Atlansys EUS MedPharma — платформа искусственного интеллекта, которая создает лекарства. Концепция архитектуры

Платформа Atlansys EUS MedPharma представляет собой комплексное решение, интегрирующее последние достижения в области машинного обучения и анализа больших данных для создания сквозного рабочего процесса разработки фармацевтических препаратов. Концептуальная архитектура Atlansys EUS MedPharma представлена на рис. 1.

Рис 1. Концептуальная архитектура Atlansys EUS MedPharma

Концепция платформы Atlansys EUS MedPharma, подразумевает проведение большого объема НИОКР на всех стадиях разработки и тесную интеграцию разработанных технологий искусственного интеллекта в процессы создания новых соединений (лидеров и кандидатов) и фармацевтических препаратов.

Данная архитектура обеспечивает масштабируемость, отказоустойчивость и возможность независимого развертывания и обновления отдельных модулей, сохраняя при этом целостность платформы как единой системы.

Методология проектирования Atlansys EUS MedPharma представляет собой комплексный подход к созданию интеллектуальной платформы для фармацевтической разработки, основанный на принципах модульности, регуляторного соответствия и экономической эффективности.

Первоочередным направлением НИОКР в создании платформы, стали работы, по формированию и реализации основной системы — «Система исследований и разработок (R&D)», архитектура которой представлена на рис. 2.

Рис. 2. Концептуальная архитектура АС Atlansys EUS MedPharma. Система 1 исследований и разработок, и ее модули

Эти работы тесно связаны с задачей поиска новых решений и интеграции передовых технологий ИИ для каждой из подсистем (представленной на рис. 2), которые позволили бы существенно улучшить или оптимизировать традиционные процессы разработки новых соединений для создания лекарственных средств.

Современная разработка подобных систем характеризуется интенсивной сменой технологий, а современные фармацевтические исследования характеризуются накоплением и обработкой огромных массивов гетерогенных и мультимодальных данных. Для их качественной обработки и решения поставленной задачи разработки архитектуры и платформы Atlansys EUS MedPharma необходимо было исследовать следующие специализированные технологии, архитектуры и модели:

— Исследование международного опыта. В 2021 году компания DeepMind, представила свою систему предсказания 3D-структуры белков — глубокого обучения AlphaFold2. Уже в 2024 году возможностей AlphaFold2, в части виртуального скрининга и поиска новых лекарственных препаратов, стало недостаточно и ученые предложили варианты совместного использования AlphaFold2 и других технологий [13,14,15,16]. На сегодняшний день, появились новые системы следующего поколения, например нейронная сеть для прогнозирования биомолекулярной структуры, которая может прогнозировать широкий спектр биомолекулярных ансамблей, включая белки, нуклеиновые кислоты, малые молекулы, ковалентные модификации RoseTTAFold All-Atom [17], которая доступна для широкого круга исследователей [18]. Также ESMFold от Meta демонстрирует возможности крупных языковых моделей, обученных на миллионах белковых последовательностей, для предсказания структур de novo. Этот подход особенно эффективен для белков с низкой гомологией к известным структурам. Сравнение AlphaFold2, ESMFold, OmegaFold и ProteinMPNN представлено в работах [19,20,21,22].

