Российские учёные ускоряют молекулярный скрининг для разработки лекарств более чем в 30 раз
Команда «Сколтеха» и стартапа «Лиганд Про» представила ИИ-систему Matcha, способную прогнозировать взаимодействие малой молекулы и белка всего за 13 секунд. Для сравнения: флагманская модель AlphaFold 3 решает аналогичную задачу около 6,5 минут. Разница не просто статистическая – она меняет экономику ранней разработки лекарств.
В мире вычислительной биологии, где каждая минута моделирования может стоить тысячи долларов, российские исследователи совершили тихую революцию – создали модель Matcha, которая представляет собой многоэтапный пайплайн молекулярного докинга.
Докинг стал неотъемлемой частью виртуального скрининга – быстрого компьютерного перебора миллионов соединений в поисках перспективных кандидатов в лекарства. Это экономит годы работы и миллионы долларов: потенциальные молекулы-кандидаты проходят «виртуальное тестирование» ещё до выхода в лабораторию.
Технология открывает новые возможности для виртуального скрининга и разработки лекарств на ранних стадиях. Заболевание часто возникает, когда один или несколько белков в организме перестают правильно функционировать. В разработке лекарств от данного заболевания такой «сломанный» или неисправный белок называется терапевтической мишенью, и действие лекарства направлено именно на него.
Цель лекарственного препарата – взаимодействовать с мишенью таким образом, чтобы изменить её активность: например, «выключить» сверхактивный белок или, наоборот, «включить» недостаточно активный. Поэтому правильный выбор молекулы лекарственного препарата имеет решающее значение.
Новые решения для скрининга от российских учёных
Ключевым достижением новой разработки является не просто ускорение, а сохранение конкурентного качества предсказаний при росте производительности в 25–31 раз относительно крупных co-folding-моделей уровня AlphaFold 3, Chai-1 и Boltz-2. Это новое инфраструктурное решение для этапа массового скрининга молекул, где фармкомпании отсеивают тысячи кандидатов перед лабораторными тестами, а не просто ещё одна новая нейросеть «для науки». Авторы выложили манускрипт и программный код модели в открытый доступ. Это упростило независимую проверку результатов и интеграцию «Матчи» в существующие R&D-процессы
Важно подчеркнуть: разработка ведётся полностью российскими специалистами. «Сколтех» как научно-образовательный хаб и Ligand Pro как специализированный AI-стартап создали синергию, редкую даже для мировых рынков. Команда не просто адаптирует западные подходы, а предлагает оригинальную архитектуру, опубликованную на arXiv и GitHub. Все эти факты свидетельствуют о том, что Россия способна генерировать глубокие научные технологии на стыке ИИ, химии и биологии, а не только внедрять готовые зарубежные решения.
Стратегическое значение: суверенитет через алгоритмы
Для России этот инфоповод выходит за рамки научной новости. Цифровая фарма на сегодняшний день – одна из самых капиталоёмких и стратегических отраслей. Собственные алгоритмы сокращают зависимость от внешних платформ и позволяют проводить R&D на отечественной инфраструктуре, включая вычислительные центры среднего уровня. Это снижает «порог входа» для университетских лабораторий и биотех-стартапов, формируя экосистему технологического суверенитета в биомедицине.
Мировой рынок AI drug discovery переживает бум: сделки вроде расширения партнёрства Eli Lilly и Insilico Medicine на $2,75 млрд подтверждают спрос на алгоритмические решения.
Если Matcha подтвердит эффективность в индустриальных сценариях, она может стать экспортируемым B2B-инструментом. Наиболее реалистичная модель – co-development: российская команда поставляет алгоритмический слой, международные фармпартнёры поставляют экспериментальную валидацию. Исходный код на GitHub значительно повышает заметность решения в научном сообществе.
Ускорение поиска, а не чудо-лекарство
Новая технология не означает появление готового препарата «здесь и сейчас». Между впечатляющим ускорением вычислений и реальным лекарством лежит длинная цепочка лабораторной, доклинической и клинической валидации. Однако именно такие «вычислительные слои» в ближайшие годы будут определять конкурентоспособность биомедицинских платформ. Для российских граждан это задел на более быстрый и доступный R&D, а в перспективе это расширение портфеля отечественных терапевтических решений.
Наиболее вероятный сценарий на 1–3 года – это пилотные проекты с исследовательскими центрами и фармкомпаниями, затем – интеграция в более крупную российскую платформу AI drug discovery или коммерциализация через сервисную модель.
Сегмент растёт, и у России есть шанс занять нишу не только внутреннего импортозамещения, но и экспорта глубоких deeptech-инструментов. Как показывает история с Нобелевской премией по химии 2024 года за предсказание структур белков, научный мир внимательно относится к тем, кто предлагает реальные ускорители научного прогресса.
Российские учёные уверенно сделали ещё один шаг в этом направлении, показывая, что в стране создаются не только прикладные ИИ-сервисы для документооборота и госсектора, но и глубокие научно-технологические модели.
