ИИ научился создавать сверхсильные антитела, однако универсальным инструментом пока не стал

Крупнейший на сегодняшний день слепой проспективный тест ИИ для разработки антител дал неоднозначный, но важный результат. Алгоритмы действительно способны создавать экспериментально подтверждённые и очень сильные антитела. Однако ни один метод не показал стабильного превосходства во всех проверенных сценариях.

Самый яркий успех принадлежит Aureka Biotechnologies. Разработанное её моделью антитело против рецептор-связывающего домена (RBD) шипового белка SARS-CoV-2 продемонстрировало аффинность 94,7 пикомоля — примерно в 2 000 раз выше, чем у исходного, или родительского, антитела. По статистике этот результат не отличался от лучшего клона, полученного традиционным методом созревания аффинности. 16

Что проверял конкурс AIntibody

Конкурс AIntibody организовали по аналогии с CASP — международными тестами, где методы сравнивают не по заявленным авторами оценкам, а по результатам независимого эксперимента. В этот раз 29 организаций представили 511 последовательностей антител. Их проверяли в стандартизированных лабораторных условиях, причём участники не оценивали собственные разработки. 12

В исследовании использовали хорошо изученную систему на основе RBD вируса SARS-CoV-2 и проверили три сценария:

1. Компьютерное созревание аффинности — улучшение заданного родительского антитела.
2. Ранжирование по аффинности — поиск наиболее сильных связывающих антител среди трёх ограниченных кластеров последовательностей HCDR3.
3. Дизайн вне исходной библиотеки — создание или оптимизация последовательностей CDR, не представленных в предоставленных экспериментальных библиотеках. 1

Связывание измеряли методом поверхностного плазмонного резонанса и независимым методом KinExA. Кроме того, каждую разработку проверяли по пяти показателям технологичности — так называемой developability, то есть пригодности антитела для дальнейшей разработки. В частности, тесты должны были выявить свойства, которые способны испортить перспективный результат даже при высокой силе связывания. 1

Как Aureka получила результат 94,7 пМ

Лучший результат Aureka показала в первой задаче — при оптимизации уже известного антитела. В статье разработка указана под названием AuraBind, а сама платформа компании называется AuraIDE. Измеренная аффинность AuraBind составила 94,7 пМ. 146

Для сравнения: лучший клон, полученный традиционным экспериментальным созреванием в ходе примерно трёх месяцев фаговой селекции, показал 113 пМ. Численно показатель Aureka лучше, поскольку меньшая величина означает более прочное связывание. Но разница между двумя лидерами не была статистически решающей. Поэтому корректнее говорить, что ИИ сравнялся с лучшим экспериментальным результатом в этом тесте, а не окончательно превзошёл его. 16

Успех Aureka не ограничился одной последовательностью. Компания разработала шесть антител с аффинностью ниже 10 нМ, которые также прошли критерии технологичности конкурса. В итогах первой задачи её разработки заняли первое, второе и пятое места. 1

Почему победившая последовательность важна

Победившее антитело не было простым воспроизведением уже найденного экспериментального клона. Согласно описанию исследования, алгоритм объединил замены и мутационные паттерны, выявленные в данных предоставленной селекции. Затем структурно-ориентированная модель аффинности выбрала подходящий вариант из 10 000 сгенерированных кандидатов. 1

AuraIDE сочетает структурное моделирование с предиктором функциональности, обученным на данных предпочтений. Вместо попытки напрямую вычислить точное абсолютное значение константы связывания модель училась оценивать относительное экспериментальное обогащение последовательностей — то есть ранжировать кандидатов по вероятной полезности для дальнейшей проверки. 1

Это принципиально важный подход для поиска антител. Практической системе необязательно безошибочно предсказывать финальную аффинность каждой последовательности. Её задача — повысить вероятность того, что в небольшом и управляемом наборе кандидатов найдутся сильные и пригодные для разработки антитела.

