Evogene i Google Cloud presenten un model bàsic per al disseny generatiu de molècules, pioner en una nova era en la IA de les ciències de la vida

Evogene Ltdha presentat un producte pioner de la seva classe model de fonamentació d'IA generativa per al disseny de molècules petites, marcant un gran avenç en la manera com es descobreixen nous compostos. anunciat El 10 de juny de 2025, en col·laboració amb Google Cloud, el model amplia la plataforma d'IA ChemPass d'Evogene i aborda un repte de llarga data tant en el sector farmacèutic com en l'agricultura: trobar noves molècules que compleixin múltiples criteris complexos simultàniament. Aquest desenvolupament està preparat per accelerar la R+D en el descobriment de fàrmacs i la protecció de cultius, permetent l'optimització simultània de propietats com l'eficàcia, la toxicitat i l'estabilitat en un únic cicle de disseny.

De la projecció seqüencial al disseny simultani

En la investigació tradicional de fàrmacs i química agrícola, els científics solen provar un factor a la vegada: primer comproven si un compost funciona i, més tard, proven la seguretat i l'estabilitat. Aquest mètode pas a pas és lent, car i sovint acaba en fracàs, amb molts compostos prometedors que queden curts en etapes posteriors. També manté els investigadors centrats en estructures químiques familiars, limitant la innovació i dificultant la creació de nous productes patentables. Aquest enfocament obsolet contribueix a costos elevats, terminis llargs i una baixa taxa d'èxit, al voltant de El 90% dels candidats a fàrmacs fracassen abans d'arribar al mercat.

La IA generativa canvia aquest paradigma. En lloc del filtratge un per un, els models d'IA poden gestionar múltiples requisits alhora, dissenyant molècules que siguin potents, segures i estables des del principi. El nou model fonamental d'Evogene es va crear explícitament per permetre aquest disseny multiparàmetre simultani. Aquest enfocament pretén reduir el risc de les fases posteriors del desenvolupament mitjançant la carregament anticipat de consideracions com l'ADME i la toxicitat en el disseny inicial.

A la pràctica, això podria significar menys fracassos en etapes avançades; per exemple, menys candidats a fàrmacs que mostren excel·lents resultats de laboratori només per fracassar en assajos clínics a causa d'efectes secundaris. En resum, la IA generativa permet als investigadors innovar més ràpidament i de manera més intel·ligent, optimitzant simultàniament les moltes facetes d'una molècula d'èxit en lloc d'abordar cadascuna de manera aïllada.

Dins de ChemPass AI: Com els models generatius dissenyen molècules

Al cor de la plataforma d'IA ChemPass d'Evogene hi ha un nou i potent model de base entrenat en un enorme conjunt de dades químiques. L'empresa va muntar un base de dades curada d'aproximadament 40 milions d'estructures moleculars– que abasta compostos coneguts semblants a fàrmacs i diverses estructures químiques – per ensenyar a la IA el "llenguatge" de les molècules. Utilitzant la infraestructura d'IA Vertex de Google Cloud amb supercomputació GPU, el model va aprendre patrons d'aquesta vasta biblioteca química, donant-li un coneixement sense precedents sobre l'aspecte de les molècules semblants a fàrmacs. Aquest règim d'entrenament massiu és similar a l'entrenament d'un model de llenguatge gran, però en lloc del llenguatge humà, la IA va aprendre representacions químiques.

El model generatiu d'Evogene es basa en una arquitectura de xarxa neuronal de transformador, similar als models GPT que van revolucionar el processament del llenguatge natural. De fet, el sistema es coneix com a ChemPass-GPT, un model d'IA propietari entrenat amb cadenes SMILES (una codificació de text d'estructures moleculars). En termes senzills, ChemPass-GPT tracta les molècules com a frases: la cadena SMILES de cada molècula és una seqüència de caràcters que descriuen els seus àtoms i enllaços. El model de transformador ha après la gramàtica d'aquest llenguatge químic, cosa que li permet "escriure" noves molècules predient un caràcter a la vegada, de la mateixa manera que GPT pot escriure frases lletra per lletra. Com que s'ha entrenat amb milers de milions d'exemples, el model pot generar nous SMILES que corresponen a estructures químicament vàlides, semblants a fàrmacs.

