Штучний інтелект дедалі частіше з’являється у повідомленнях про розробку ліків. У противірусних дослідженнях він справді може скоротити обсяг ручної роботи: швидко зіставити великі масиви сполук, вірусних послідовностей і результатів біологічних тестів. Але алгоритм не перетворює прогноз на готовий препарат. Найточніше визначення його ролі — інструмент для формування та пріоритизації гіпотез, які ще мають пройти лабораторну, доклінічну й клінічну перевірку.
На ранній стадії дослідницька команда може мати сотні тисяч або мільйони доступних молекул. Експериментально перевірити всі дорого й повільно. Моделі машинного навчання ранжують бібліотеку за ймовірною активністю, токсичністю або схожістю з відомими активними сполуками. Завдяки цьому до первинного тесту переходить менша, але змістовніша вибірка.
Добре документований приклад — робота дослідників NCATS. Модель, навчена на профілях біологічної активності, запропонувала 311 кандидатів проти SARS-CoV-2; у тесті з живим вірусом активність підтвердили приблизно для 32% відібраних сполук. Це сильний результат для етапу пріоритизації, але автори називають їх саме потенційними лідами, а не ліками: більшість потребувала з’ясування механізму, селективності та подальшої розробки. Деталі й обмеження наведені у первинній публікації NCATS.
Інший напрям — поєднання хімічних ознак із даними про вірусні геноми. У дослідженні 2025 року моделі передбачали селективну активність сполук, після чого 346 прогнозів перевірили експериментально. Для тесту проникнення активними виявилися 24 з 256 сполук, а для тесту РНК-залежної РНК-полімерази — 47 зі 128. Різниця між 9,4% і 37% показує важливу річ: результат залежить не лише від алгоритму, а й від задачі, якості навчальних даних і конкретного біологічного тесту. Повний дизайн описаний у відкритій первинній статті Communications Chemistry.
Структурні моделі також допомагають шукати кишені у вірусних білках, прогнозувати посадку молекули й порівнювати консервативні ділянки у споріднених вірусів. Проте розрахункова «гарна посадка» не гарантує, що молекула проникне в клітину, залишиться стабільною, досягне потрібної концентрації та не зашкодить організму.
У ще одному обчислювально-експериментальному проєкті модель просіяла близько 700 тисяч сполук і передала до лабораторії 100 найрейтинговіших. У клітинах Caco-2 активність показали 19, а дозозалежну активність у клітинах Vero — вісім. Дослідники підкреслили, що це результати in vitro; вони не доводять ефективності або безпеки у людей. Саме такий перехід від великої бібліотеки до десятків перевірених сигналів і є реальною, вимірюваною користю алгоритму. Джерело: первинне дослідження про deep-learning профілювання.
| Етап | Корисна роль алгоритму | Що потрібно підтвердити |
|---|---|---|
| Вибір мішені | Пошук закономірностей у геномних, структурних і CRISPR-даних | Чи є мішень необхідною для реплікації та доступною для впливу |
| Віртуальний скринінг | Ранжування великих бібліотек | Активність, селективність і відтворюваність у біологічному тесті |
| Оптимізація ліда | Прогноз властивостей і пропозиція структурних змін | Фармакокінетика, метаболізм, токсикологія й синтезованість |
| Прогноз резистентності | Оцінка наслідків можливих мутацій | Фітнес вірусу, клінічні послідовності та фенотипічні тести |
Огляд 2026 року групує застосування ШІ у чотири напрями: вибір мішеней, репозиціонування, дизайн нових молекул і прогноз резистентності. Водночас автори наголошують, що для багатьох робіт доказовість закінчується на in silico або in vitro рівні, а даних in vivo небагато. Це важливе застереження для будь-яких гучних заяв про «відкритий ШІ препарат». Див. огляд у Drug Discovery Today.
Модель успадковує обмеження даних. Результати різних лабораторій можуть бути несумісними; «неактивні» сполуки часто тестували в іншій клітинній лінії або за іншого протоколу. Якщо у вибірці переважають близькі хімічні структури, прогноз гірше працюватиме за межами знайомого простору. Додаткові ризики створюють витік даних між навчальною й тестовою вибірками, непрозоре ранжування та оптимізація лише одного показника.
Навіть коректний прогноз зв’язування не охоплює весь шлях препарату. Потрібно окремо перевірити розчинність, стабільність, проникнення в тканини, взаємодії з іншими молекулами, генотоксичність, вплив на органи та ризик швидкої появи резистентності. У звіті NIH Antiviral Summit ШІ розглядають як інструмент ранніх етапів, але поряд із синтезом, тестами цитотоксичності та підтвердженням пригнічення вірусу.
Корисні запитання прості: чи була незалежна тестова вибірка; скільки прогнозів реально синтезували або придбали; яка частка підтвердилася; чи є дозозалежність; чи вимірювали токсичність; чи повторили результат в іншій клітинній моделі; чи доступні код, дані та негативні результати. Для зрілого проєкту важливий не розмір віртуальної бібліотеки, а кількість відтворюваних експериментальних лідів і якість переходу між етапами.
NIH створив дев’ять центрів AViDD як мультидисциплінарну систему, де обчислювальні підходи працюють разом зі структурною біологією, медичною хімією та вірусологією. Мета програми — сформувати серії лідів і кандидатів проти вірусних родин із пандемічним потенціалом, а не замінити експеримент прогнозом. Офіційний опис доступний у повідомленні NIH про AViDD.
ШІ прискорює пошук там, де потрібно впорядкувати величезний простір гіпотез і обрати найкращі експерименти. Він ще не скасовує жодного критичного бар’єра між прогнозом і безпечним лікарським засобом. Найпереконливіший результат — не картинка молекули на екрані, а прозорий ланцюг від даних до незалежного лабораторного підтвердження, доклінічної оцінки та належно спланованих клінічних досліджень.
Ні. Він може запропонувати або ранжувати молекули, але активність, механізм, безпеку й клінічну користь визначають лише послідовні експерименти.
Прогноз існує в обчислювальній моделі. Лід має підтверджену біологічну активність і достатні властивості, щоб розпочати оптимізацію, але ще не є готовим препаратом.
Немає одного універсального показника. Важливі незалежна перевірка, частка експериментально підтверджених прогнозів, різноманітність знайдених структур і відтворюваність у кількох релевантних тестах.
Він може допомогти з аналізом і плануванням, але не замінює доклінічні дослідження та фази клінічної оцінки безпеки й ефективності.
Натуропатія не є одним методом, а природне походження не доводить користі чи безпеки. Пояснюємо, як оцінювати докази, якість продукту, ризик взаємодій і межу між відповідальним доповненням та небезпечною заміною лікування.
Вірусна РНК стає окремою мішенню для антисенсових олігонуклеотидів, малих молекул і систем Cas13. Розбираємо клінічні приклади, доклінічні кейси та ключові обмеження — доставку, специфічність, мутації й безпеку.
Відновлення земель як інвестиційний проєкт: як визначити базову лінію, оцінити екологічний і фінансовий ефект, врахувати ризики та побудувати перевірювану систему показників без завищених обіцянок.