— Графовые нейронные сети (Graph Neural Networks, GNN) заняли лидирующие позиции в вычислительной фармакологии для анализа молекулярных данных, что обусловлено их способностью напрямую оперировать графовыми структурами, где атомы представляются узлами, а химические связи — ребрами [23,24]. Точность таких моделей, например, Message Passing Neural Networks (MPNN), в задачах предсказания биологической активности достигает 92% [25]. В контексте прогнозирования межлекарственных взаимодействий (англ. drug—drug interactions, DDI) GNN применяются в нескольких ключевых парадигмах. Прямое моделирование графа взаимодействий является одной из наиболее распространенных стратегий, где сами лекарственные средства рассматриваются как узлы, а их взаимодействия — как ребра, что превращает задачу прогнозирования DDI в проблему предсказания связей в графе. К этому классу относятся модели, специфически разработанные для анализа DDI (англ. DDIs GNN) [26]. Другой стратегией является глубокое извлечение молекулярных признаков. Модели, такие как MR-GNN (англ. multi-resolution GNN) и GoGNN, используют иерархические возможности GNN для генерации векторных представлений (эмбеддингов) молекулярной структуры, которые в дальнейшем используются для прогнозирования взаимодействий [27,28]. Широко представлены и гибридные архитектуры, комбинирующие GNN с другими типами нейронных сетей. Например, в одном из исследований применяется графовый автоэнкодер для обучения латентных представлений лекарств на основе графа DDI с последующей передачей этих представлений в многослойный перцептрон для финального прогноза [29]. Модель CASTER реализует сквозной подход, прогнозируя DDI путем извлечения информации о молекулярных подструктурах непосредственно из строк SMILES и их последующей трансформации в векторные представления [30]. Для работы со сложными семантическими сетями применяются сети знаний. Модель KGNN (англ. Knowledge Graph Neural Network) использует GNN для навигации по графам знаний, выявляя скрытые связи между сущностями для решения задачи DDI [31]. Современные подходы также фокусируются на многомодальном и контрастном обучении. Архитектура Bi-GNN использует двухслойную GNN для изучения биологических связей и генерации признаков лекарств, которые интегрируются для прогнозирования взаимодействий [32]. В ряде работ [33,34,35] описывается контрастное обучение представлений на многовидовом графе, что позволяет одновременно моделировать как внутреннюю молекулярную структуру, так и внешние взаимодействия между различными молекулами.

— Применение мультимодальных нейронных сетей (обрабатывающих данные из многих разнородных источников), которые представлены в работах [36,37,38], открывает новые горизонты в фармацевтических исследованиях, обеспечивая интеграцию разнородных данных для решения комплексных задач. В отличие от унимодальных подходов, такие архитектуры, как графовые нейронные сети (GNN) и Трансформеры, позволяют объединять информацию из молекулярных, гистологических, радиологических и клинических источников, создавая целостные представления о биологических системах. Это особенно актуально для прогнозирования лекарственных взаимодействий (DDI), где GNN моделируют молекулы и белки как узлы графа, а их взаимодействия — как ребра, что значительно повышает точность предсказания побочных эффектов и синергизма препаратов. Мультимодальные Трансформеры, в свою очередь, с помощью механизмов кросс-внимания эффективно выявляют скрытые взаимосвязи между геномными последовательностями и визуальными паттернами гистологических срезов, что способствует открытию новых биомаркеров и идентификации перспективных мишеней для терапии. Несмотря на сохраняющиеся вызовы, такие как интерпретируемость моделей и гетерогенность данных, интеграция мультимодального глубокого обучения в фармацевтический R&D позволяет перейти к созданию персонализированных терапевтических стратегий и ускоренной валидации кандидатных соединений.

— Применение глубоких нейронных сетей (англ. Deep neural networks, DNN) или глубокого обучения (англ. Deep learning) представляют собой эффективный инструментарий для решения задач, малодоступных классическим вычислительным методам. В работах [39,40,41] показано, что в отличие от традиционного молекулярного докинга, опирающегося на зачастую ограниченные эмпирические функции оценки, DNN способны напрямую анализировать атомарные трехмерные структуры, выявляя сложные, нелинейные паттерны белок-лигандного взаимодействия. Это позволяет с высокой точностью предсказывать, как сайты связывания, так и аффинность, что наглядно демонстрирует прогресс от модели DeepSite к более современным архитектурам, таким как Kalasanty и PUREsNet. Разнообразие архитектур DNN, включая сверточные нейронные сети (CNN) для анализа пространственных данных, графовые нейронные сети (GNN) для работы с молекулярными графами и трансформеры для учета контекстных зависимостей, обеспечивает гибкость в решении специфичных задач — от дизайна лекарств и прогнозирования ADMET-свойств до оптимизации состава лекарственных форм и установления in vitro — in vivo корреляций. Подобно революционному воздействию AlphaFold на структурную биологию, интеграция глубокого обучения в фармацевтическую разработку, не только ускоряет скрининг и оптимизацию молекул — кандидатов, но и открывает путь к созданию препаратов с программируемыми характеристиками, что в перспективе способно значительно сократить временные и финансовые затраты на доклиническую разработку. Ключевым вызовом при этом остается обеспечение качества и репрезентативности данных для обучения моделей, что определяет надежность и воспроизводимость прогнозов.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

