Evogene a Google Cloud představují základový model pro generativní návrh molekul, zahajují novou éru v oblasti Life-Science AI

Evogene Ltd. představila první model generativní AI pro návrh malých molekul, což představuje průlom v objevování nových sloučenin. Oznámeno 10. června 2025 ve spolupráci s Google Cloud, model rozšiřuje platformu ChemPass AI a řeší dlouholetou výzvu v oblasti farmaceutik a zemědělství: nalezení nových molekul, které splňují několik složitých kritérií současně. Tento vývoj má potenciál urychlit výzkum a vývoj v oblasti objevování léků a ochrany plodin tím, že umožní současnou optimalizaci vlastností, jako je účinnost, toxicita a stabilita, v jednom návrhu.

Od sekvenčního screeningu k simultánnímu návrhu

V tradičním výzkumu léků a chemikálií pro zemědělství vědci obvykle testují jeden faktor najednou – nejprve kontrolují, zda sloučenina funguje, a později testují její bezpečnost a stabilitu. Tento postupní přístup je pomalý, drahý a často končí neúspěchem, protože mnoho slibných sloučenin nevyhoví v pozdějších fázích. Také udržuje výzkumníky u známých chemických struktur, což omezuje inovace a činí obtížným vytvářet nové, patentovatelné produkty. Tento zastaralý přístup přispívá k vysokým nákladům, dlouhým časovým horizontům a nízké úspěšnosti – kolem 90% kandidátů na léky selhává před dosažením trhu.

Generativní AI mění tento paradigma. Místo postupného filtrování mohou modely AI zpracovávat několik požadavků najednou, navrhovat molekuly, které jsou účinné, bezpečné a stabilní od začátku. Nový základový model Evogene byl explicitně navržen pro umožnění tohoto simultánního multi-parametrického návrhu. Tento přístup má za cíl snížit rizika v pozdějších fázích vývoje tím, že zahrne úvahy, jako je ADME a toxicita, do počátečního návrhu.

V praxi to může znamenat méně selhání v pozdějších fázích – například méně kandidátů na léky, které ukazují skvělé výsledky v laboratoři, ale selhávají v klinických testech kvůli vedlejším účinkům. Stručně řečeno, generativní AI umožňuje výzkumníkům inovovat rychleji a chytřeji, současně optimalizovat mnoho aspektů úspěšné molekuly, místo aby se zabývali každým zvlášť.

Uvnitř ChemPass AI: Jak generativní modely navrhují molekuly

V srdci platformy ChemPass AI je výkonný nový základový model, který byl vyškoleno na enormním chemickém datasetu. Společnost sestavila kurátorskou databázi zhruba 40 miliard molekulárních struktur – zahrnující známé sloučeniny podobné lékům a rozmanité chemické skelety – aby naučila AI “jazyk” molekul. Používaje infrastrukturu Vertex AI od Google Cloud s GPU superpočítači, model se naučil vzorce z této obrovské chemické knihovny, což mu poskytlo bezprecedentní šíři znalostí o tom, jak vypadají sloučeniny podobné lékům. Tento masivní tréninkový režim je podobný tréninku velkého jazykového modelu, ale místo lidského jazyka se AI naučila chemické reprezentace.

Generativní model Evogene je postaven na architektuře transformátorového neuronového sítě, podobné modelům GPT, které revolucionalizovaly zpracování přirozeného jazyka. Ve skutečnosti je systém označován jako ChemPass-GPT, proprietární AI model, který byl vyškoleno na SMILES řetězcích (textové kódování molekulárních struktur). V jednoduchých termínech ChemPass-GPT zachází s molekulami jako se větami – každá molekula SMILES řetězec je sekvence znaků, která popisuje její atomy a vazby. Transformátorový model se naučil gramatiku tohoto chemického jazyka, což mu umožňuje “psát” nové molekuly tím, že předpovídá jeden znak najednou, stejně jako GPT může psát věty písmeno po písmenu. Protože byl vyškoleno na miliardách příkladů, model může generovat nové SMILES, které odpovídají chemicky platným, sloučeninám podobným lékům.

