DeepMind выпустила AlphaFold 4 - новую версию системы предсказания структуры белков, которая расширяет задачу от "формы одного белка" к моделированию биологических взаимодействий. Если предыдущие версии в основном фокусировались на индивидуальных белковых структурах, то теперь модель работает на уровне комплексов и интерфейсов.

Технически AlphaFold 4 охватывает примерно 20 000 человеческих белков, поддерживает многосубъединичные комплексы (multi-chain complexes), моделирует белок–белковые взаимодействия и учитывает ряд посттрансляционных модификаций. Заявленная точность достигает около 98% на бенчмарках, в ряде случаев приближаясь к экспериментальному разрешению методов структурной биологии. Препринт обновлён 18 февраля 2026 года и доступен на arXiv.

Ключевой сдвиг в том, что теперь речь идёт не просто о предсказании "свёртки" изолированной цепочки, а о моделировании интерфейсов взаимодействия - именно там, где формируются лекарственные мишени. В фармакологии критично понимать, как белки контактируют друг с другом, где находятся карманы связывания и как меняется конформация в составе комплекса. Улучшенная точность на уровне интерфейсов делает потенциально более доступными для структурного анализа такие сложные мишени, как KRAS и MYC, которые долго считались "труднодоступными" или "недраггируемыми" из-за отсутствия стабильных связывающих карманов.

Фармацевтические компании уже интегрируют ИИ-сгенерированные структуры в ранние этапы drug discovery. Это не означает мгновенного сокращения разработки с 10 лет до 2, но означает уменьшение структурного "узкого места": быстрее определяется геометрия мишени, быстрее моделируются комплексы, быстрее запускаются циклы виртуального скрининга и оптимизации молекул.

Если AlphaFold 2 фактически решил задачу предсказания индивидуальной структуры белка, то AlphaFold 4 начинает системно решать задачу взаимодействий. Структурная биология постепенно смещается от исключительно кристаллографии и крио-ЭМ к гибридной модели, где ИИ генерирует структурные гипотезы, которые затем уточняются экспериментально. Это переход от "картографирования молекулы" к "инженерии молекулы".

Главный вопрос уже не в том, можем ли мы предсказать структуру с высокой точностью, а в скорости трансляции структурной информации в терапию. По мере роста точности интерфейсных предсказаний и учёта модификаций белков сокращается разрыв между вычислительной моделью и клинической реальностью, что потенциально ускоряет разработку таргетных лекарств следующего поколения