Модели Amazon спроектировали антитела против мишени детской опухоли

Amazon спроектировала антитела¹ против мишени редкой детской опухоли и в лаборатории подтвердила 46 сильных связывающих кандидатов — при том что у этой мишени не было ни известной структуры, ни описанных антител.

Почему это важно: обычный путь от мишени до ведущего кандидата занимает шесть-двенадцать месяцев; Amazon показывает, что первый круг отбора можно перенести в расчёты, а в лаборатории проверять уже отфильтрованное.

Повод: три работы команды Amazon Bio Discovery — сервиса, который даёт учёным биологические модели вместе с лабораторными услугами, чтобы проектировать и тут же проверять кандидатов в лекарства.

Детали: мишень выбрали вместе с лабораторией Най-Конга Чуна в Memorial Sloan Kettering Cancer Center в Нью-Йорке. Её нашли, секвенируя опухоли пациентов: белок сидит на поверхности клетки, вызван конкретной генетической поломкой и почти не встречается в здоровых тканях.

Как шёл отбор:

• агент выбрал участки на поверхности мишени, сведя выводы семи биоинформатических программ, и предложил восемь таких участков;
• три генеративные модели — RFantibody, IgGM и mBER — сделали по 96 000 вариантов каждая;
• 100 000 кандидатов отправили на эксперимент: их выращивали на поверхности клеток дрожжей и смотрели, липнут ли они к мишени;
• после двух кругов отбора осталось 116 вариантов, ни один не прицепился к посторонней белковой мишени, а 46 оказались сильными.

Как это работает: кандидатов сортировала MochiBind — модель, которая по одной последовательности говорит, какое из двух антител держится за мишень крепче. Парные сравнения она сводит в общий рейтинг алгоритмом TrueSkill², придуманным для расстановки игроков в видеоиграх по результатам матчей.

В цифрах: по подсчётам Amazon, MochiBind точнее ближайшего конкурента, работающего со структурой белка, в среднем почти на 10%, а 200 000 пар антител оценивает примерно за 13 секунд на обычном процессоре — это более чем в 100 раз быстрее.

Интрига: вторая модель, CA-MAP, предсказывает, выживет ли антитело в производстве и в организме, и делает поправку на привычки конкретной лаборатории. Примеры с готовыми измерениями из той же лаборатории идут прямо в запрос, так что переучивать модель не нужно.

Чтобы модель не игнорировала эти примеры, при обучении к ним и к правильному ответу применяли скрытое случайное преобразование, каждый раз новое: разгадать его можно только по контексту. На искусственно добавленном сдвиге измерений обычное дообучение просело по корреляции с истиной с 0,99 до 0,58, а CA-MAP осталась на 0,99. При этом у неё около 182 тыс. обучаемых параметров против 40 млн у модели сравнения TxGemma³.

Но: сильные кандидаты — ещё не лекарство: до клиники им предстоит проверка на животных и людях. Сама CA-MAP обучалась на синтетическом наборе из 876 898 тяжёлых цепей антител, а не на лабораторных данных.

Что дальше: 46 сильных кандидатов и разметка «связывается — не связывается» со всего скрининга станут обучающими данными для следующего круга проектирования. MochiBind и CA-MAP пока клиентам недоступны — Amazon обещает довести их до Bio Discovery.

Работа про агента, подбирающего участки для атаки, получила Spotlight и второе место в номинации на лучшую статью на воркшопе ICML 2026⁴ по генеративному и агентному ИИ в биологии. Две другие — рецензируемые статьи в журналах iScience и Systems Biology and Applications.