Дизайн ковалентных лекарств с нуля с повышенной лекарственностью и безопасностью

Почему важны более умные ковалентные лекарства

Противораковые и противовирусные препараты часто действуют, прикрепляясь к белкам внутри клеток. Мощный класс средств, называемый ковалентными препаратами, идет дальше: они образуют прочные, длительные связи со своими мишенями, что может повышать их эффективность. Но та же самая «липкость» может вызывать серьёзные побочные эффекты, если препарат связывается с неправильными белками. В этом исследовании представлен CovaGEN — новая система искусственного интеллекта, спроектированная для создания кандидатов в ковалентные препараты с нуля при учёте как эффективности, так и безопасности.

От проб и ошибок к умному проектированию

Традиционная разработка ковалентных лекарств медленна и дорога. Химики либо берут существующее лекарство и добавляют реакционно‑активную «ручку», либо начинают с активного фрагмента и долго подбирают остальные части молекулы. Компьютерные методы помогают, просеивая большие библиотеки известных соединений, но они ограничены тем, что уже существует. Недавние достижения в глубоком обучении умеют генерировать полностью новые молекулы, однако такие инструменты обычно ориентированы на обычные, нек covалентные препараты и часто игнорируют ключевые качества, например синтетическую доступность, лекарственность или возможную токсичность. CovaGEN ставит задачу одновременно решить все эти проблемы.

Скрытая карта лекарственноподобной химии

Авторы сначала построили «карту» химического пространства, используя более миллиона лекарственноподобных молекул из публичной базы ZINC. Они обучили тип нейронной сети, называемый вариационным автокодировщиком, сжимать каждую молекулу в компактный числовой код, или латентный вектор, а затем восстанавливать её. Этот шаг обучает модель базовой грамматике медицинской химии: что выглядит реалистично, что соответствует общим правилам для пероральных препаратов и что, как правило, синтетически осуществимо. На этой изученной карте вторая модель на основе диффузии — процесса, постепенно превращающего структуру в шум и затем обучающегося обращать этот процесс — была обучена «бродить» и генерировать новые латентные векторы, которые декодируются в валидные, разнообразные и правдоподобные молекулы.

Настройка молекул под белки и «липкие» группы

Далее CovaGEN учится проектировать молекулы для конкретных белковых мишеней. Система принимает аминокислотную последовательность белка и кодирует её мощной языковой моделью для белков, которая улавливает закономерности, связанные со структурой и функцией. Во время диффузии модель использует кросс‑внимание к этому представлению белка, чтобы генерируемые молекулы были предрасположены к подгонке в связывающем кармане мишени. В тестах на большом наборе бенчмарков такие индивидуализированные молекулы не только показали высокие оценки предсказанной силы связывания, но и имели лучшую лекарственность и синтетическую доступность, чем молекулы от нескольких современных 3D‑инструментов проектирования. Чтобы превратить эти нек covалентные связыватели в ковалентные кандидаты, команда добавила классификатор, который направляет процесс диффузии в сторону молекул с определёнными реакционно‑активными группами, известными как ковалентные «боевые головки», не жертвуя общей качественностью.

Встроенная безопасность с самого начала

Поскольку ковалентные препараты могут причинять длительный вред при связывании с неправильными мишенями, безопасность — ключевой аспект. Исследователи поэтому рассматривали токсичность как величину для оптимизации, а не как послесловие. Они обучили предикторы острой токсичности и рисков для конкретных органов, затем применили обучение с подкреплением для тонкой настройки модели диффузии так, чтобы она предпочитала молекулы с более низкой прогнозируемой токсичностью. После этой донастройки CovaGEN сгенерировал соединения, которые сохраняли хорошие показатели связывания и лекарственноподобные свойства, но имели меньшую вероятность содержать структурные «красные флажки», связанные с вредными эффектами. Важно, что метод достиг этого, не сведя итоговую коллекцию к узкому набору похожих молекул, сохранив химическое разнообразие.

Проверка метода на практике

Чтобы продемонстрировать прикладной потенциал, команда поручила CovaGEN спроектировать ковалентные ингибиторы для двух ценных мишеней: мутантной формы белка EGFR, вовлечённой в лекарственную резистентность при раке лёгкого, и главной протеазы SARS‑CoV‑2, вируса, вызывающего COVID‑19. Для каждого белка система сгенерировала множество кандидатных молекул, оснащённых подходящими «боевыми головками». Компьютерное докирование показало, что разработки CovaGEN с большей вероятностью принимали позы, пригодные для образования ковалентных связей, чем соединения, в которых «боевые головки» просто примотали к нек covалентным дизайнам. Несколько лучших кандидатов также соответствовали или превосходили эталонные препараты по комплексным мерам предсказанного связывания, лекарственности и синтетической простоты.

Что это значит для будущих лекарств

CovaGEN демонстрирует, что современные генеративные ИИ могут не только представлять молекулы, которые плотно связываются с белками. Работая в пространстве изначально лекарственноподобных структур, направляя добавление реактивных групп и явно уклоняясь от токсичности, система продвигает разработку ковалентных препаратов к более комплексному и автоматизированному процессу. Хотя необходимы дальнейшие лабораторные испытания, чтобы подтвердить, как эти виртуальные молекулы поведут себя в живых системах, подход открывает путь к более быстрому и широкому исследованию ковалентных лекарств, которые будут не только мощными, но и безопаснее для пациентов.

Цитирование: Zhang, W., Liu, T., Dong, X. et al. De novo covalent drug generation with enhanced drug-likeness and safety. Commun Biol 9, 446 (2026). https://doi.org/10.1038/s42003-026-09725-5

Ключевые слова: ковалентные лекарства, генеративный ИИ, поиск лекарств, модели диффузии, предсказание токсичности