Заметки лабораторного кота

Во время золотой лихорадки самый надёжный способ заработать — это не рыть золото самому, а держать лавки по продаже лопат и бордели бары.

«App Store» для лекарств

Мы все знаем что Mounjaro, Zepbound и другие препараты дали Eli Lilly огромное количество денег. И компания вместо того чтобы просто скупать биотехи, делает что-то поинтереснее 💟

Мы как привыкли: биотех делает открытия а большая фарма покупает самый успешный стартап. А вот Lilly инвестирует в собственую AI-инфраструктуру и одновременно подключает к ней десятки биотехнологических компаний. AI должен стать инструментом, который: анализирует огромные массивы данных, предлагает перспективные молекулы; помогает быстрее принимать решения,сокращает количество тупиковых направлений исследований. Появляется что-то вроде «App Store» для науки. Множество биотехов получают доступ к AI-инструментам Lilly.
Взамен они делятся своими данными. А чем больше участников, тем лучше обучаются модели, а чем лучше модели, тем полезнее становится вся платформа. Получается эффект сети - как у технологических компаний 👍

Теперь появляется еще один актив - данные.
Компания, которая соберет больше качественных данных и научится лучше использовать AI, может начать создавать лекарства быстрее конкурентов! Поджигайте 🔥если согласны?

Подписывайтесь ⚡️

Здесь мы разбираем самые интересные истории из мира биотеха и фармы

Мне кажется, что правильный ответ находится где-то посередине между первым и вторым вариантами.

С одной стороны, ИИ – это точно не тотальная замена классической разработки. Доклинические исследования на клетках и животных клинические испытания на людях ИИ не заменит примерно никогда. И он не заставит крыс быстрее дохнуть, а пациентов быстрее исцеляться. До стопроцентной точности прогнозирования физико-химии и биохимии биологических молекул тоже очень далеко, а может её никогда не будет: вдруг мы имеем дело с бесконечно сложными системами, поведение которых не сможет вычислить никакой бесконечно сложный компьютер? В любом случае любые расчёты in silico надо проверять in vitro и in vivo. 

С другой стороны, называть это просто «хайпом» тоже неверно. ИИ уже сейчас расширяет возможности исследователей на ранних этапах: расчёт свойств молекул, прогнозирование взаимодействий, статистическая обработка огромных массивов данных, автоматизация рутинной документации — здесь прогресс колоссальный. ИИ открывает двери в новые химические пространства, которые раньше было невозможно исследовать (например, белки из D-аминокислот), и тем самым ускоряет процесс выдвижения гипотез.

Да, хайп обязательно схлынет, и пузырь, неизбежно, лопнет. Множество компаний, которые строили свой бизнес исключительно на красивых презентациях «ИИ-вычислителей», разорятся. Это нормальная рыночная динамика, и так уже было с железнодорожными компаниями в XIX веке и с микроэлектроникой на рубеже 1990–2000-х. Но сами технологии никуда не денутся — они просто займут свою нишу и станут обыденным инструментом, как это случилось с теми же дорогами и чипами.

Но в любом случае без экспериментальной проверки и клинических испытаний все эти нейросети не более чем генераторы красивых картинок. Они могут нарисовать идеальную молекулу, но только лабораторные исследования покажут, работает ли она на самом деле.


https://t.me/biosciencenotes/646

Многие исследования старения посвящены изучению того, как происходит химическое разрушение белков: окисление, гликация, ошибки синтеза и т.п. Считается, что старение белков – это следствие накопления химических поломок в них. Однако что если первопричина не только в самих поломках, но и в том, что молекулы просто оказываются не на своих местах?

Таким неожиданным и глубоким вопросом задался канадский исследователь Луи Лапьер из Университета Монктона. В статье в журнале Aging Cell он предлагает новую парадигму: старение — это прежде всего потеря пространственного контроля внутри клетки.

