Новый метод на базе машинного обучения, разработанный учеными Стэнфорда, позволяет быстрее и точнее прогнозировать молекулярные изменения для создания более эффективных лекарств на основе антител. Согласно статье, опубликованной в журнале Science, разработанный подход объединяет 3D-структуру белкового каркаса с большими языковыми моделями, анализирующими последовательность аминокислот. Это позволяет исследователям быстро находить редкие и желательные мутации, которые иначе можно было бы обнаружить только через дорогостоящие эксперименты.
В отличие от большинства методов использования ИИ для создания лучших лекарств, эта модель не требует предоставления информации о том, что делает белок, насколько хорошо он это делает, или проведения лабораторных экспериментов. Поскольку структура тесно связана с функцией, координаты белка служат показателем его эффективности.