aquest enfocament generatiu basat en seqüències aprofita la força dels transformadors per capturar patrons complexos. En entrenar-se en un conjunt de dades tan gran i químicament divers, ChemPass AI supera els problemes que els models d'IA anteriors afrontaven, com el biaix de conjunts de dades petits o la generació de molècules redundants o no vàlides. El rendiment del model bàsic ja supera amb escreix un GPT genèric aplicat a la química: les proves internes van mostrar aproximadament 90% de precisió en la producció de noves molècules que compleixin tots els criteris de disseny, en comparació amb una precisió del ~29% per a un model tradicional basat en GPTevogene.comEn termes pràctics, això significa que gairebé totes les molècules que suggereix ChemPass AI no només són noves, sinó que també assoleixen el seu perfil objectiu, una millora sorprenent respecte a les tècniques generatives de referència.

Tot i que el motor generatiu principal d'Evogene utilitza un transformador en SMILES lineals, val la pena assenyalar que el conjunt d'eines d'IA més ampli inclou altres arquitectures com ara xarxes neuronals gràfics (GNN)Les molècules són naturalment grafs, amb àtoms com a nodes i enllaços com a arestes, i les GNN poden raonar directament sobre aquestes estructures. En el disseny modern de fàrmacs, les GNN s'utilitzen sovint per predir propietats o fins i tot generar molècules construint-les àtom per àtom. Aquest enfocament basat en grafs complementa els models de seqüència; per exemple, la plataforma d'Evogene també incorpora eines com DeepDock per al cribratge virtual en 3D, que probablement utilitza l'aprenentatge profund per avaluar la unió de molècules en un context basat en estructures. En combinar models de seqüència (excel·lents per a la creativitat i la novetat) amb models basats en grafs (excel·lents per a la precisió estructural i la predicció de propietats), ChemPass AI garanteix que els seus compostos generats no només siguin nous sobre el paper, sinó també químicament sòlids i eficaços a la pràctica. El bucle de disseny de la IA podria generar estructures candidates i després avaluar-les mitjançant models predictius, alguns possiblement basats en GNN, per a criteris com la toxicitat o la viabilitat sintètica, creant un cicle de retroalimentació que refina cada suggeriment.

Optimització multiobjectiu: potència, toxicitat, estabilitat Tot d'una vegada

Una característica destacada de ChemPass AI és la seva capacitat integrada per a l'optimització multiobjectiu. El descobriment de fàrmacs clàssic sovint optimitza una propietat alhora, però ChemPass va ser dissenyat per gestionar molts objectius simultàniament. Això s'aconsegueix mitjançant tècniques avançades d'aprenentatge automàtic que guien el model generatiu cap a la satisfacció de múltiples restriccions. En l'entrenament, Evogene pot imposar requisits de propietat, com ara que una molècula ha d'activar fortament un determinat objectiu, evitar certs motius tòxics i tenir una bona biodisponibilitat, i el model aprèn a navegar per l'espai químic sota aquestes regles. El sistema ChemPass-GPT fins i tot permet la "generació basada en restriccions", és a dir, se li pot instruir que només proposi molècules que compleixin propietats desitjades específiques des del principi.

Com aconsegueix la IA aquest equilibri multiparàmetre? Un enfocament és l'aprenentatge multitasca, on el model no només genera molècules, sinó que també prediu les seves propietats mitjançant predictors apresos, ajustant la generació en conseqüència. Un altre enfocament potent és Aprenentatge de reforç (RL)En un flux de treball millorat per RL, el model generatiu actua com un agent que "juga a un joc" de disseny de molècules: proposa una molècula i després obté una puntuació de recompensa basada en com de bé aquesta molècula compleix els objectius (potència, manca de toxicitat, etc.). Durant moltes iteracions, el model ajusta la seva estratègia de generació per maximitzar aquesta recompensa. Aquest mètode s'ha utilitzat amb èxit en altres sistemes de disseny de fàrmacs basats en IA; els investigadors han demostrat que Els algoritmes d'aprenentatge per reforç poden guiar els models generatius per produir molècules amb propietats desitjablesEn essència, la IA es pot entrenar amb una funció de recompensa que encapsula múltiples objectius, per exemple, donar punts per l'eficàcia prevista i restar punts per la toxicitat prevista. El model optimitza els seus "moviments" (afegir o eliminar àtoms, alterar grups funcionals) per obtenir la puntuació més alta, aprenent efectivament els compromisos necessaris per satisfer tots els criteris.