Aureka выиграла одну задачу, а не весь тест

В первой задаче Aureka стала явным лидером, но её преимущество не распространилось на весь конкурс. В задаче ранжирования кластеров победители различались в зависимости от кластера: UCSD/Scripps лидировали для 27F, WashU/Xencor — для 28F, а WashU — для 47F. Задачу дизайна вне исходной библиотеки выиграла Xencor. 1

Анализ результатов по всем задачам также показал, что у каждой раскрытой команды был как минимум один сценарий, в котором её лучший результат заметно уступал лидерам. 1

Главный вывод здесь прост: «ИИ для дизайна антител» — не единая способность. Модель, которая хорошо улучшает уже известное антитело при наличии богатых данных о конкретной мишени, может оказаться гораздо менее надёжной при ранжировании родственных последовательностей или создании вариантов за пределами существующей библиотеки.

Что это меняет в лабораторной работе

Наиболее реалистичное применение таких систем — оптимизация лидирующих соединений, а не полная отмена экспериментов. Если у исследователей есть качественные данные о селекции и последовательностях, модель может сократить число циклов создания библиотек антител, отбора на дисплее, экспрессии клонов и последующего скрининга.

В первой задаче около 13% представленных последовательностей обеспечили как минимум 20-кратное улучшение по сравнению с родительским антителом, хотя результаты команд сильно различались. 1

Оптимальный рабочий процесс выглядит как связка ИИ и лаборатории:

• использовать данные экспериментальной селекции и секвенирования для генерации кандидатов;
• поручать модели отбор меньшего, но потенциально более разнообразного набора последовательностей;
• синтезировать и проверять эти последовательности в слепых стандартизированных условиях;
• оценивать не только аффинность, но и технологичность перед переходом к следующему этапу.

Последний пункт особенно важен. Некоторые разработки с очень высокой аффинностью не прошли один или несколько тестов технологичности, в частности проверки на полиреактивность. Показатель 94,7 пМ впечатляет, но одной силы связывания недостаточно, чтобы антитело стало подходящим кандидатом для лекарственной программы. 1

Главный вопрос — насколько результат обобщается

Исследование было строгим проспективным тестом, однако условия оставались сравнительно благоприятными для ИИ. Команды работали с одной хорошо изученной мишенью, располагали большими массивами данных глубокого секвенирования и измерений аффинности. В двух последних задачах участникам также предоставляли сведения, которые в реальной кампании по поиску лекарства часто отсутствуют на столь раннем этапе. 1

Итоги отражают это ограничение. В наборах кластеризованных HCDR3 все модели, кроме одной, плохо предсказывали высокоаффинные клоны или показывали результат хуже случайного выбора. Дизайн вне исходной библиотеки также дал крайне неоднородные результаты. 12

Таким образом, конкурс не доказывает, что ИИ будет столь же эффективен для незнакомых антигенов, небольших наборов данных, других форматов антител или полного набора характеристик, необходимых для создания лекарства. Он показывает более узкую, но практически полезную вещь: некоторые системы способны очень хорошо работать в чётко определённых биологических условиях, когда у них есть достаточно релевантных данных.

Что победа означает для Aureka

Для Aureka этот результат особенно ценен тем, что связывает её платформу не только с внутренними оценками модели, но и с независимым экспериментом. В августе 2026 года компания также закрыла раунд Series B на 100 млн долларов, доведя заявленный общий объём привлечённых средств почти до 200 млн долларов. Первый транш профинансировала Granite Asia, а последующий возглавил стратегический инвестор. 1821

Aureka также сообщала о соглашениях в формате business development и NewCo с несколькими международными фармацевтическими компаниями. 4 Новое финансирование и такие партнёрства дают компании ресурсы и потенциальные пути для превращения разработанных моделью антител в лекарственные программы. 418

Но победа в слепом тесте не является клиническим подтверждением. Она не доказывает, что платформа Aureka создаст успешные лекарства или в целом превосходит традиционные методы поиска антител. Более точный вывод выглядит так: ИИ-система Aureka уже показала способность создавать очень сильные и технологически пригодные антитела как минимум в одном хорошо определённом сценарии оптимизации. Чтобы говорить о широком переломе в разработке лекарств, нужны новые слепые тесты — на других мишенях, при более скудных данных и в более разнообразных условиях поиска.