PROBE: Решение конфликтов целей при разработке лекарств с помощью ИИ
Традиционные агенты на базе больших языковых моделей (LLM) в дизайне лекарств сегодня напоминают старательных, но близоруких лаборантов: они раз за разом попадают в ловушку конфликтующих целей. Как показывают данные бенчмарка CrossDocked2020, текущие модели часто улучшают аффинность связывания, попутно полностью уничтожая биодоступность (druggability) молекулы. Исследователи из Гонконгского университета науки и технологий (HKUST) подтверждают: агенты вносят правки, не понимая, как комплекс «карман-лиганд» отреагирует на локальные изменения. В итоге мы получаем бесконечный цикл, где прогресс в одной метрике тут же обнуляется провалом в синтетической доступности.
Решением стал фреймворк PROBE, который вводит обязательное «зондирование» молекулярного пространства перед фиксацией любых изменений.
Команда Зайфея Янга предложила декомпозировать лиганд на редактируемые участки и создавать специфическую для «кармана» карту сайта. Это позволяет заранее определить точки, где одновременное улучшение нескольких параметров физически возможно. Система использует итеративный цикл из нескольких агентов, отвечающих за аффинность, биодоступность и совместную оптимизацию, упаковывая результаты пробных правок в так называемый «EditManual».
Главное для бизнеса и R&D
Для директоров по исследованиям и разработкам, а также владельцев фармацевтического бизнеса это означает долгожданный переход от ИИ-генераторов, выдающих горы сомнительных вариантов, к стратегическому управлению химическим пространством:
Вместо того чтобы тратить капитал на синтез молекул, которые изначально обречены на токсичность или плохую растворимость, система PROBE работает как опытный химик-технолог. Сначала ИИ тестирует контролируемые аналоги «на бумаге», а затем выбирает финальное направление дизайна. Это не просто ускорение перебора, а внедрение диагностических метрик, которые выявляют несовместимые цели до начала дорогостоящих экспериментов.
Такой подход превращает нейросети из быстрых «подборщиков» в полноценных стратегов молекулярной инженерии. Ценность здесь не в самой генерации, а в способности модели вовремя сказать «стоп», если модификация ведет в тупик. В индустрии, где цена ошибки в R&D измеряется миллионами долларов, способность ИИ видеть конфликт целей на раннем этапе становится критическим преимуществом, избавляя лаборатории от холостых итераций синтеза.