Основную роль в этом процессе, по его мнению, играет транспорт между ядром и цитоплазмой. Баланс между этими компартментами критичен, поскольку ядро стабилизирует белки, а цитоплазма, напротив, способствует их агрегации. Этот баланс поддерживают специальные белки — кариоферины, импортины, экспортины и бипортины, которые переносят молекулы через ядерные поры.

Долгое время кариоферины считались пассивными носильщиками, выполняющими транспортную функцию. Однако Лапьер утверждает, что это глубокое заблуждение. Кариоферины не просто переносят грузы, они активно регулируют растворимость белков, подавляют их самоассоциацию и предотвращают образование патологических агрегатов. Они действуют как молекулярные щиты, защищая белки от неправильного сворачивания, и регулируют динамику фазовых переходов в клетке.

С возрастом ёмкость этой буферной системы неизбежно истощается. Клетки сталкиваются с повышенной протеостатической нагрузкой, транскрипционным дрейфом и хроническим стрессом, белки всё сильнее конкурируют за ограниченный ресурс кариоферинов. Когда спрос превышает предложение (хе-хе), система даёт сбой, и белки, которые в норме поддерживались в растворимом состоянии, начинают патологически конденсироваться. Таким образом, агрегация белков при старении — это не столько следствие их неправильного сворачивания, сколько результат истощения транспорто-зависимой буферной системы.

Лапьер подкрепляет свою теорию данными о том, что дисфункция кариоферинов наблюдается при болезни Альцгеймера, Паркинсона, БАС, лобно-височной деменции, а также при прогерии и раке. Это говорит об универсальности механизма.

При этом работа Лапьера вызывает больше вопросов, чем даёт ответов. Какова специфичность кариоферинов в разных тканях? Как они регулируют различные биомолекулярные конденсаты? Можно ли усилить их буферную способность, не нарушая глобальный ядерно-цитоплазматический обмен? Какие транспортные пути становятся лимитирующими первыми и почему?

Ответы на эти вопросы, вероятно, определят будущее геронауки.

Очень интересную статью подкинула одна старая добрая приятельница. В этой статье речь идёт ферменте, который способен обращать вспять химическое старение белков.

Группа калифорнийских учёных попробовала модифицировать фермент глициноксидазу таким образом, чтобы она расщепляла N-карбоксиметил-лизин (CML) — один из конечных продуктов гликации, который считается необратимым маркером старения и накапливается на долгоживущих белках, таких как коллаген и хрусталик. Но CML не просто пассивный мусор: он меняет заряд лизинов, нарушает структуру внеклеточного матрикса и, связываясь с рецептором RAGE, запускает хроническое воспаление.

Сам фермент глициноксидаза обладает достаточно низкой активностью в отношении свободного CML и не может работать с пептид-связанными модификациями. Авторы исследования решили это исправить.

Сначала с помощью вычислительного скрининга более 44 тысяч гомологов авторы нашли редкую форму глициноксидазы из бактерии Caldithemus roseus, в которой делеция целой спирали открывала доступ к активному центру для крупных субстратов. Затем, применив несколько раундов направленной эволюции с отбором более полумиллиарда вариантов, авторы работы превратили исходный белок в высокоактивный фермент, который расщепляет CML непосредственно на белках, восстанавливая исходный лизин.

Исследователи показали, что разработанный ими фермент работает со множеством белков — от бычьего сывороточного альбумина до коллагена и гемоглобина, удаляя до 97% модификаций. Фермент действует на большинство поверхностно-доступных сайтов, но его активность зависит от локального окружения, в результате некоторые модификации остаются недоступными из-за стерических препятствий.

Затем авторы работы протестировали фермент на реальных человеческих тканях — хрусталике, коже и стенке аорты пожилых доноров, где обработка ферментом приводила к значительному снижению уровня CML.