Evogene no ha revelat la fórmula patentada exacta que hi ha darrere del motor multiobjectiu de ChemPass AI, però a partir dels seus resultats queda clar que aquestes estratègies estan en funcionament. El fet que cada compost generat "compleixi simultàniament paràmetres essencials" com l'eficàcia, la sintetitzabilitat i la seguretat. La propera versió 2.0 de ChemPass AI impulsarà això encara més: s'està desenvolupant per permetre un ajust multiparàmetre encara més flexible, incloent criteris definits per l'usuari adaptats a àrees terapèutiques o requisits de cultius específics. Això suggereix que el model de nova generació podria permetre als investigadors augmentar o disminuir la importància de certs factors (per exemple, prioritzar la penetració cerebral per a un fàrmac neurològic o la biodegradabilitat ambiental per a un pesticida) i la IA ajustarà la seva estratègia de disseny en conseqüència. En integrar aquestes capacitats multiobjectiu, ChemPass AI pot dissenyar molècules que assoleixin el punt òptim en nombroses mètriques de rendiment alhora, una gesta pràcticament impossible amb els mètodes tradicionals.

Un salt més enllà dels mètodes tradicionals d'R+D

L'arribada del model generatiu de ChemPass AI destaca un canvi més ampli en la R+D de les ciències de la vida: el pas de laboriosos fluxos de treball d'assaig i error a Creativitat i precisió augmentades per IAA diferència dels químics humans, que tendeixen a cenyir-se a sèries químiques conegudes i iterar lentament, una IA pot comprendre milers de milions de possibilitats i aventurar-se en el 99.9% inexplorat de l'espai químic. Això obre la porta a trobar compostos eficaços que no s'assemblen a res del que hem vist abans, crucials per tractar malalties amb una química innovadora o per combatre plagues i patògens que han desenvolupat resistència a les molècules existents. A més, considerant patentabilitat Des del principi, la IA generativa ajuda a evitar àrees de propietat intel·lectual saturades. Evogene té com a objectiu explícit produir molècules que generin nova propietat intel·lectual, un avantatge competitiu important.

Els avantatges respecte als mètodes tradicionals es poden resumir de la manera següent:

• Optimització multitret paral·lela: La IA avalua molts paràmetres en paral·lel, dissenyant molècules que satisfan criteris de potència, seguretat i altres. En canvi, les pipelines tradicionals sovint només descobreixen un problema de toxicitat després d'anys de treball en un fàrmac que d'altra banda seria prometedor. En filtrar preventivament aquests problemes, els candidats dissenyats per IA tenen més possibilitats d'èxit en assajos posteriors costosos.

• Diversitat química en expansió: Els models generatius no es limiten a les biblioteques de compostos existents. La IA de ChemPass pot evocar estructures que no s'han creat mai abans, però que es preveu que siguin efectives. Això generació impulsada per la novetat evita reinventar la roda (o la molècula) i ajuda a crear productes diferenciats amb nous modes d'acció. Els mètodes tradicionals sovint donen lloc a compostos "jo també" que ofereixen poca novetat.

• Velocitat i escala: El que un equip de químics podria aconseguir mitjançant la síntesi i les proves en un any, una IA ho pot simular en dies. La plataforma d'aprenentatge profund de ChemPass AI pot virtualment examinar desenes de milers de milions de compostos ràpidament i generar centenars d'idees noves en una sola execució. Això comprimeix dràsticament el calendari de descobriment, centrant els experiments de laboratori només en els candidats més prometedors identificats in silico.

