Белки в живой клетке — не застывшие конструкции, они непрерывно движутся и адаптируются, а короткие пептиды способны кардинально менять форму в момент связывания. Однако существующие методы прогнозирования силы их взаимодействия либо игнорируют эту подвижность, либо требуют огромных вычислительных ресурсов для каждого нового случая. Исследователи Центра искусственного интеллекта МГУ разработали модель HyBind-NN, которая объединяет данные об аминокислотной последовательности, трёхмерной структуре и подвижности молекул, но не требует проведения молекулярной динамики для каждого нового комплекса. Как показала проверка на независимом наборе данных, модель дала меньшую ошибку по сравнению с другими методами. «Если мы не учитываем пластичность белков, предсказать реальную силу их взаимодействия просто невозможно. В нашей модели данные молекулярной динамики используются на этапе обучения как дополнительная задача, и для последующего прогноза проводить такие ресурсоёмкие расчёты уже не требуется», — отметил старший научный сотрудник Центра ИИ МГУ, член-корреспондент РАН Алексей Шайтан.
Как сообщает пресс-служба МГУ, исследователи Центра искусственного интеллекта университета разработали модель для прогнозирования силы связывания белков друг с другом и с пептидами. Работа опубликована в International Journal of Molecular Sciences. Белки взаимодействуют друг с другом и с пептидами во множестве биологических процессов — от передачи сигналов внутри клетки до иммунных реакций. Для изучения таких процессов необходимо оценивать силу связывания, то есть насколько прочно две молекулы взаимодействуют друг с другом. Экспериментальное определение этого показателя требует времени и ресурсов, поэтому для его оценки разрабатываются вычислительные методы, которые могут применяться, в частности, при разработке лекарственных препаратов и изучении последствий мутаций.
Почему существующие методы не справляются с задачей и какую проблему решает новая модель?
Существующие вычислительные подходы обычно используют информацию об аминокислотной последовательности или трёхмерной структуре белкового комплекса. Однако статическая структура отражает только одно состояние молекул и не полностью учитывает их подвижность. Особенно это важно для пептидов, которые способны заметно менять свою пространственную форму при связывании с белком. Чтобы решить эту проблему, авторы разработали комплексную модель HyBind-NN, которая анализирует сразу несколько типов данных: информацию об аминокислотах обрабатывает специализированная языковая модель ESM-2, а пространственную организацию молекулы изучает графовая нейросеть. Главным нововведением стало использование данных молекулярной динамики, описывающих подвижность отдельных участков белка.
Инновационность подхода заключается в том, что ресурсоёмкое моделирование движения молекул не нужно проводить для каждого нового комплекса — нейросеть учится понимать физику этих движений ещё на этапе обучения, решая это как вспомогательную задачу. Как пояснил Алексей Шайтан, «в живой клетке белки — это не застывшие жесткие конструкции. Они непрерывно движутся, адаптируют структуру под изменяющиеся условия функционирования. А короткие молекулы вроде пептидов и вовсе обладают колоссальной гибкостью: они способны кардинально менять свою форму, подстраиваясь под мишень прямо в момент связывания. Если мы не учитываем эту пластичность, предсказать реальную силу их взаимодействия просто невозможно».
Насколько точна новая модель и что показала её проверка?
Исследователи проверили HyBind-NN на независимом наборе данных, который не использовался при обучении. Модель показала меньшую ошибку и более высокую корреляцию с экспериментальными значениями по сравнению с рассмотренными авторами методами. На двух дополнительных проверочных наборах предложенная модель также показала меньшую ошибку по сравнению с рассмотренными структурными методами.
Авторы отдельно проверили, какой вклад в результат вносят разные типы данных. Наиболее существенную роль играла информация, полученная из аминокислотной последовательности с помощью языковой модели. Однако исключение сведений о пространственной структуре увеличивало среднеквадратичную ошибку более чем в четыре раза относительно модели, обученной на всех источниках информации о молекулах. Исключение данных о молекулярной динамике из процесса обучения также ухудшало качество прогнозирования.
Каковы перспективы применения разработки и её ограничения?
Разработанный подход может использоваться для вычислительной оценки силы взаимодействия белков друг с другом и с пептидами. В дальнейшем авторы планируют развивать модель для оценки влияния отдельных мутаций на связывание белков и создавать специализированные решения для комплексов антител с антигенами. Исследователи также отмечают ограничения нынешней версии модели, в частности, при работе с комплексами, взаимодействие которых существенно зависит от ионов металлов, химических модификаций белков или мембранного окружения.
Коротко: главное о разработке МГУ для прогнозирования взаимодействий белков
Какую задачу решает модель HyBind-NN, разработанная в МГУ? Она прогнозирует силу связывания белков друг с другом и с пептидами, что важно для разработки лекарств и изучения мутаций. В чём главное отличие нового метода от существующих? Модель учитывает подвижность молекул, но не требует ресурсоёмких расчётов для каждого нового комплекса — нейросеть «учится» этому на этапе обучения. Какие данные обрабатывает HyBind-NN? Аминокислотную последовательность, трёхмерную структуру и данные о молекулярной динамике (подвижности участков белка). Насколько точна модель при проверке? Она показала меньшую ошибку по сравнению с другими методами на независимых наборах данных. Каковы ограничения разработки? Модель может быть менее точна для комплексов, зависящих от ионов металлов, химических модификаций или мембранного окружения.
Резюме
Учёные Центра ИИ МГУ разработали модель HyBind-NN для прогнозирования силы связывания белков и пептидов. Новый подход объединяет данные об аминокислотной последовательности, пространственной структуре и подвижности молекул, но, в отличие от традиционных методов, не требует ресурсоёмкой молекулярной динамики для каждого нового комплекса. Проверка показала, что модель точнее существующих аналогов. Разработка может применяться при создании лекарств и изучении мутаций. Авторы планируют развивать модель для оценки влияния мутаций и создания специализированных решений для антител.
Материал подготовлен изданием «Техносуверен» (technosuveren.ru).
Дата публикации: 26 августа 2026 года.