Эта работа интересна не только как пример создания нового фермента, но и как демонстрация того, что теоретически необратимые повреждения белков можно ферментативно исправить. Кроме того, она показывает, как методы вычислительного дизайна и направленной эволюции могут быть объединены для создания новой каталитической функции, которой не существовало в природе.

Но за красивым результатом скрывать много ограничений, о чём авторы работы честно пишут. Это и потенциальная иммунногенность, и биодоступность, и потенциальная токсичность побочных продуктов ферментативной реакции, и многое другое. Хочется надеяться, авторам работы получится обойти эти ограничения.

Искусственное, как обычно, лучше естественного. На этот раз на примере CRISPR

Генные редакторы, созданные ИИ, могут быть мощнее природных CRISPR‑ферментов. Не улучшенные версии существующих Cas‑белков, а полностью новые, синтетические ферменты, которых в природе никогда не было. И главное - они работают не просто "как настоящие", а лучше настоящих, причём сразу в трёх системах: бактериях, человеческих клетках и растениях.

Исследователи взяли компактный фермент TnpB - древнего предка Cas12 - и с помощью модели ESM‑IF1 начали генерировать тысячи новых вариантов. Алгоритм предлагал полностью новые аминокислотные последовательности, а учёные вручную фиксировали только те участки, которые критичны для распознавания ДНК и РНК. Из 1 980 созданных вариантов 466 показали активность, а около 8% превзошли природный фермент в бактериальных тестах. В человеческих клетках два синтетических фермента достигли 46% и 50% эффективности редактирования, тогда как природный TnpB давал 28%. На отдельных участках ДНК лучшие варианты обеспечивали почти четырёхкратное увеличение эффективности.

Эти ферменты действительно новые. Их ключевые домены имеют только 83% и 72% сходства с природными аналогами - то есть ИИ создал рабочие молекулярные контакты, которых нет в природе. Это принципиально отличается от предыдущих моделей, которые генерировали почти идентичные белки с >99% сходства.

Если это направление продолжит развиваться, CRISPR‑инструментарий перестанет быть набором природных ферментов - и станет полноценной инженерной платформой, где редакторы создаются под задачу, а не под то, что дала эволюция

В данной работе показано, что генотип пациента не отражает его реальную способность метаболизировать лекарства. Пациент с нормальным генотипом может вести себя как «медленный» метаболизатор при развитии инфекции или полипрагмазии. В результате стандартная доза препарата становится токсичной или неэффективной, что объясняет множество несоответствий между генетическими тестами и реальной клинической картиной.

О чём-то похожем пишут британские исследователи в обзоре, опубликованном в журнале Nature Chemical Biology. Не только метаболизм лекарств, но и доступность самих белков-мишеней для лекарств не является статичной характеристикой. С помощью хемопротеомики авторы исследования показали, что посттрансляционные модификации (фосфорилирование, гликозилирование и другие) могут открывать или закрывать связывающие карманы на поверхности белков. В результате одна и та же мишень может быть «лекарственной» в одном состоянии клетки и «нелекарственной» в другом. Например, фосфорилирование белка KRAS стабилизирует его форму, в которую лучше связываются противораковые ингибиторы, делая терапию более эффективной.

Биологические системы динамичны, и персонализированная медицина должна учитывать не только наследственность, но и текущее физиологическое состояние пациента. Генотип и статичная структура белка — это лишь карта, а реальная активность ферментов и конформация мишеней – это постоянно меняющийся ландшафт, за которым нужно следить в реальном времени.

☝️Один ген участвует в сотнях процессов. Изменяя его, мы не знаем всех последствий. Этот разрыв между предсказанным (генотип) и реальным (фенотип) результат очередной раз напоминает о том, что статические данные недостаточны для управления такой сложной динамической системой, какой является организм человека.

