) против иммобилизованной мишени для измерения кинетики связывания и ранжирования подтверждённого лидера по IC50.

Этап 6: Подача IND и I фаза

Лидер масштабируется по регламенту cGMP, подтверждается доклиническая безопасность, и IND-досье подаётся в FDA для начала испытаний I фазы на людях.