Разработка AI-системы для фармацевтики Drug Discovery ассистент
Создание нового лекарства — марафон на 10–15 лет с бюджетом в миллиарды долларов. Одна ошибка на этапе выбора молекулы-кандидата закапывает годы усилий. Мы помогаем фармацевтическим компаниям сокращать этот путь с помощью AI-ассистента Drug Discovery: от поиска мишени до оптимизации лидера. В основе — графовые нейросети, диффузионные модели и MLOps-пайплайны, которые снижают количество тупиковых синтезов на 30–50%. Наш опыт включает работу с датасетами ChEMBL, PubChem, DrugBank и проприетарными данными клиентов. Экономия на этапе hit-to-lead составляет значительные суммы. Свяжитесь с нами, чтобы обсудить ваш проект.
Как AI ускоряет поиск молекул-кандидатов?
Target Identification — выявление белков или генов, связанных с заболеванием. AI анализирует omics-данные (геномика, протеомика, транскриптомика), проводит literature mining по миллионам публикаций PubMed с помощью GNN, выявляя скрытые связи ген-болезнь-лекарство, и строит protein-protein interaction networks.
Hit Identification — поиск молекул-кандидатов из библиотек в 10⁶–10⁹ соединений. Задача — предсказать, какие молекулы будут связываться с target protein. Используем виртуальный скрининг с ML scoring функцией, генеративный дизайн (VAE/Diffusion models) и графовые нейросети (GNN). ML-based виртуальный скрининг обрабатывает 10⁶ соединений за часы, тогда как традиционный docking — за недели, что в 50–100 раз быстрее.
| Метод | Скорость | Точность | Примеры инструментов |
|---|---|---|---|
| Docking + ML scoring | Часы на 10⁶ | pIC50 RMSE ~0.6 | Glide, AutoDock Vina + GNN |
| Generative design | Минуты на 10³ | Novelty > 90% | REINVENT, TargetDiff |
| Физическое симулирование | Недели | Высокая, но дорого | GROMACS, AMBER |
Графовые нейросети для молекул
Молекула = граф: атомы (узлы) + химические связи (рёбра). Node features: атомный номер, заряд, гибридизация, degree. Edge features: тип связи, ароматичность, кольцевая принадлежность.
import torch from torch_geometric.nn import GCNConv, global_mean_pool class MolecularGNN(torch.nn.Module): def __init__(self): super().__init__() self.conv1 = GCNConv(in_channels=9, out_channels=64) self.conv2 = GCNConv(64, 64) self.conv3 = GCNConv(64, 128) self.fc1 = torch.nn.Linear(128, 64) self.fc2 = torch.nn.Linear(64, 1) # binding affinity prediction def forward(self, x, edge_index, batch): x = F.relu(self.conv1(x, edge_index)) x = F.relu(self.conv2(x, edge_index)) x = F.relu(self.conv3(x, edge_index)) x = global_mean_pool(x, batch) x = F.relu(self.fc1(x)) return self.conv3(x) # predicted pIC50 Бенчмарки: QM9 (квантово-химические свойства), MoleculeNet, TDC (Therapeutics Data Commons).
Почему ADMET-предсказание критично для успеха?
Absorption, Distribution, Metabolism, Excretion, Toxicity — более 50% кандидатов в клинических испытаниях проваливаются из-за ADMET проблем. Раннее предсказание экономит годы. Мы предсказываем: oral bioavailability (F%), blood-brain barrier permeability, CYP450 inhibition, hERG cardiac toxicity, Ames test, aqueous solubility. Используем комбинацию graph-based и fingerprint-based моделей (Morgan, ECFP + GBM). Именно ADMET-свойства становятся причиной провала большинства кандидатов.
| Свойство ADMET | Описание | Метод прогноза |
|---|---|---|
| Oral bioavailability | Доля вещества, попавшего в системный кровоток | GNN + Morgan fingerprints |
| CYP450 inhibition | Взаимодействие с метаболическими ферментами | Random Forest, XGBoost |
| hERG cardiotoxicity | Риск аритмии | GNN с attention, DeepHIT |
Generative Molecular Design: от идеи к молекуле
REINVENT (AstraZeneca) — RL-based генератор: prior (RNN или Transformer, обученный на ChEMBL) + scoring function (ADMET, активность) → agent генерирует молекулы, максимизирующие reward.
Diffusion models для 3D молекул — DiffSBDD, TargetDiff генерируют 3D-конформации с учётом формы связывающего кармана белка. Drug design «снизу вверх» от формы мишени.
Fragment-based design — комбинирование известных фрагментов с желаемыми свойствами. AI предсказывает совместимость фрагментов и синтетическую доступность (Synthetic Accessibility Score).
Кейс: предсказание ADMET для 10 000 соединений
Для стартапа мы развернули пайплайн на Kubeflow, который за 2 дня обработал 10 000 соединений из ChEMBL, предсказав 5 ключевых ADMET-свойств. Точность по ROC-AUC составила 0.87–0.93 по каждому свойству. Это позволило отсеять 80% токсичных соединений до синтеза, сэкономив значительные средства на лабораторных тестах.AI не заменяет химиков — он помогает направлять эксперименты туда, где вероятность успеха выше. Сокращение экспериментального цикла: 30–50% меньше синтезов до нахождения lead compound. Получите консультацию нашего R&D инженера.
Процесс работы
- Аналитика и сбор данных: агрегация публичных и проприетарных датасетов, очистка, ETL пайплайн.
- Проектирование модели: выбор архитектуры (GNN, Transformer, Diffusion), настройка метрик (pIC50, ROC-AUC, F1).
- Обучение и валидация: использование Weights & Biases, MLflow, распределённое обучение на GPU.
- Оценка ADMET и интерпретация: SHAP, значимость признаков, валидация на MoleculeNet.
- Деплой и MLOps: Triton Inference Server, ONNX Runtime, мониторинг дрейфа, CI/CD (Kubeflow).
- Документация и обучение: model card, API документация, обучение ваших инженеров.
Сроки и стоимость
Сроки разработки MVP: от 3 до 6 месяцев в зависимости от сложности задачи (количество целевых белков, размер датасета, необходимость кастомной архитектуры). Стоимость рассчитывается индивидуально после аудита ваших данных и бизнес-целей. Оставьте заявку — мы оценим проект за 3 рабочих дня.
Что входит в работу
- Документация: model card, API спецификация, отчёт по метрикам.
- Доступы: репозиторий с кодом, обученная модель, скрипты для инференса.
- Обучение: индивидуальный workshop для вашей R&D команды.
- Поддержка: 2 месяца пост-продакшн сопровождения, исправление дрейфа.
Наши компетенции
Более 10 лет опыта в AI/ML, 50+ проектов для фармацевтических компаний, 5 лет на рынке. Сертифицированные MLOps-инженеры. Гарантируем воспроизводимость результатов и передачу всех артефактов (модели, дашборды, код, документация). Свяжитесь с нами, чтобы обсудить внедрение AI-ассистента в ваш R&D процесс.