🧬Почему одного генетического теста уже недостаточно? Новая концепция динамической фармакогенетики

Фармакогенетическое тестирование постепенно становится частью современной медицины. Анализ ДНК позволяет определить, насколько быстро пациент способен метаболизировать лекарственные препараты, и подобрать более безопасную терапию. Однако возникает закономерный вопрос: почему даже при наличии результатов генетического теста у некоторых пациентов всё равно развиваются выраженные побочные эффекты или, наоборот, лечение оказывается недостаточно эффективным?

Новая обзорная статья, опубликованная в Frontiers in Pharmacology, предлагает ответ на этот вопрос и фактически формирует новую концепцию персонализированной фармакотерапии - динамический мониторинг фенотипа. Авторы показывают, что генотип остается неизменным на протяжении всей жизни, тогда как реальная активность ферментов, метаболизирующих лекарства, может меняться буквально за несколько часов под влиянием различных факторов.

Что такое феноконверсия?

Центральной темой обзора стала феноконверсия - ситуация, когда фактическая способность организма перерабатывать лекарство перестает соответствовать той, которая была предсказана по генетическому тесту.

Например, пациент генетически является «нормальным метаболизатором» по CYP2C19 или CYP3A4. Однако при развитии инфекции, выраженного воспаления, назначении нескольких препаратов одновременно или ухудшении функции печени активность этих ферментов может резко снизиться. В результате такой пациент начинает вести себя как «медленный метаболизатор», несмотря на совершенно нормальный генотип. Это приводит к накоплению препарата в организме и повышению риска токсичности. Авторы называют феноконверсию одной из главных причин несоответствия между результатами фармакогенетического тестирования и реальной клинической картиной.

Какие факторы могут изменить активность ферментов?
➡️острое и хроническое воспаление;
➡️повышение концентрации интерлейкина-6 (IL-6), TNF-α и других провоспалительных цитокинов;
➡️полипрагмазия и лекарственные взаимодействия;
➡️нарушения работы транспортных белков печени;
➡️окислительный стресс;
➡️митохондриальная дисфункция;
➡️эпигенетические изменения.

Особое внимание уделено интерлейкину-6. Именно этот цитокин способен быстро подавлять активность ферментов CYP3A4, CYP2C19, CYP2C9 и ряда других изоферментов системы цитохрома P450. Авторы приводят примеры, когда воспаление снижало эффективность клопидогрела, одновременно увеличивая концентрации такролимуса, статинов и других препаратов, метаболизирующихся через CYP3A4.

Какие биомаркеры предлагают использовать?

Главная идея статьи заключается в том, что генетический тест необходимо дополнять динамическим мониторингом состояния пациента.

Авторы предлагают концептуальную панель биомаркеров, которая позволит своевременно выявлять развитие феноконверсии:
С-реактивный белок (CRP) и IL-6 - отражают выраженность системного воспаления.
4β-гидроксихолестерин (4β-OHC) - эндогенный маркер активности фермента CYP3A4.
miR-122 - один из наиболее чувствительных ранних маркеров повреждения гепатоцитов.
GLDH (глутаматдегидрогеназа) - показатель митохондриального повреждения печени.
M30 - маркер апоптоза гепатоцитов.
sCD163 - отражает активацию макрофагов и выраженность воспалительного ответа.

❗️Особенно интересной выглядит предложенная авторами последовательность развития лекарственной токсичности.

Сначала развивается системное воспаление, затем происходит подавление активности CYP-ферментов и формируется феноконверсия. После этого начинают повышаться ранние маркеры повреждения печени (miR-122 и GLDH), а традиционные показатели (АЛТ и АСТ) увеличиваются значительно позже. Это означает, что современные молекулярные биомаркеры потенциально способны предупреждать развитие лекарственного поражения печени ещё до появления изменений в стандартных биохимических анализах.

Главная идея авторов заключается в том, что персонализированная медицина должна учитывать не только наследственные особенности пациента, но и его текущее физиологическое состояние. Генотип отвечает на вопрос, каким может быть метаболизм лекарств, тогда как динамические биомаркеры показывают, каким он является именно сейчас.

