Исследование Университета Базеля, опубликованное в Nature Communications, поставило под сомнение фундаментальное предположение о том, что ИИ-системы «понимают» химию белков. Учёные показали, что алгоритмы воспроизводят шаблоны, но не физические закономерности — что ограничивает их применение в создании принципиально новых препаратов.
За последние годы ИИ-системы, такие как AlphaFold (DeepMind) и RosettaFold (Институт Байкера) произвели революцию в структурной биологии. Эти модели научились точно предсказывать, как белки сворачиваются в трёхмерные структуры — процесс, за который их создатели получили Нобелевскую премию по химии в 2024 году. Новое поколение алгоритмов пошло дальше: они пытаются прогнозировать, как белки взаимодействуют с малыми молекулами — потенциальными лекарственными веществами.
Однако, как показала команда профессора Маркуса Лилля из Университета Базеля, ИИ не понимает физику этих взаимодействий. В эксперименте, описанном в Nature Communications, исследователи намеренно изменяли последовательности аминокислот в белках, меняли заряд или закрывали участки связывания, а также модифицировали сами лиганды так, чтобы связь между ними была невозможна.
Результат оказался неожиданным: ИИ продолжал “видеть” взаимодействие там, где его быть не могло. Модели строили те же структуры комплексов белок–лиганд, как если бы молекулы не были изменены. Это указывает, что алгоритмы не опираются на физические принципы, а лишь воспроизводят узнаваемые паттерны из обучающих данных.
«Даже самые продвинутые модели не понимают, почему лекарство связывается с белком — они просто узнают знакомые картинки»
Где ошибается ИИ
Особенно заметно ошибки проявлялись при анализе белков, которых не было в исходных тренировочных наборах данных. Именно такие белки представляют наибольший интерес для разработчиков новых препаратов, но здесь точность моделей резко падала.
Это наблюдение имеет серьёзные последствия для фармацевтической индустрии, где ИИ-прогнозы всё чаще используются на ранних этапах — от выбора мишени до моделирования взаимодействия с веществом. Без валидации физико-химическими методами такие модели могут привести к ложным выводам и провалам на этапе клинических испытаний.
Исследователи предлагают развивать гибридные ИИ-системы, которые совмещают машинное обучение с методами классического молекулярного моделирования: расчётами молекулярной динамики, энергетических профилей и квантово-химических взаимодействий. Такой подход позволит учитывать реальные физические законы и обеспечит точные предсказания даже для неизвестных белков.
«Нужно переходить от запоминания данных к пониманию природы взаимодействий. Только так можно сделать ИИ по-настоящему научным инструментом», — отмечает Лилль.
Результаты работы базельской группы стали одним из ключевых аргументов в пользу пересмотра подходов к применению ИИ в фарме. Для исследователей и разработчиков лекарств — в том числе в России — вывод очевиден: автоматизация ускоряет анализ, но глубокая валидация и экспертная интерпретация остаются критически важными.
Как отмечают специалисты, в российских биоинформатических лабораториях уже развивается направление гибридных моделей, объединяющих ИИ с физико-химическим моделированием, что может стать основой для разработки конкурентоспособных платформ молекулярного дизайна.