1813
Штучний інтелект дедалі частіше пропонує молекули для майбутніх ліків, але більшість красивих результатів отримують на вже відомих даних. Міжнародний AIntibody Challenge поставив жорсткішу умову: команди мали створити абсолютно нові послідовності антитіл, після чого незалежні лабораторії синтезували їх і перевірили, не знаючи, хто саме подав кожен варіант. Команда Novamab AI, пов’язана з UTHealth Houston, увійшла до п’ятірки найкращих у своїй категорії.
Антитіла — це білки, здатні дуже вибірково зв’язуватися з певними молекулярними мішенями. Саме тому вони стали основою великої кількості сучасних препаратів — від онкології до аутоімунних хвороб. Проте знайти хороше терапевтичне антитіло складно: молекула повинна не лише міцно зв’язувати мішень, а й залишатися стабільною, не злипатися та добре вироблятися.
Багато алгоритмів оцінюють на історичних наборах даних. AIntibody Challenge був побудований як prospective benchmark: учасники подавали нові antibody sequences, яких до цього не існувало в експериментальному наборі, а фінальні випробування проводили незалежно.
Лабораторії оцінювали два головні параметри — binding affinity і developability. Перший показує, наскільки сильно антитіло зв’язується з мішенню, другий охоплює фізико-хімічні властивості, без яких кандидат не зможе стати препаратом.
Усього до міжнародного benchmark долучилися 166 учасників, які подали 527 рішень. Novamab AI працювала в sequence-space track, де оцінювали 58 поданих систем від академічних і біотехнологічних команд.
Команда fine-tuned protein language model на експериментальних preference data, щоб модель навчалася віддавати перевагу варіантам із продемонстрованою біологічною активністю й кращою developability, а не лише високим теоретичним score.
За підсумками blinded laboratory evaluation система увійшла до п’ятірки найкращих у своєму треку. Головна цінність тут саме в незалежній перевірці: учасники не могли підлаштувати алгоритм під фінальний лабораторний результат.
Це не означає, що ШІ вже здатен самостійно створювати готові ліки. Навіть перспективне антитіло має пройти подальшу оптимізацію, дослідження токсичності, доклінічні моделі й багаторічні клінічні випробування.
Проте робота показує, що AI може бути корисним на дорогому ранньому етапі — скорочувати кількість кандидатів, які потрібно фізично синтезувати й перевіряти. Саме тому prospective benchmarks важливіші за демонстрації лише на старих базах даних.
