ИИ-спроектированные белки могут выявлять рак по анализу мочи
Ученые из MIT и Microsoft разработали ИИ-модель, которая проектирует короткие белки-пептиды, реагирующие на протеазы — ферменты, чрезмерно активные в раковых кл
Представьте себе мир, в котором для выявления рака на ранней стадии достаточно сдать анализ мочи. Не проходить болезненную биопсию, не ждать неделями результатов МРТ, не платить тысячи долларов за ПЭТ-сканирование — а просто собрать образец в пластиковый контейнер. Именно к такому будущему приближают нас исследователи из Массачусетского технологического института и Microsoft, которые научили искусственный интеллект проектировать молекулярные сенсоры рака с нуля.
Суть разработки заключается в элегантном биологическом механизме. Раковые клетки отличаются от здоровых множеством признаков, и один из них — повышенная активность ферментов, называемых протеазами. Эти молекулярные «ножницы» разрезают белки и играют ключевую роль в процессах, которые позволяют опухоли расти, вторгаться в окружающие ткани и формировать метастазы. Исследователи решили использовать эту особенность против самого рака: они создали ИИ-модель, способную проектировать короткие белковые цепочки — пептиды, — которые становятся мишенями именно для опухолевых протеаз.
Технология работает следующим образом. Спроектированные ИИ пептиды наносятся на поверхность наночастиц, которые затем вводятся в организм. Когда эти наночастицы достигают опухолевой ткани, активные протеазы раковых клеток «разрезают» пептиды, высвобождая крошечные молекулярные фрагменты-маркеры. Эти фрагменты настолько малы, что свободно проходят через почечный фильтр и попадают в мочу, где их можно обнаружить стандартными лабораторными методами. По сути, наночастицы выступают в роли разведчиков, которые отправляются на поиски врага и посылают сигнал, если находят его.
Ключевая инновация здесь — именно роль искусственного интеллекта в процессе проектирования пептидов. Традиционный подход к созданию таких молекулярных сенсоров требовал бы многолетних экспериментов методом проб и ошибок. Пространство возможных аминокислотных последовательностей астрономически велико: даже для короткого пептида из десяти аминокислот существуют триллионы возможных комбинаций. ИИ-модель, разработанная командой MIT и Microsoft, способна ориентироваться в этом пространстве, предсказывая, какие именно последовательности будут наиболее эффективно распознаваться и разрезаться конкретными опухолевыми протеазами, оставаясь при этом устойчивыми к ферментам здоровых тканей. Это принципиально важно для снижения числа ложноположительных результатов — бича современной онкодиагностики.
Чтобы оценить значимость этой работы, стоит взглянуть на контекст. Ранняя диагностика остается одной из главных нерешенных проблем онкологии. По данным Всемирной организации здравоохранения, более трети случаев смерти от рака можно было бы предотвратить при своевременном обнаружении. Однако существующие методы скрининга либо слишком дороги для массового применения, либо недостаточно чувствительны, либо инвазивны и неприятны для пациентов. Маммография пропускает значительную долю опухолей молочной железы, колоноскопия требует сложной подготовки, а жидкостная биопсия — один из самых перспективных современных подходов — пока стоит сотни долларов за тест и не всегда ловит рак на самых ранних стадиях.
Разработка MIT и Microsoft вписывается в более широкий тренд применения ИИ для проектирования биологических молекул. После того как в 2024 году Нобелевскую премию по химии присудили за работы в области предсказания структуры белков, эта область переживает настоящий бум. DeepMind с AlphaFold, стартап David Baker's Institute for Protein Design, десятки биотехнологических компаний — все они используют машинное обучение для создания белков с заданными свойствами. Но если большинство проектов сосредоточены на терапевтических молекулах — новых лекарствах и антителах, — команда MIT и Microsoft применила тот же подход к диагностике, что открывает совершенно иной горизонт возможностей.
Разумеется, от лабораторной демонстрации до клинической практики — дистанция огромного размера. Предстоит доказать безопасность наночастиц для человека, провести клинические испытания, получить одобрение регуляторов, наладить производство. На это могут уйти годы. Кроме того, остаются открытые вопросы: насколько универсален подход для разных типов рака, какова реальная чувствительность метода in vivo, не будут ли наночастицы вызывать иммунный ответ при повторном применении.
Тем не менее сама концепция — использование ИИ для проектирования молекулярных «шпионов», которые превращают сложнейшую задачу ранней онкодиагностики в рутинный анализ мочи — выглядит по-настоящему прорывной. Если технология подтвердит свою эффективность в клинических условиях, она может демократизировать доступ к раннему выявлению рака по всему миру, включая регионы, где нет ни МРТ-аппаратов, ни онкологических центров. И в этом, пожалуй, заключается главная сила союза искусственного интеллекта и биологии: не просто ускорение существующих процессов, а создание принципиально новых решений для задач, которые казались неподъемными.