Патент на изобретение №2860793 Российская Федерация (RU), МПК C07D 239/54 (2006.01) A61K 31/505 (2006.01) A61P 35/00 (2006.01). Малотоксичное производное 5-метил-пиримидиндиона, обладающее противоопухолевой активностью / Чесалов А. Ю. и др.; Заявитель и и патентообладатель: ООО «Программные системы Атлансис». Заявка №2025123872, заявл. 29.08.2025 опубл. 21.04.2026. Бюл. №2.

2

Патент на изобретение №2861491 Российская Федерация (RU), МПК C07C 229/08 (2006.01), C07C 227/14 (2006.01), C07F 3/02 (2006.01), A61K 31/205 (2006.01), A61P 9/10 (2006.01), A61P 25/00 (2006.01), A61P 39/00 (2006.01). Супрамолекулярный комплекс на основе 4-аминобутановой кислоты, обладающий нейропротекторным действием в условиях ишемического поражения мозга и гипоксии / Чесалов А. Ю. и др.; Заявитель и и патентообладатель: ООО «Программные системы Атлансис». Заявка №2025109706, заявл. 17.04.2025 опубл. 05.05.2026. Бюл. №13.

3

.AI in Pharmaceutical Industry: Top Use Cases, Implementation Strategies 2025. [Электронный ресурс] 2025 URL: https://sranalytics.io/blog/ai-in-pharmaceutical-industry/ (дата обращения: 10.11.2025). — Текст: электронный.

4

.Somesh Sharma. Algorithms to Treatments: AI’s Impact on Modern Drug Discovery [Электронный ресурс] 2024 URL: https://www.aragen.com/news/algorithms-to-treatments-ais-impact-on-modern-drug-discovery/ (дата обращения: 10.11.2025). — Текст: электронный.

5

.Shipra Malhotra. How Exscientia Reduces Drug Discovery Time With Gen AI [Электронный ресурс] 2023 URL: https://www.cio.inc/how-exscientia-reduces-drug-discovery-time-gen-ai-a-23015 (дата обращения: 10.11.2025). — Текст: электронный.

6

.Ujwal Krishnan. Exscientia’s Legacy: The AI Drug Discovery Pioneer and the Recursion Merger [Электронный ресурс] 2023 URL: https://www.eutechfuture.com/health-tech/exscientia-ai-drug-discovery-recursion-merger/ (дата обращения: 10.11.2025). — Текст: электронный.

7

.The economic potential of generative AI: The next productivity frontier [Электронный ресурс] 2023 URL: https://www.mckinsey.com/industries/life-sciences/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier (дата обращения: 10.11.2025). — Текст: электронный.

8

.Кубиньи Г. В поисках новых соединений-лидеров для создания лекарств // Российский химический журнал. 2006. №2. URL: https://cyberleninka.ru/article/n/v-poiskah-novyh-soedineniy-liderov-dlya-sozdaniya-lekarstv (дата обращения: 08.11.2025).

9

.Witte, H. (2006) «Application of Generalized Dynamic Neural Networks to Biomedical Data,» IEEE Transactions on Biomedical Engineering. Institute of Electrical and Electronics Engineers (IEEE). doi: 10.1109/TBME.2006.881766.

10

.EU AI Act: first regulation on artificial intelligence. 2024. https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligenc

11

.Medical Device Regulation. Regulation (EU) 2017/745 of the European Parliament and of the Council of 5 April 2017 on medical devices [Электронный ресурс] 2017 URL: https://www.medical-device-regulation.eu/download-mdr/ (дата обращения: 06.11.2025). — Текст: электронный.

12

.Общий регламент защиты персональных данных (GDPR). Европейского союза [Электронный ресурс] 2024 URL: https://gdpr-text.com/ru/ (дата обращения: 06.11.2025). — Текст: электронный.

