Latent Labs создала модель Latent-X для проектирования белков, которые связываются с заданными мишенями. Лабораторные тесты показали 90% успешных образцов для циклических пептидов и 10–64% для мини-белков в зависимости от мишени. Испытания проводили на семи белковых целях, связанных с раком, иммунными реакциями и вирусными инфекциями.

Latent-X не перебирает готовые варианты, а проектирует белки с нуля. Модель одновременно генерирует аминокислотную последовательность и трёхмерную структуру. Пользователь указывает целевой белок и нужный участок поверхности, а система рассчитывает структуру комплекса на уровне отдельных атомов, учитывая водородные связи и прочие нековалентные взаимодействия.

Такой подход снижает число кандидатов для экспериментальной проверки. В этой работе исследователи тестировали от нескольких десятков до 100 конструкций на мишень, тогда как обычный поиск лекарственных молекул требует скрининга огромных библиотек соединений. Авторы отмечают, что высокий процент успеха позволяет переместить значительную часть дорогостоящих экспериментов на вычислительный этап.

Исследование охватило два класса молекул: макроциклические пептиды (12–18 аминокислот) и мини-белки (80–120 аминокислот). Мишенями служили MDM2, MCL-1, PD-L1, BHRF1, TrkA, рецептор IL-7Rα и домен S-белка SARS-CoV-2. Эти белки задействованы в опухолевых процессах, иммунных реакциях, болевых сигналах и вирусных инфекциях.

С макроциклами модель показала лучшие результаты: для MDM2 связывание достигло 90,9%, для MCL-1 — 100%, для PD-L1 — 94,1%. При этом исследователи измеряли связывание у 11–17 успешно синтезированных молекул на каждую мишень. Из 30 созданных ИИ вариантов удалось получить пригодные образцы в 57–87% случаев.

Для мини-белков результаты оказались менее стабильными: BHRF1 показал 64%, TrkA — 10%, PD-L1 — 49%, IL-7Rα — 26%, домен SARS-CoV-2 — 52%. На каждую мишень проверили по 100 разработанных вариантов.

Лучшие кандидаты связывались с мишенями исключительно сильно. Для IL-7Rα и SARS-CoV-2 константа диссоциации опустилась ниже 0,01 нМ (пикомолярный диапазон). Для PD-L1 достигла 0,27 нМ, для TrkA около 0,04 нМ. Чем ниже этот показатель, тем плотнее взаимодействуют молекулы.

Latent Labs сравнила свою модель с AlphaProteo, RFdiffusion и RFpeptides. В части экспериментов воспроизвели белки конкурирующих методов и измерили их в одинаковых условиях. В других случаях опирались на данные оригинальных публикаций, поэтому полное сравнение требует осторожности: методики и пороги регистрации различались.

Отдельный вычислительный тест включил 200 структур белков, отсутствовавших в обучающих данных Latent-X. Для каждой мишени система генерировала варианты против трёх участков поверхности. Всего получилось по 60 тысяч конструкций для каждого метода и класса молекул.

В этом тесте средняя вычислительная доля успешных макроциклов у Latent-X составила 8,26% против 1,72% у RFpeptides. Для мини-белков — 5,11% для Latent-X и 3,02% для RFdiffusion. Это не лабораторно подтверждённое связывание, а конструкции, прошедшие вычислительные фильтры.

При тесте скорости на видеокартах Nvidia A100 и H100 Latent-X генерировала 80-аминокислотный белок примерно в десять раз быстрее RFdiffusion. Авторы объясняют это собственной архитектурой модели, которую в работе подробно не раскрыли.

Высокие результаты в лабораториях пока не означают готовые лекарства. Исследование проверяет только способность молекул связываться с белками-мишенями. Стабильность в организме, токсичность, иммуногенность, фармакокинетика, лечебная эффективность и другие параметры требуют отдельного изучения. Авторы сами указывают, что стабильность, уровень экспрессии и фармакокинетические характеристики пока не встроены напрямую в генерацию.

У модели есть технические ограничения. Latent-X требует качественной структуры целевого белка, контекстное окно ограничено 512 аминокислотами. Фильтры для мини-белков настраивали преимущественно на коротких спиральных структурах (45–65 аминокислот), поэтому с более длинными или необычными белками возможны дополнительные ошибки.

Работа опубликована на arXiv. Все авторы указали, что работали сотрудниками или консультантами Latent Labs, поэтому независимое воспроизведение экспериментов остаётся критически важным для проверки заявленных преимуществ. Авторы опубликовали последовательности некоторых проверенных белков для повторения тестов другими группами.

Результаты всё же иллюстрируют скорость развития вычислительного дизайна белков. ИИ уже используют не только для предсказания структуры существующих молекул, как AlphaFold, но и для разработки новых белков с заранее заданной функцией. Если независимые лаборатории подтвердят высокий процент успеха Latent-X и модель покажет хорошие результаты на более широком наборе мишеней, это может значительно сократить ранний этап поиска кандидатов для биологических лекарств.