Структурная биология наконец-то разделалась с «неуловимым» долгостроем: исследователи из Университета Миссури под руководством Закари Берндсена и Кейта Кэссиди представили полную карту аполипопротеина B100 (ApoB). Этот белок десятилетиями служил фундаментом для частиц «плохого» холестерина (ЛПНП), оставаясь при этом белым пятном на картах ученых. Проблема была не в лени, а в физике: гигантские размеры и сложная связь с жирами превращали попытки классического картирования в сизифов труд.
Прорыв обеспечил гибридный метод, где традиционная криоэлектронная микроскопия (cryo-EM) выступила лишь в роли «черновика». Берндсен признает: снимки микроскопа не давали нужной атомарной точности. Решить уравнение помог AlphaFold — инструмент Google DeepMind сгенерировал высокоточные предсказания формы белка, которые затем «натянули» на экспериментальные данные.
Как отмечает Кэссиди, ИИ предоставил сырье, без которого интерпретация структуры была бы физически невозможна.
Полученная модель демонстрирует сложную конструкцию: «клетку» и опоясывающую ленту, удерживающую целостность частицы в кровотоке. С точки зрения фармбизнеса это означает переход от ковровых бомбардировок организма статинами к снайперскому проектированию молекул. Теперь, когда архитектура мишени понятна, можно точечно блокировать сборку опасных липопротеинов еще на подлете.
Для индустрии это прежде всего вопрос экономики R&D. Сердечно-сосудистые заболевания остаются главной статьей расходов здравоохранения и причиной смертности в мире, а сокращение цикла поиска таргетов с помощью ИИ открывает путь к рынку прецизионной терапии нового поколения.
Сокращение сроков разработки лекарств за счет ИИ-моделирования. Высокая точность визуализации белка ApoB, недоступная ранее. Переход от общей терапии к персонализированным молекулярным мишеням.
Мы видим, как AlphaFold превращается из научной игрушки в индустриальный стандарт, который убирает гадание на кофейной гуще из процесса разработки лекарств.