Стратегические цели
Медико-биологический
технопарк
технопарк
Ускорение R&D
Сокращение сроков и стоимости доклинической разработки благодаря внедрению гибридных моделей (Physics-Informed Machine Learning)
Международная кооперация
Создание единого цифрового пространства для обмена данными и совместной работы научных групп стран-партнёров
Внедрение инноваций
Трансфер передовых архитектур (например, Graph Neural Networks) из науки в реальное производство лекарств
Наша команда специализируется в области компьютерного дизайна лекарств (CADD), делая стратегический фокус на разработке гибридных моделей Physics-Informed Graph Neural Networks
(PI-GNN)
(PI-GNN)
Эти архитектуры органично интегрируют фундаментальные физико-химические законы с обучаемой мощью графовых нейронных сетей, что позволяет не только предсказывать, но и физически обосновывать взаимодействия в системе «белок-лиганд»
Текущая цель
В среднесрочной перспективе мы нацелены на оптимизацию полного цикла доклинической разработки препаратов, включая целенаправленное повышение аффинности и селективности лекарственных кандидатов на этапе hit-to-lead оптимизации
Cоздание сверхбыстрых систем виртуального скрининга нового поколения, способных за часы обрабатывать миллиарды конформаций с точностью, приближённой к методам молекулярной динамики
Проекты
Это критически важно для укрепления технологического суверенитета конкурентоспособности фармацевтической отрасли России
Наши решения позволяют итеративно улучшать структуры лигандов in silico для максимального соответствия мишеням, что напрямую сокращает время, затраты и риски при выводе новых терапевтических молекул
Это в 1000 раз быстрее и позволяет за день просеять миллионы соединений с высокой точностью
Мы открыты к совместной разработке и интеграции нашего решения с партнёрами
Приветствуем участие в апробации технологии на новых классах мишеней
Партнёры, заинтересованные в создании специализированных вычислительных мощностей для скрининга
Партнёры, располагающие крупными химическими библиотеками
Интегрированный в гибридную вычислительную архитектуру, он обеспечивает высокую точность и надёжность предсказаний, минимизируя ложноположительные результаты, и подходит для обработки больших библиотек соединений
Метод использует предварительно рассчитанные 3D-карты для быстрого определения потенциальных сайтов связывания, что позволяет значительно сократить время вычислений (в ~1000 раз) по сравнению с традиционными подходами
Наша технология не вычисляет взаимодействия с нуля для каждой молекулы, а использует предрассчитанные 3D-карты целевого белка
Традиционный виртуальный скрининг — это дорогой и медленный ограничивающий фактор в разработке лекарств
на основе предвычисленных пространственных карт взаимодействий
Ускоренный метод молекулярного скрининга
03
02
01
Автоматизированный модуль для дизайна целевых лигандов
Готовы к сотрудничеству
На основе физико-химических расчётов оценивается аффинность предлагаемых соединений. В тестовых запусках модуль успешно создал перспективные классы лигандов с высокой прогнозируемой активностью
Инструмент генерирует новые молекулярные структуры, оптимизированные под заданный активный центр белка, используя стратегию, адаптированную под геометрию сайта связывания
Скрининг библиотек часто упирается в тупик: подходящего соединения просто нет. LigandTuner решает эту проблему, автоматически генерируя «с нуля» молекулы, идеально подогнанные под уникальную геометрию вашей мишени. Это не случайный перебор, а целевой дизайн, основанный на физико-химии
LigandTuner
Сотрудничество для совместной работы над расширением химического пространства, учитывающего специфику российских фармакопейных требований и доступных субстанций
Сотрудничество для валидации и синтеза предложенных лигандов
02
01
для анализа белково‑лигандных взаимодействий
Близость векторов в этом пространстве позволяет находить аналогичные взаимодействия, переносить знания между мишенями и предсказывать свойства новых соединений, ускоряя ранние этапы исследований
Платформа создаёт унифицированные векторные описания комплексов «белок-лиганд», комбинируя информацию о мишени, лиганде и способе связывания
Готовы к сотрудничеству
Главная проблема в разработке лекарств — нехватка данных по новой мишени
Анализируя сходство этих отпечатков, система переносит знания с изученных мишеней на новые, предсказывая активность и механизмы
Наша платформа кодирует любое известное взаимодействие «белок-лиганд» в единый цифровой «отпечаток пальца»
Единое векторное представление
Заинтересованы в совместной разработке API для интеграции платформы в существующие исследовательские рабочие процессы
Партнёрство с научными группами и компаниями, обладающими эксклюзивными наборами данных по взаимодействиям, для обучения и валидации моделей
02
01
для выявления потенциальных сайтов
N-гликозилирования в гемагглютинине вируса гриппа
N-гликозилирования в гемагглютинине вируса гриппа
Готовы обсуждать совместные проекты
Наш конвейер автоматизирует весь цикл: от последовательности до 3D-модели и готового отчёта, сокращая время анализа в десятки раз
Метод объединяет предсказание по последовательности, структурное моделирование, расчёт доступности сайтов и визуализацию, сокращая время анализа в десятки раз и позволяя масштабировать исследование на сотни штаммов
Проект представляет собой автоматизированный вычислительный конвейер для быстрого скрининга и сравнительного анализа потенциальных сайтов
N-гликозилирования в гемагглютинине вируса гриппа
N-гликозилирования в гемагглютинине вируса гриппа
Это позволяет быстро выявлять новые паттерны гликозилирования, связанные с вирулентностью и уходом от иммунного ответа, что критически важно для разработки вакцин и терапевтических стратегий
Мониторинг эволюции вируса гриппа требует анализа сотен штаммов, но ручной поиск и валидация сайтов гликозилирования — медленный, трудоёмкий и плохо масштабируемый процесс
Ускоренный конвейер структурного скрининга
Сотрудничество с фармацевтическими компаниями, заинтересованными в ускоренной характеристике штаммов для целей разработки вакцин и противовирусных препаратов
Рассматриваем сотрудничество с научными коллективами, работающими с эволюцией и патогенностью вируса гриппа
02
01
2026
197341, РФ, Санкт-Петербург,
ул. Афонская, д.2, литер А, пом. 2-Н
ул. Афонская, д.2, литер А, пом. 2-Н
КПП 781401001
ИНН 7814861065
ОГРН 1267800015317
ООО «Центр искусственного интеллекта для стран ШОС+»
info@centeraisco.com
почтовый адрес