Вероятно, именно сочетание генетического тестирования с мониторингом функциональных биомаркеров станет следующим этапом развития фармакогенетики. Такой подход позволит не только более точно прогнозировать эффективность терапии, но и своевременно выявлять пациентов с высоким риском лекарственной токсичности, особенно в онкологии, трансплантологии и интенсивной терапии.

https://pubmed.ncbi.nlm.nih.gov/42465985/

Рибозимы-лигазы: случайное открытие и его значение для биологии и медицины


Открыт новый класс каталитических молекул РНК (рибозимов), которые дают ценную модель для понимания эволюции и представляют собой новый инструмент для изучения ранее недоступной части транскриптома, связанной с тяжёлыми заболеваниями

Короче говоря - это молекула РНК, которая работает как фермент, и с помощью которой можно будет улучшить диагностику заболеваний в будущем


Значение для понимания эволюции

Новый класс каталитических молекул РНК обладает уникальной способностью присоединять к себе фрагменты других РНК, но только при наличии особой химической группы - фосфата на 3'-конце целевого фрагмента, который критически важен для узнавания субстрата рибозимом

Открытие проливает свет на гипотетический «мир РНК» - эру, когда РНК служила и носителем генетической информации, и ферментом

В ранних клетках разрывы РНК были бы фатальны. Открытые рибозимы могли выполнять функцию «сшивания» повреждённых фрагментов

Исследователи показали, что под действием слабой кислоты (условия, возможные на ранней Земле) 2',3'-циклические фосфаты - другой тип концовок РНК - превращаются в 3'-фосфаты, идеальный субстрат для рибозимов. Это связывает пребиотическую химию с механизмом выживания

Хотя при «починке» образуется неканоническая 2'-5' связь, она не предотвращает репликацию РНК в экспериментальных условиях


Практическая ценность для медицины и биотехнологий

Специфичность рибозимов к 3'-фосфорилированным РНК даёт прямой практический потенциал:


Молекулярная «удочка» - рибозим CS1 избирательно захватывает из клеточной РНК только молекулы с 3'-фосфатом, даже в присутствии избытка других РНК (как показано при 60-кратном превышении концентрации тРНК)


Выявление «скрытых» биомаркеров - фрагменты РНК с фосфорилированными концами - нормальные продукты клеточной активности, но их состав меняется при патологиях

Такие фрагменты связаны с онкологическими заболеваниями, болезнью Паркинсона, БАС и туберкулёзом


Расширение возможностей секвенирования - эти молекулы «невидимы» для стандартного RNA-seq, так как протоколы требуют свободной 3'-гидроксильной группы для присоединения адаптеров. У фосфорилированных фрагментов она занята, и они выпадают из анализа


Новые лабораторные тесты в будущем - рибозимный метод позволяет захватывать и амплифицировать «невидимые» сейчас РНК, делая их доступными для секвенирования

Это открывает путь к поиску биомаркеров и созданию новых тестов для ранней диагностики


#Биотехсинтег

Тау белок помогает в формировании постоянной памяти

При Альцгеймере бета-амилоид и тау-белок ведут себя не по джентельменски, хотя и тот и другой - нормальные ребята.

Бета-амилоид - контролирует спонтанную и фоновую активность синапсов и, соответственно, связи в мозге, способствует деградации слабых связей, внутри нейронов регулирует транскрипцию, дозозависимо влияет на ширину мозговых сосудов, а ещё это важный антимикробный пептид мозга.

А Тау-белок - это "клипсы" на белке микротрубочек. Фосфорилирование (и любое другое -рилирование) меняет его сцепку с микротрубочкой, он отходит, трубочка гнётся. Микротрубочки - это транспортно-архитектурная основа клетки.

Когда нейрон изгибается в поисках контакта - тау-белок откреплен от микротрубочек, давая им возможность гнуться.

Проблема как всегда в дозе и контексте.

