O modelo de afinidade de ligação a proteínas expande o papel da IA ​​na descoberta de medicamentos

Compreender como as moléculas interagem é central para a biologia: desde a decodificação de como os organismos vivos funcionam até a descoberta de mecanismos de doenças e o desenvolvimento de medicamentos que salvam vidas. Nos últimos anos, modelos como o Alphafold mudaram nossa capacidade de prever a estrutura 3D das proteínas, oferecendo idéias cruciais sobre a forma e interação moleculares.

Mas, embora o Alphafold pudesse mostrar como as moléculas se encaixam, não poderia medir o quão fortemente elas se ligam – um fator -chave para entender todas as propriedades mencionadas acima. Essa peça que falta é onde o novo modelo de IA do MIT, Boltz-2entra.

Boltz-2 quebra o novo terreno modelando em conjunto a estrutura e a afinidade de ligação, um parâmetro crítico na descoberta de medicamentos de pequenas moléculas. O módulo de afinidade do Boltz-2 foi treinado em milhões de medições de laboratório reais, mostrando como moléculas fortemente diferentes se ligam a proteínas. Graças a isso, o Boltz-2 agora pode prever a força de ligação com precisão sem precedentes em vários parâmetros de referência, refletindo diferentes estágios da descoberta de medicamentos no mundo actual.

Em benchmarks estabelecidos, as previsões de Boltz-2 chegam muito próximas às produzidas pela Full-Fysics Livre Vitality Quedurbation (uma simulação precisa de computador que prevê o quão fortemente um medicamento adere ao seu alvo, mas isso pode levar até um dia para executar um teste mesmo em uma GPU)-mais de 1.000 vezes a velocidade. É o primeiro modelo de aprendizado profundo a fornecer esse nível de precisão.

“Esse aumento de desempenho faz do Boltz-2 não apenas uma ferramenta de pesquisa, mas um mecanismo prático para o desenvolvimento de medicamentos do mundo actual”, diz o MIT Csail Ph.D. Aluno Gabriele Corso. Corso, ao lado do colega Jeremy Wohlwend e do pesquisador da clínica do MIT Jameel, Saro Passaro, foi pesquisador principal de Boltz-1 e Boltz-2.

“Em vez de passar horas simulando a interação entre um molécula única E seu alvo, os cientistas agora podem rastrear vastas bibliotecas químicas dentro do mesmo período, permitindo que as equipes em estágio inicial priorizem apenas os compostos mais promissores para testes de laboratório “.

Boltz-2 será liberado como código aberto sob a licença do MIT, incluindo código de modelo, pesos e dados de treinamento.

Boltz-1 começos

No início de 2023, uma equipe de pesquisadores do Laboratório de Ciência da Computação e Inteligência Synthetic do MIT (CSAIL) e da MIT Jameel Clinic for Machine Studying in Well being (Jameel Clinic) lançaram um experimento ambicioso: poderia um aprendizado de máquina O modelo não apenas prevê estruturas moleculares, mas entende como os biomoléculas se comportam – como eles interagem e, mais criticamente, qual a probabilidade de se ligar – um mecanismo -chave na descoberta de medicamentos.

No centro de muitas doenças estão mal regulamentos em funções biomoleculares. Isso pode ser atenuado, no entanto, projetando moléculas que podem se ligar aos alvos implicados. Predar com precisão esse comportamento de ligação é um dos maiores desafios na criação de novos medicamentos eficazes.

Em 2024, esse projeto ficou conhecido como Boltz-1, um modelo de código aberto projetado como uma alternativa rápida e acessível ao Alphafold3, o método de última geração no campo. Desde o seu lançamento, Boltz-1 tem sido usado por milhares de cientistas nos principais laboratórios acadêmicos, biotecnologia e empresas farmacêuticas– tornando -o o modelo mais utilizado do gênero na indústria.

Agora, a mesma equipe, trabalhando com a empresa de biotecnologia, apresentou o próximo passo: Boltz-2, um grande avanço na modelagem molecular movida a IA.

Boltz-2 melhora o Boltz-1 de várias maneiras importantes. O modelo foi treinado usando um conjunto de dados muito maior e mais diversificado, incluindo simulações de computador de moléculas em movimento e dados sintéticos feitos a partir de previsões da versão anterior do modelo. Ele também adiciona um novo recurso chamado Boltz-Steering, que ajuda a ajustar os resultados usando pistas baseadas em física para tornar as estruturas previstas mais realistas.

Além de seu desempenho, o Boltz-2 foi projetado para usabilidade. O modelo pode ser guiado por dados experimentais reais, estruturas de exemplo ou preferências do usuário, dando aos pesquisadores mais controle para adaptar os resultados ao que eles já sabem ou o que estão tentando testar.

“Este lançamento é especialmente significativo para o campo de pequenas moléculas medicamento A descoberta, onde o progresso ficou para trás dos ganhos rápidos vistos na engenharia de biológicos e proteínas “, diz Passaro.” Enquanto modelos como Alphafold e Boltz-1 permitiram um salto significativo no design computacional de anticorpos e terapêutica à base de proteínas, não vimos uma melhoria semelhante em nossa capacidade de rastrear pequenas moléculas, que mancham a maior parte da droga da droga.

“Boltz-2 aborda diretamente essa lacuna, fornecendo previsões precisas de afinidade de ligação que podem reduzir drasticamente o custo e o tempo da triagem em estágio inicial”.

Passaro e Corso trabalharam no Boltz-2 ao lado dos professores do MIT e dos pesquisadores principais da CSAIL Regina Barzilay e Tommi Jaakkola, Wohlwend e uma equipe de pesquisadores do MIT e Recursão.