Исследовательское подразделение Microsoft представило BioEmu 1 — революционную ИИ-систему, которая меняет подход к геномным исследованиям благодаря кардинальному ускорению анализа свёртывания белков.
Глубокая нейросетевая модель способна генерировать тысячи статистически независимых белковых структур в час на одном GPU, работая в десять раз быстрее, чем AlphaFold 2, ранее считавшийся золотым стандартом в этой области. В то время как AlphaFold произвёл революцию в предсказании статических структур белков, BioEmu 1 идёт дальше, моделируя динамическое поведение белков — охватывая весь спектр конформаций, которые белки естественно принимают.
BioEmu 1 достигает столь впечатляющей производительности за счёт интеграции трёх ключевых источников данных: структур из базы AlphaFold, обширного набора данных молекулярно-динамического моделирования и экспериментальных данных по стабильности свёртывания белков. Эффективность системы настолько высока, что университетские лаборатории теперь могут запускать сложные виртуальные мутагенезные скрининги во время коротких перерывов — задачи, которые ранее требовали дней или даже недель вычислений.
«Динамика белков становится следующим этапом открытий после точного предсказания структуры», — отмечает профессор Сеульского национального университета Мартин Штайнеггер. — «С помощью BioEmu учёные теперь могут быстро проводить операции по выборке энергетических ландшафтов белков благодаря технологиям глубокого обучения».
Влияние технологии выходит за рамки академических исследований. В разработке лекарств BioEmu 1 способен выявлять скрытые связывающие карманы, которые часто трудно обнаружить традиционными методами, открывая новые мишени для терапевтических вмешательств. Система также точно предсказывает стабильность белков с помощью расчётов свободной энергии свёртывания, результаты которых совпадают с экспериментальными оценками.
Microsoft выпустила BioEmu 1 как программное обеспечение с открытым исходным кодом, в отличие от более ограничительных подходов некоторых конкурентов. Это решение позволяет исследователям по всему миру продвигать изучение динамики белков, потенциально ускоряя биомедицинские открытия, включая прогресс в разработке лекарств. По состоянию на июль 2025 года, по оценкам отраслевых аналитиков, раннее внедрение технологии может снизить затраты на разработку лекарств до 30%.