На днях в Nature препринте авторы заявили про ещё одну роль Тау - регуляция постоянной памяти.

Традиционно мучили мышек: учили бояться звука+тока, мыши искали выход на платформе и за нажатие на экран им давали еду.

Проверяли как формируется память у мышей с работающим тау и с отключенным (отключали геномодификацией, завязанной на доксициклин: как препарат отменяли - тау включался).

В общем, ученые пришли к мысли, что Тау нужен для формирования энграмм.

Когда мышь учится (под действием страха), активность нейронов в гиппокампе возрастает. Это вызывает индуцированное активностью фосфорилирование тау в участке треонин-205 (Т205)

Фосфорилирование Тау в T205 контролирует, какие именно нейроны будут активированы во время обучения. Это напрямую влияет на "точность выделения энграммы"

Энграмма - это функциональная и структурная перестройка нейронов (изменение их синаптической силы и связей), которая лежит в основе памяти.

*такая теория памяти сейчас самая популярная

В статье прямо не исследуется, как именно фосфорилирование T205 меняет динамику микротрубочек. Вместо этого показано, что T205 взаимодействует с постсинаптическим комплексом и регулируется киназой p38γ.

Короче, если Тау не отработал, то энграмма становится слишком "размытой", что приводит к дефекту отдаленной памяти, в то время как недавняя память (до 24 часов) остается в порядке.

В то же время осталось ощущение, что авторы работы ищут ключи под фонарём, потому что там светло.

В их работе всё построено на известных последовательностях антител из открытых баз данных. Они берут уже известные антитела, для которых известно, против какого патогена они направлены, и обучают модель различать их по последовательности.

Получается, что модель не может открыть новое антитело против нового патогена, если в тренировочной выборке не было похожих.

Кроме того, базы данных по антителам нерепрезентативны. В них перепредставлены антитела против «популярных» патогенов (SARS-CoV-2, ВИЧ, грипп) и сильно недопредставлены против редких и новых. Модель будет отлично работать на «мейнстримных» патогенах и проваливаться на редких.

И даже если модель правильно классифицирует антитело, это не значит, что антитело будет работать. Антитело может связываться с вирусом, но не блокировать его проникновение в клетку.

Короче, очень интересный инструмент, но очевидно, что его надо дорабатывать и дорабатывать.

Ещё одна интересная работа о применении машинного обучения и искусственного интеллекта для анализа антител.

Группа исследователей из Китая опубликовала в PLOS ONE работу, в которой они с помощью вычислительных моделей классифицировали специфичность антител, используя только последовательности их тяжёлых цепей. Ранее уже было много работ, где структуру антител и их связывание с антигенами предсказывали с помощью AlphaFold и других глубоких нейросетей. Однако все эти подходы требуют наличия пар тяжёлых и лёгких цепей, а также структурных данных, которые доступны далеко не для всех антител.

В новой работе авторы впервые показали, что даже без информации о лёгкой цепи и без трёхмерной структуры, используя только физико-химические свойства, порядок аминокислот и эволюционную информацию, можно с точностью около 80% определить, против какого патогена направлено антитело. Наибольшую точность показал ансамблевый классификатор Stacking, немного опередив CatBoost. Важно, что применение SHAP-анализа позволило выявить основные аминокислоты, оказывающие влияние на специфичность: ими оказались цистеин, изолейцин, гистидин и фенилаланин. Причём цистеин, оказался самым важным признаком, что в очередной раз подтверждает его важную роль в стабилизации структуры антител. Разные классы антител имели свои особенные характеристики: так, антитела против туберкулёза сильнее всего коррелировали с аланином, а против SARS-CoV-2 — с изолейцином.

