Представьте архитектора, который создаёт мост — точно под ваше место, нагрузку и бюджет — без строительства сотен прототипов. Новая AI-модель делает то же самое с антителами: генерирует готовые к испытаниям молекулы за один подход.

Саймон Коль, бывший участник команды DeepMind/AlphaFold, вышел из режима скрытой разработки (stealth mode) с моделью Latent-X2 и инвестицией в $50 миллионов. Модель создаёт антитела и пептиды для лечения рака и аутоиммунных болезней — без многомесячных итераций через лабораторный скрининг.

Разбираемся, как это работает, почему важно для российских биотехнологов и что скрывается за заявлениями стартапа.

Как модель Latent-X2 проектирует молекулы

Latent-X2 — генеративная модель для дизайна терапевтических молекул. Ключевое отличие от предсказательных систем типа AlphaFold: AlphaFold читает аминокислотную последовательность белка и показывает его трёхмерную структуру. Latent-X2 проектирует новые молекулы с заданными свойствами.

Аналогия: AlphaFold читает чертёж здания и показывает, как оно выглядит. Latent-X2 создаёт чертёж с нуля под задачу — «нужен мост, выдерживающий 500 тонн и устойчивый к коррозии».

Модель работает с двумя классами молекул:

• Антитела — крупные белки иммунной системы, основа современной иммунотерапии рака
• Макроциклические пептиды — короткие белковые цепочки, похожие на замкнутые кольца. Они атакуют мишени, недоступные для обычных лекарств (белки без активных центров связывания)

Что такое латентное пространство

Название Latent-X2 указывает на работу с латентным пространством — математическим представлением белковых структур в сжатом виде.

Аналогия: Представьте карту метро. Она не показывает реальные расстояния между станциями, но отражает связи между ними. Латентное пространство — это «карта» всех возможных белков, где близкие точки означают похожие структуры и функции.

Модель обучается на датасетах известных антител и пептидов. Она выявляет паттерны: какие фрагменты структуры отвечают за связывание с мишенью, какие — за стабильность в организме, какие — за низкую иммуногенность (риск нежелательного иммунного ответа).

Результат: модель «понимает», какая структура даст нужные свойства, и генерирует её напрямую.

Шаг за шагом: от мишени к молекуле

Вход: Вы задаёте белковую мишень — например, рецептор на поверхности раковой клетки.

Процесс: Модель анализирует форму мишени, её химические свойства, находит в латентном пространстве оптимальную структуру антитела.

Выход: Антитело с высокой аффинностью (силой связывания с мишенью), низкой иммуногенностью и стабильностью в организме.

Традиционный процесс: сгенерировать тысячи кандидатов → протестировать в лаборатории → отобрать лучшие → улучшить → снова протестировать. Цикл повторяется месяцами.

Zero-shot генерация: модель выдаёт готовую молекулу сразу. Без итераций.

Почему 90 % кандидатов проваливаются — и как AI меняет правила

В традиционной разработке лекарств более 90 % молекул-кандидатов не проходят стадию скрининга. Основные причины:

• Слабая аффинность к мишени (молекула плохо связывается с целевым белком)
• Высокая токсичность или быстрое разрушение в организме
• Иммуногенность (вызывает нежелательный иммунный ответ)
• Неспособность пройти физиологические барьеры (например, гематоэнцефалический барьер для препаратов мозга)

Каждый провал — это месяцы работы и миллионы долларов. Путь от идеи до клинических испытаний обычно занимает 3–5 лет.

Как zero-shot генерация сокращает путь от идеи до клиники

Latent-X2 атакует проблему в корне: генерирует молекулы, изначально оптимизированные по критическим параметрам.

Компания заявляет: технология сокращает время от концепции до начала клинических испытаний с 3–5 лет до 6–12 месяцев.

Для российских биотех-стартапов, которые работают с ограниченными R&D-бюджетами, такие инструменты могут стать катализатором. Вопрос в доступе: останется ли технология закрытой коммерческой платформой или появятся открытые аналоги.

Конкуренты на рынке:

• RFdiffusion (Baker Lab) — открытая модель для генерации белков de novo
• Absci — оптимизация антител через экспериментальную лабораторную валидацию и AI
• Profluent — дизайн генных редакторов
• Isomorphic Labs (DeepMind) — широкий подход к drug discovery

Ключевое различие: большинство конкурентов требуют итераций (generate-test-improve цикл) или специализируются на узких классах молекул. Компания заявляет, что Latent-X2 генерирует готовые терапевтические молекулы за один подход.

Три открытых вопроса для российских специалистов

1. Где данные о валидации?

Компания пока не опубликовала peer-reviewed статей или препринтов с метриками. Нет данных о:

• RMSD (root-mean-square deviation) для структурной точности генерируемых молекул
• Предсказаниях аффинности связывания в сравнении с экспериментальными данными
• Success rate в лабораторной валидации (какой процент сгенерированных молекул прошёл экспериментальные тесты)

Это типично для стартапов на ранней стадии (защита IP, коммерческая тайна). Но для российских data scientist'ов это сигнал осторожности: пока нет открытых данных, технология остаётся «чёрным ящиком».

2. Бизнес-модель и доступность

Это B2B SaaS-платформа для фармкомпаний? Лицензирование IP? Партнёрства с крупными игроками?

От модели монетизации зависит доступность технологии для локальных исследовательских групп.

Состав инвесторов — индикатор серьёзности валидации: Джефф Дин (Chief Scientist Google), Дарио Амодеи (основатель Anthropic), фонды Radical Ventures и Sofinnova Partners. Такие игроки инвестируют личные средства редко — только в проекты с убедительными техническими доказательствами.

3. Регуляторный путь

Как FDA и EMA относятся к AI-generated therapeutics? Есть ли прецеденты одобрения молекул, дизайн которых полностью автоматизирован?

Это новая территория для регуляторов.

Важное уточнение: AI ускоряет первую стадию разработки, но не отменяет биологию. Между генерацией молекулы in silico и одобрением регуляторов — годы клинических испытаний: доклинические исследования на животных, фазы I–III на тысячах пациентов.

Что дальше

У России есть конкурентные преимущества: сильные школы биоинформатики (Skoltech, МФТИ, СПбГУ), доступ к уникальным биобанкам, традиции в структурной биологии.

Но российские стартапы редко привлекают раунды в $50M — частично из-за геополитики, частично из-за фокуса на академической публикации вместо коммерциализации.

Практический вывод: Для российских биоинформатиков, data scientist'ов и стратегов в фармацевтике Latent Labs — кейс для отслеживания.

Если компания опубликует методологию или откроет API, это может стать инструментом для локальных групп. Если останется закрытой — останется примером того, куда движется индустрия.

Когда появятся первые результаты клинических испытаний AI-generated антител, мы узнаем, насколько точны предсказания модели. А пока вопрос остаётся: готовы ли российские исследовательские группы интегрировать подобные инструменты, или стоит развивать собственные аналоги?