Peptider har blivit ett av läkemedelsforskningens mest lovande områden. De korta kedjorna av aminosyror används redan i flera framgångsrika behandlingar, bland annat de populära GLP-1-läkemedlen mot typ 2-diabetes och fetma.
Men att utveckla nya peptidläkemedel är både dyrt och tidskrävande, eftersom tusentals kandidater ofta måste tillverkas och testas i laboratoriet innan forskarna hittar en molekyl med rätt egenskaper.
Nu har forskare utvecklat en ny öppen AI-plattform som kan förutsäga en peptids viktigaste kemiska och biologiska egenskaper redan innan den syntetiseras. Verktyget, som fått namnet PeptiVerse, kan hjälpa forskare att snabbt sålla bort olämpliga kandidater och fokusera på de molekyler som har störst chans att bli framtidens läkemedel.
AI bedömer mer än bara en egenskap
Att en peptid binder till rätt målprotein är bara en del av vad som krävs för att den ska fungera som läkemedel.
Den måste också kunna lösas upp i kroppen, ta sig in i celler, undvika att vara giftig och finnas kvar tillräckligt länge för att ge önskad effekt. Traditionellt har forskare behövt använda flera olika modeller eller genomföra omfattande laboratorietester för att utvärdera dessa egenskaper.
PeptiVerse samlar i stället många av dessa analyser i en enda AI-plattform. Systemet kan samtidigt uppskatta bland annat löslighet, cellpermeabilitet, toxicitet, stabilitet och risken för att peptider klumpar ihop sig – faktorer som är avgörande när nya läkemedel utvecklas.
Tränad på stora mängder biologiska data
Forskarna bakom PeptiVerse byggde modellen genom att kombinera ett stort antal olika databaser med experimentella resultat från tidigare forskning.
Det gör att AI kan analysera både naturligt förekommande peptider och kemiskt modifierade varianter, som ofta används för att förbättra läkemedels egenskaper. Genom att samla information från många olika källor har forskarna skapat ett system som fungerar betydligt bredare än tidigare AI-verktyg, som ofta varit specialiserade på en enskild egenskap eller en viss typ av peptid.
Kan spara både tid och pengar
Utvecklingen av ett nytt läkemedel kan ta mer än ett decennium och kosta miljardbelopp.
En stor del av kostnaden uppstår eftersom många lovande molekyler visar sig ha olämpliga egenskaper först efter att de tillverkats och testats. Om dessa kandidater kan sorteras bort redan på datorstadiet blir utvecklingsprocessen betydligt effektivare.
Forskarna hoppas därför att PeptiVerse ska minska antalet kostsamma laboratorieexperiment och hjälpa forskare att snabbare identifiera de mest lovande kandidaterna för vidare studier.
Öppen källkod ska påskynda forskningen
En viktig del av projektet är att plattformen görs tillgänglig som öppen källkod.
Det innebär att forskare världen över kan använda, granska och vidareutveckla verktyget utan licensavgifter. En öppen modell gör det också enklare att jämföra resultat mellan olika forskargrupper och att anpassa systemet för nya typer av peptider och medicinska tillämpningar.
Forskarna hoppas att detta ska bidra till snabbare innovation inom både akademisk forskning och läkemedelsindustrin.
AI blir en allt viktigare partner i läkemedelsutvecklingen
Under de senaste åren har artificiell intelligens fått en allt större roll inom biomedicinsk forskning. AI används redan för att analysera proteiner, identifiera nya läkemedelskandidater och förutsäga hur olika molekyler kommer att bete sig i kroppen.
PeptiVerse är ytterligare ett exempel på hur tekniken kan flytta en stor del av utvecklingsarbetet från laboratoriet till datorn. I stället för att tillverka och testa tusentals peptider kan forskare först låta AI analysera vilka som har störst sannolikhet att lyckas.
Även om laboratorieförsök fortfarande är nödvändiga visar den nya plattformen hur artificiell intelligens kan effektivisera ett av läkemedelsforskningens mest tidskrävande moment. Om verktyget lever upp till förväntningarna kan det bidra till att nya peptidbaserade behandlingar når patienter snabbare – och till en lägre utvecklingskostnad.
Publikationsuppgifter
Sylvia Zhang et al., PeptiVerse: An open-source AI platform for predicting peptide properties, Nature Communications (2026).