13

.Gu Xinyu, Aranganathan Akashnathan, Tiwary Pratyush (2024) Empowering AlphaFold2 for protein conformation selective drug discovery with AlphaFold2-RAVE eLife 13:RP99702 DOI: https://doi.org/10.7554/eLife.99702.2

14

.Forker, Karly & Fleming, Matthew & Pearce, Kenneth & Vaziri, Cyrus & Bowers, Albert. (2025). Modeling is Believing? How AlphaFold2 Can Mislead Molecular Interpretation. Structural Dynamics. 12. A260-A260. DOI: 10.1063/4.0001049.

15

.Gut, Jannik & Lemmin, Thomas. (2024). Dissecting AlphaFold2’s Capabilities with Limited Sequence Information. Bioinformatics Advances. 5. DOI: 10.1093/bioadv/vbae187.

16

.Wu, Tianqi & Stein, Richard & Kao, Te-Yu & Brown, Benjamin & Mchaourab, Hassane. (2025). Modeling protein conformational ensembles by guiding AlphaFold2 with Double Electron Electron Resonance (DEER) distance distributions. Nature Communications. 16. DOI: 10.1038/s41467-025-62582-4.

17

.Haoran Yang, Junxia Wang, Jingxin Xie, Huiying Yang, Xianfu Wu, Molecular mechanisms and delivery strategies of celastrol targeting inflammation-associated autoimmune diseases, Journal of Ethnopharmacology, 355, (120719), (2026). DOI: https://doi.org/10.1016/j.jep.2025.120719

18

.Code for RoseTTAFold All-Atom [Электронный ресурс] 2025 URL: https://github.com/baker-laboratory/RoseTTAFold-All-Atom (дата обращения: 13.11.2025). — Текст: электронный.

19

.Hyskova, Anna & Marsalkova, Eva & Simecek, Petr. (2025). Balancing Speed and Precision in Protein Folding: A Comparison of AlphaFold2, ESMFold, and OmegaFold. DOI: 10.1101/2025.06.20.660709.

20

.Garcia, Mario & Rocklin, Gabriel & Dixit, Sugyan. (2025). Evaluating zero-shot prediction of protein design success by AlphaFold, ESMFold, and ProteinMPNN. DOI: 10.1101/2025.07.29.667290.

21

.Manfredi, Matteo & Savojardo, Castrense. (2025). Evaluation of the structural models of the human reference proteome: AlphaFold2 versus ESMFold. Current Research in Structural Biology. 9. 100167. DOI: 10.1016/j.crstbi.2025.100167.

22

.Panagiotou, Vlasios & Makris, Christos. (2025). Comparative Analysis of AlphaFold2, AlphaFold3 and ESMFold in Chimeric Antigen Receptor Prediction for Pancreatic Cancer Immunotherapy. International Journal on Artificial Intelligence Tools. DOI: 10.1142/S021821302540007X.

23

.Saxena, Ritwik & Saxena, Ritcha. (2024). Applying Graph Neural Networks in Pharmacology. DOI: 10.36227/techrxiv.170906927.71541956/v1.

24

.Conghao Wang, Gaurav Asok Kumar & Jagath C. Rajapakse. Drug discovery and mechanism prediction with explainable graph neural networks. [Электронный ресурс] 2025 URL: https://doi.org/10.1038/s41598-024-83090-3 (дата обращения: 10.11.2025). — Текст: электронный.

25

.Rajeev Chandran. Understanding Message Passing in Graph Neural Networks [Электронный ресурс] 2025 URL: https://medium.com/@rajeev.chandran_61731/understanding-message-passing-frameworks-in-graph-neural-networks-944d9e2a1105 (дата обращения: 10.11.2025). — Текст: электронный.

26

.Yanglan Gan, Wenxiao Liu, Guangwei Xu, Cairong Yan, Guobing Zou, DMFDDI: deep multimodal fusion for drug—drug interaction prediction, Briefings in Bioinformatics, Volume 24, Issue 6, November 2023, bbad397, https://doi.org/10.1093/bib/bbad397

27

.Xu, Nuo & Wang, Pinghui & Chen, Long & Tao, Jing & Zhao, Junzhou. (2019). MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions. 3968—3974. DOI: 10.24963/ijcai.2019/551.

28

.Wang, Hanchen & Lian, Defu & Zhang, Ying & Qin, Lu & Lin, Xuemin. (2020). GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions. DOI: 10.48550/arXiv.2005.05537.