Таким образом, показано, что даже по одной только тяжёлой цепи, с помощью правильно подобранных признаков, можно классифицировать антитела по специфичности. Авторы позиционируют свой подход как инструмент первичного высокопроизводительного скрининга, позволяющий из миллионов последовательностей, полученных при репертуарном секвенировании, быстро отбирать кандидатов для дальнейшего экспериментального тестирования. Это особенно важно на ранних стадиях разработки терапевтических антител, когда структурные данные и парные последовательности часто недоступны.

ИИ-спасение. Как фарма ищет новые блокбастеры

Фарма заходит в один из крупнейших патентных обвалов: доля продаж защищенных лекарств падает с 12% до 4% к 2030‑му, под ударом блокбастеры вроде Keytruda, Opdivo, Dupixent и Darzalex, а 96% рынка открывается для дженериков (точные химические копии) и биосимиляров (аналогов), включая сложные биологические препараты. На этом фоне компании одновременно пытаются ускорить R&D‑воронку (разработку) и защитить выручку, и ИИ, логично, становится инструментом и для лабораторий, и для инвесторов.

Anthropic заходит в историю через покупку Coefficient Bio за $400 млн акциями и запуск Claude Science — ИИ‑исследовательской среды с доступом к >60 научным базам, интеграцией с Nvidia BioNeMo, управлением вычислительными кластерами и встроенным «агентом‑рецензентом» для проверки расчетов и цитат, с учетом воспроизводимости результата до данных и кода (и быстрым перманентным блоком пользователей из РУ сегмента, проверено 💩). Параллельно компания запускает собственные доклинические программы по "забытым" заболеваниям, не лезет в самые прибыльные показания БигФармы и фактически использует эти проекты как витрину для демонстрации того, как Claude Science может работать в реальной разработке лекарств на рынке >$100 млрд.

В ИИ-биотех поле остаются и другие игроки: OpenAI с GPT‑Rosalind и идеей заходить в фарм‑проекты в обмен на роялти, Insilico как полноценная ИИ‑фармкомпания с платформой Pharma.ai, автоматизированной лабораторией, портфелем из ~30 препаратов и сделками с Eli Lilly и SK Biopharmaceuticals номинально на $2,75 млрд каждая — при том что значительная часть этих сумм зависит от того, дойдут ли молекулы до регистрации и продаж.
Ключевое ограничение остается прежним: стоимость создания оригинального препарата превышает $2 млрд, в клинических исследованиях проваливается 85–90% кандидатов (о чем мы говорили ранее), число качественных кейсов для обучения моделей ограничено десятками тысяч, а сами кейсы многомерные и «грязные» с точки зрения данных.

ИИ, действительно, полезен на ранних стадиях. Он ускоряет отбор гипотез, поиск мишеней и генеративный дизайн молекул. Первые заметные препараты, созданные с сильной опорой на ИИ, на рынке ожидаются не раньше 2028 года, то есть текущий патентный обвал они не отменят, но при этом тренд на рост инвестиций в ИИ‑биотех, сделки с игроками, IPO будет усиливаться.
Для исследователя, в том числе меня, хе-хе, ИИ является инструментом, который можно встроить в нормальный экспериментальный процесс. Он уже позволил самостоятельно решить задачи, оптимизировать дизайн исследований и расставить акценты в заявке на привлечение инвестиций в разработку.

Полная статья

Ещё одна интересная работа о применении искусственного интеллекта для моделирования белков.

Группа исследователей из Германии и Канады опубликовала в Nature Chemical Biology работу, где описали, как они с помощью разработанного ими подхода под названием CANVAS моделировали de novo ферменты на основе TIM-баррелей.

Это не первая работа по созданию каталитического центра de novo. Ещё в далёком 2008 году группа Дэвида Бейкера и Дэна Тавфика с использованием деревянных счетов тогдашней вычислительной техники показала, что можно проектировать активный центр фермента с нуля, используя квантово-механические расчёты и встраивая их в существующие природные каркасы. Из 59 дизайнов восемь показали активность, а лучший из них позволял достичь ускорения реакции реакции примерно в 10⁵ раз, а направленная эволюция позволила увеличить эффективность ещё в 200 раз. Однако этот подход был ограничен использованием природных каркасов, которые не всегда могли обеспечить оптимальную каталитическую геометрию.

