AETHER-RAMI
генерация 3D-молекул лекарств с обходом резистентности
2 min readupdated
Мультимодальная модель для de novo (с нуля) проектирования трехмерных молекул лекарственных препаратов внутри белковых полостей. Система объединяет языковую модель белков ESM-2 от Meta AI и эквивариантный поток SE(3)-Equivariant Flow Matching (генеративный метод, сохраняющий пространственную симметрию при размещении атомов в 3D), разработана исследователями из университета VIT-AP совместно с институтом CSIR-IICT. В отличие от классических методов докинга и генераторов текстовых формул SMILES, модель учитывает эволюционную пластичность белков и создает гибкие молекулы, которые продолжают работать даже при возникновении мутаций лекарственной устойчивости. Пригодится биоинформатикам, вычислительным химикам и исследователям в области драг-дизайна.
Ключевые особенности
- Гибридная иерархия: использует энкодеры ESM-2 (3B и 650M параметров) для анализа белковых карманов, а итоговый инференс-чекпоинт сжат до 6,92 млн параметров (26,42 МБ в формате SafeTensors).
- Обход мутаций: моделирует точечные мутации резистентности (например, Y96D в KRAS G12C, KatG S315T при туберкулезе, C797S и T315I) и адаптирует геометрию лиганда под измененный активный центр.
- Физическая валидность: встроенный фильтр PoseBusters и консервативное силовое поле проверяют длины связей, углы и отсутствие стерических конфликтов (98,4% валидных структур).
- Проверка на токсичность: включает виртуальный скрининг против нормальных диплоидных клеток человека (легких MRC-5, почек HEK-293 и эндотелия HUVEC) и планировщик ретросинтеза из доступных реагентов.
Что можно сделать
- Проектировать ингибиторы под мутантные мишени: подать на вход кристаллографическую структуру белка в формате PDB или предсказание AlphaFold, чтобы сгенерировать 3D-лиганды, устойчивые к вторичным мутациям.
- Оценивать аффинность и синтезируемость: использовать встроенные головы кросс-внимания и графовых нейросетей (GIN + GATv2) для прогнозирования энергии связывания (pKd) и сложности химического синтеза (SAScore).
- Конструировать PROTAC-деградаторы: автоматически добавлять линкеры и лиганды E3-убиквитинлигаз (VHL, Cereblon) для превращения обычных ингибиторов в направленные разрушители белков.
Пример
Сценарий пайплайна из карточки: на вход подается структура целевого белка (PDB / AlphaFold), энкодер ESM-2 извлекает эволюционные эмбеддинги каталитического кармана, модуль SE(3) Flow Matching генерирует 3D-координаты атомов лиганда, после чего кандидаты проходят проверку PoseBusters, оценку токсичности на здоровых клетках и получают маршрут органического синтеза в 3–4 шага.
Подробнее
Бенчмарки (PDBbind 2020 / PoseBusters): R² аффинности связывания 0.964 (против 0.792 у TargetDiff), RMSE 0.210 log Kd, химическая валидность 99.8%, доля легко синтезируемых молекул (SAScore < 3.5) — 94.2%.Скорость работы: задержка инференса P99 на GPU A100 составляет 4.2 мс; итоговый файл весов
model.safetensors весит 26.42 МБ и подходит для запуска на CPU/GPU.Валидация: топовые кандидаты синтезированы с чистотой >99% (HPLC) и проверены в лабораторных тестах CSIR-IICT для 14 мишеней, включая туберкулез (AETH-INHA-002), рак ротовой полости (AETH-EGFR-001) и малярию (AETH-MAL-001).










Comments