Исследователи из Института науки Токио (Science Tokyo) и компании Alivexis, Inc. представили PairMap – новый вычислительный метод, значительно повышающий точность предсказания свободной энергии связывания лекарственных молекул. Этот прорыв, опубликованный в Journal of Chemical Information and Modeling, может снизить затраты и ускорить процесс разработки новых лекарств.
Свободная энергия связывания играет ключевую роль в создании новых препаратов, помогая предсказать, насколько эффективно молекула будет взаимодействовать с мишенью. Однако традиционные методы, такие как относительное связывание свободной энергии (RBFEP), сталкиваются с трудностями при моделировании значительных химических преобразований или сложных перестроек молекул.
PairMap решает эту проблему, вводя систему промежуточных соединений, которая создаёт пошаговый путь преобразования между исследуемыми молекулами. Этот подход сокращает ошибки расчётов, ускоряет сходимость и снижает вычислительные затраты.
В ходе испытаний на эталонных наборах данных PairMap показал значительное преимущество перед традиционными методами: средняя абсолютная ошибка предсказаний энергии связывания снизилась с 1,70 до 0,93 ккал/моль. Особенно высокая точность наблюдалась при сложных химических преобразованиях, где PairMap превзошёл существующие методы, включая абсолютное связывание свободной энергии и RBFEP.
“PairMap способен переосмыслить процесс разработки лекарств, – отмечает профессор Масахито Оуе, один из авторов исследования. – Используя тщательно подобранные промежуточные соединения и термодинамические циклы, мы достигли беспрецедентной точности предсказаний”.
Инновационный алгоритм PairMap позволяет более глубоко исследовать химическое пространство, открывая возможности для создания новых, более эффективных препаратов. В будущем исследователи планируют расширить его возможности, чтобы учитывать соединения с выраженными изменениями заряда, что сделает метод ещё более универсальным.