29

.Feng, Yue-Hua & Zhang, Shao-Wu & Shi, Jian-Yu. (2020). DPDDI: a deep predictor for drug-drug interactions. BMC bioinformatics. 21. 419. DOI: 10.1186/s12859-020-03724-x.

30

.Huang, Kexin & Xiao, Cao & Hoang, Trong Nghia & Glass, Lucas & Sun, J.. (2020). CASTER: Predicting Drug Interactions with Chemical Substructure Representation. Proceedings of the AAAI Conference on Artificial Intelligence. 34. 702—709. DOI: 10.1609/aaai. v34i01.5412.

31

.Lin, Xuan & Quan, Zhe & Wang, Zhi-Jie & Ma, Tengfei & Zeng, Xiangxiang. (2020). KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction. 2711—2717.

32

.Zhang, Qingqian & He, Changxiang & Qin, Xiaofei & Yang, Peisheng & Kong, Junyang & Mao, Yaping & Li, Die. (2024). BiTGNN: Prediction of Drug-Target Interactions Based on Bidirectional Transformer and Graph Neural Network on Heterogeneous Graph. International Journal of Biomathematics. 18. DOI: 10.1142/S1793524524500256.

33

.Wang, Yingheng & Chen, Xin & Wu, Ji. (2020). Multi-view Graph Contrastive Representation Learning for Drug-Drug Interaction Prediction. DOI:10.48550/arXiv.2010.11711.

34

.Zhao, Yaomiao & Qiao, Shaohang & Ning, Qiao & Yin, Minghao. (2025). Graph Clustering-guided Multi-view Neighborhood-enhanced Graph Contrastive Learning for Drug-Target Interaction Prediction. IEEE journal of biomedical and health informatics. PP. DOI:10.1109/JBHI.2025.3606851.

35

.Li, Dongxu & Zhao, Feifan & Yang, Yue & Cui, Ziwen & Hu, Pengwei & Hu, Lun. (2025). Multi-view Contrastive Learning for Drug-Drug Interaction Event Prediction. IEEE journal of biomedical and health informatics. PP. DOI:10.1109/JBHI.2025.3600045.

36

.Tripathi, A. (2023) «Multimodal Data Integration for Oncology in the Era of Deep Neural Networks: A Review,» arXiv (Cornell University). Cornell University. DOI: 10.48550/ARXIV.2303.06471.

37

.Haque, Rezuana. (2025). Multimodal Integration with Graph Neural Networks (GNNs). DOI: 10.1007/978-3-032-04315-3_6.

38

.Gupta, Manish. (2024). The Evolution of Neural Networks in Artificial Intelligence for Multimodal Data Fusion. 5. 1—4. [Электронный ресурс] 2024 URL: https://iscsitr.com/articles/volume_5/issue_2/ISCSITR-IJAI_05_02_01 (дата обращения: 10.11.2025). — Текст: электронный.

39

.Barykin A.D., Chepurnykh T.V., Osipova Z.M. Deep learning in modelling the protein—ligand interaction: new pathways in drug development // Bulletin of RSMU. 2024. №1. URL: https://cyberleninka.ru/article/n/deep-learning-in-modelling-the-protein-ligand-interaction-new-pathways-in-drug-development (дата обращения: 10.11.2025).

40

.Teja, Talasila & Sekar, Mahendran & Pallavi, Talasila & Mettu, Sivamma & Murthy, Talasila. Gopalakrishna & Rani, Nur & Chari, Bramha & Bonam, Srinivasa Reddy. (2022). Role of Artificial Neural Networks in Pharmaceutical Sciences. Journal of Young Pharmacists. 14. 06—14. DOI:10.5530/jyp.2022.14.2.

41

.Nouman Ali, Nimra Hanif, Hassan Abbas Khan, Muhammad Abdullah Waseem, Afshan Saeed, Sadia Zakir, Abeeha Khan, Mejerrah Aamir, Adeeba Ali, Aamir Ali, Amna Saleem. Deep learning and artificial intelligence for drug discovery, application, challenge, and future perspectives. Discover Applied Sciences 7, 533 (2025) https://doi.org/10.1007/s42452-025-06991-6