Самый убедительный результат показала биотехнологическая компания Aureka. Ее модель AuraBind разработала антитело с коэффициентом сродства 94,7 пикомоля — примерно в 2000 раз лучше исходного варианта. Для сравнения, лучший вариант, полученный традиционным лабораторным методом, показал результат 113 пикомолей. Иными словами, алгоритму удалось за считанные дни предложить молекулу, которая превзошла результат нескольких месяцев экспериментального отбора. Более того, три разработки Aureka вошли в пятерку лучших, а шесть созданных моделью антител одновременно показали высокое сродство и приемлемые физико-химические свойства — важное условие для потенциального превращения молекулы в лекарство.
Однако другие этапы конкурса показали, что до универсального «ИИ-конструктора лекарств» пока далеко. В задаче, где алгоритмам требовалось выбрать наиболее перспективные антитела из уже существующего набора, результаты оказались нестабильными: в ряде случаев лучшие модели не смогли надежно превзойти даже более простые статистические методы или случайный выбор. Победителями отдельных кластеров стали команды Scripps Research, UC San Diego, Washington University в Сент-Луисе и Xencor.
Это означает, что эффективность современных моделей сильно зависит от конкретной задачи и качества исходных данных.
Еще один впечатляющий результат получила Xencor в задаче по созданию совершенно новых антител, которых не было в исходной библиотеке. Разработанная компанией молекула показала сродство около 2,9 пикомоля — примерно втрое лучше лучшего экспериментального варианта с показателем 9,2 пикомоля. Но здесь обнаружилась важная проблема: победившее антитело не прошло один из тестов на физико-химическую пригодность. Оно не смогло элюироваться из специальной HIC-колонки, что указывает на потенциальные проблемы с разработкой препарата. Сам конкурс позволил компенсировать этот недостаток исключительно высоким показателем сродства, однако организаторы признали такой подход недостатком методики оценки и заявили, что в будущих соревнованиях подобные критические дефекты должны приводить к дисквалификации.
Главный итог AIntibody Challenge поэтому оказался одновременно позитивным и сдержанным. Искусственный интеллект уже способен в определенных условиях создавать антитела, которые действительно работают в лаборатории и могут превосходить лучшие результаты традиционного экспериментального отбора.
Но универсальной способности находить лучшие молекулы среди огромного количества вариантов пока не продемонстрировано: успех сильно зависит от конкретной задачи, объема экспериментальных данных и выбранного алгоритма.
По мнению авторов исследования, нынешний этап развития технологии правильнее рассматривать не как замену лаборатории, а как новый инструмент, способный резко сократить количество дорогостоящих экспериментов и направить ученых к наиболее перспективным кандидатам. Следующий конкурс должен сделать проверку еще жестче: участникам предложат создать антитела против заранее не раскрытой мишени, причем разрешены будут уже не только AI-методы, но и традиционные способы поиска.
Ранее ученые показали, что ИИ может сокращать размер белков на 15-50% без потери их биологических свойств.