• Coneixement integrat: Els models d'IA com ChemPass incorporen grans quantitats de coneixement químic i biològic (per exemple, relacions estructura-activitat conegudes, alertes de toxicitat, regles de propietat similars a les dels fàrmacs) en el seu entrenament. Això significa que cada disseny de molècules es beneficia d'una àmplia gamma de dades prèvies que cap expert humà podria tenir al cap. El disseny tradicional es basa en l'experiència dels químics medicinals (valuosa però limitada a la memòria i els biaixos humans), mentre que la IA pot capturar patrons en milions d'experiments i diverses famílies químiques.

En termes pràctics, per a la indústria farmacèutica això podria conduir a taxes d'èxit més altes en assajos clínics i a una reducció dels costos de desenvolupament, ja que es malgasten menys recursos en compostos condemnats al fracàs. En l'agricultura, això significa una creació més ràpida de solucions de protecció de cultius més segures i sostenibles, per exemple, un herbicida que sigui letal per a les males herbes però benigne per als organismes no objectiu i que es descompongui de manera inofensiva en el medi ambient. En optimitzar conjuntament l'eficàcia i la seguretat ambiental, la IA pot ajudar a oferir productes químics agrícoles "eficaços, sostenibles i patentats", abordant els reptes normatius i de resistència d'una sola vegada.

Part d'una caixa d'eines d'IA més àmplia a Evogene

Tot i que ChemPass AI roba el protagonisme en el disseny de petites molècules, forma part del trio de "motors tecnològics" d'Evogene basats en IA i adaptats a diferents dominis. L'empresa ha MicroBoost IA centrant-se en els microbis, ChemPass IA sobre química, i Generator IA sobre elements genètics. Cada motor aplica anàlisi de big data i aprenentatge automàtic al seu camp respectiu.

Aquest ecosistema integrat de motors d'IA subratlla l'estratègia d'Evogene com a empresa de ciències de la vida "primera en la IA". El seu objectiu és revolucionar el descobriment de productes en tots els àmbits, ja sigui formulant un fàrmac, un bioestimulant o un cultiu tolerant a la sequera, mitjançant aprofitant la computació per navegar per la complexitat biològicaEls motors comparteixen una filosofia comuna: utilitzar l'aprenentatge automàtic d'avantguarda per augmentar la probabilitat d'èxit de l'R+D i reduir el temps i el cost.

Perspectiva: el descobriment basat en la IA arriba a la majoria d'edat

La IA generativa està transformant el descobriment de molècules, canviant el paper de la IA d'assistent a col·laboradora creativa. En lloc de provar una idea a la vegada, els científics ara poden utilitzar la IA per dissenyar compostos completament nous que compleixin múltiples objectius (potència, seguretat, estabilitat i més) en un sol pas.

Aquest futur ja s'està desenvolupant. Un equip farmacèutic podria sol·licitar una molècula que es dirigeixi a una proteïna específica, eviti el cervell i estigui disponible oralment: la IA pot oferir candidats a demanda. En l'agricultura, els investigadors podrien generar controls de plagues respectuosos amb el medi ambient adaptats a les restriccions reguladores i ambientals.

El recent model de fonamentació d'Evogene, desenvolupat amb Google Cloud, és un exemple d'aquest canvi. Permet el disseny multiparàmetre i obre noves àrees de l'espai químic. A mesura que les versions futures permetin encara més personalització, aquests models es convertiran en eines essencials en les ciències de la vida.

Crucialment, l'impacte depèn de la validació en el món real. A mesura que les molècules generades per IA es proven i es refinen, els models milloren, creant un potent bucle de retroalimentació entre la computació i l'experimentació.

Aquest enfocament generatiu no es limita als fàrmacs o pesticides. Aviat podria impulsar avenços en materials, aliments i sostenibilitat, oferint un descobriment més ràpid i intel·ligent en indústries que abans estaven limitades per la prova i l'error.