В 2016-ом году, другая группа впервые создала белок, который сворачивался в стабильную структуру TIM-баррел, не имея аналогов в природе. Однако этот каркас был функционально «пустым», т.е. он не выполнял никакую функцию.

В последней работе авторы впервые объединили эти два результата: они смоделировали с нуля TIM-баррель, сконструировав его таким образом, чтобы каталитические остатки были закреплены в нужной геометрии вокруг карман для связывания субстрата. Изучение кристаллической структуры подтвердило точность дизайна, а полученная каталитическая активность превышала результаты предшественников на несколько порядков. Корреляция симуляций с экспериментальной активностью позволила ввести понятие «каталитической компетентности» как предсказательного критерия.

Таким образом, впервые создан полностью новый фермент, где и каркас, и каталитический центр спроектированы с нуля, а не заимствованы у природы.

К вопросу о важности изучения посттрансляционных модификаций.

Ещё одним примером того, какую роль играет изучение процессов фосфорилирования белка, является исследование молекулярных механизмов наследственных сердечных заболеваний. Группа исследователей из Нидерландов и Великобритании опубликовала работу в журнале Signal Transduction and Targeted Therapy, в которой они исследовали кардиомиопатию, вызванную мутацией в белке фосфоламбане (PLN). Это заболевание связано с высоким риском сердечной недостаточности и внезапной смерти, однако стандартная терапия приносит лишь минимальное облегчение.

Учёные задались вопросом, не может ли болезнь быть связана с нарушением фосфорилирования участвующих в развитии заболевания белков. Они провели фосфопротеомный анализ тканей сердца пациентов и кардиомиоцитов, полученных из стволовых клеток с внесённой мутацией. Они установили, что нарушения в регуляции кальция, сократимости и организации цитоскелета были напрямую связаны с аномально высоким уровнем фосфорилирования основных структурных и сократительных белков.

Для проверки своей догадки они использовали РНК-терапию, антисмысловые олигонуклеотиды, подавляющие синтез мутантного белка PLN. Лечение привело к частичному восстановлению болезненного фосфопротеомного профиля.

Исследователям удалось идентифицировать 28 сайтов фосфорилирования, изменения которых были общими для тканей пациентов и клеточной модели, причём 22 из них нормализовались после терапии. Эти фосфосайты оказались связаны с белками, участвующими в организации цитоскелета и клеточных контактов. Такая терапия улучшила кальциевый обмен и сократимость кардиомиоцитов, а также уменьшила токсичные агрегаты белка PLN, являющиеся отличительным признаком заболевания.

Не до конца понятно, как решить проблему воспроизводимости при использовании подобного рода терапии. Это главная «ахиллесова пята» всей концепции. Получить два идентичных коктейля секретома от разных доноров или даже от одной линии клеток в разных условиях культивирования — невероятно сложно .

Секретом из стволовых клеток при нейродегенерациях и деменциях уже испытывают на пациентах

Вот клинические испытания внеклеточной терапии лобно-височной деменции, а вот болезни Альцгеймера.

Такая терапия может противодействовать потере синапсов, поддерживают выживание и функцию нейронов, повышает митохондриальную активность, снижает воспаление в нервной системе, переключает активность глии и астроцитов. Всё это облегчают симптомы деменций и других нейродегенераций, в том числе болезни Паркинсона.

Экзосомы из секретома активно меняют и подготавливают: замораживание-оттаивание, электропорация и ультразвуковая обработка; химические модификации с использованием введения липидов и биоортогональных реакций; генная инженерия, сборка с помощью ДНК-молнии (когда на 2 липосомы, которые нужно объединить, пришивают комплементарные нити ДНК, и они сшиваются как молния, объединяя экзосомы)