Tento sekvence-založený generativní přístup využívá sílu transformátorů při zachycení složitých vzorců. Tréninkem na tak obrovském a chemicky rozmanitém datasetu ChemPass AI překonává problémy, se kterými se potýkaly předchozí modely AI, jako je zkreslení z malých datasetů nebo generování redundantních nebo neplatných molekul. Výkon základového modelu již daleko překonává obecný GPT aplikovaný na chemii: interní testy ukázaly asi 90% přesnost při produkci nových molekul, které splňují všechna návrhová kritéria, oproti ~29% přesnosti pro tradiční GPT-založený modelevogene.com. V praktických termínech to znamená, že téměř všechny molekuly, které navrhuje ChemPass AI, nejsou pouze nové, ale také splňují svůj cíl, což je úžasná zlepšení oproti základním generativním technikám.

Zatímco primární generativní motor Evogene používá transformátor na lineární SMILES, je třeba poznamenat, že širší AI nástroj obsahuje další architektury, jako jsou grafické neuronové sítě (GNNs). Molekuly jsou přirozeně grafy – s atomy jako uzly a vazbami jako hranami – a GNNs mohou přímo uvažovat o těchto strukturách. V moderním navrhování léků se GNNs často používají k předpovídání vlastností nebo dokonce generování molekul tím, že je budují atom po atomu. Tento graf-založený přístup doplňuje sekvence modely; například platforma Evogene také zahrnuje nástroje, jako je DeepDock pro 3D virtuální screenování, které pravděpodobně používají hluboké učení k hodnocení vazby molekul v kontextu založeném na struktuře. Kombinací sekvence modelů (velmi dobrých pro kreativitu a novost) s graf-založenými modely (velmi dobrými pro strukturní přesnost a předpovídání vlastností) ChemPass AI zajišťuje, že jeho navrhované sloučeniny nejsou pouze nové na papíru, ale také chemicky správné a účinné v praxi. Návrhový cyklus AI může generovat kandidátní struktury a poté je vyhodnotit pomocí prediktivních modelů – některé možná založené na GNN – pro kritéria, jako je toxicita nebo syntetická proveditelnost, vytvářející zpětnou smyčku, která rafinuje každou sugesci.

Multi-objektová optimalizace: Účinnost, toxicita, stabilita všechny najednou

Jedním z hlavních rysů ChemPass AI je jeho vestavěná schopnost multi-objektové optimalizace. Klasické objevování léků často optimalizuje jeden parametr najednou, ale ChemPass byl navržen pro zpracování mnoha objektů současně. To je dosaženo pomocí pokročilých technik strojového učení, které směrují generativní model k uspokojování několika omezení. Během tréninku může Evogene uplatnit požadavky na vlastnosti – jako je například požadavek, aby molekula aktivovala určitý cíl silně, vyhnula se bestimmým toxickým motivům a měla dobrou biologickou dostupnost – a model se naučí navigovat chemickým prostorem podle těchto pravidel. Systém ChemPass-GPT dokonce umožňuje “generování založené na omezeních”, což znamená, že může být instruován k navržení pouze molekul, které splňují určitá požadovaná vlastnost od začátku.

Jak AI dosahuje této multi-parametrické rovnováhy? Jedním z přístupů je multi-úkolové učení, kde model nejen generuje molekuly, ale také předpovídá jejich vlastnosti pomocí naučených prediktorů, upravuje generování podle toho. Další silný přístup je učení s posilováním (RL). V RL-založeném pracovním postupu generativní model funguje jako “agent” “hrající hru” navrhování molekul: navrhuje molekulu a poté obdrží skóre odměny na základě toho, jak dobře molekula splňuje objekty (účinnost, absence toxicity atd.). Během mnoha iterací model upravuje svou strategii generování, aby maximalizoval tuto odměnu. Tento přístup byl úspěšně použit v jiných systémech navrhování léků poháněných AI – výzkumníci ukázali, že algoritmy učení s posilováním mohou směrovat generativní modely k produkci molekul s požadovanými vlastnostmi. V podstatě AI může být vyškoleno s funkcí odměny, která zahrnuje několik cílů, například udělování bodů za předpovězenou účinnost a odečítání bodů za předpovězenou toxicitu. Model poté optimalizuje své “tahy” (přidávání nebo odebírání atomů, úpravu funkčních skupin), aby dosáhl nejvyššího skóre, efektivnímu se učení kompromisů potřebných k uspokojení všech kritérií.

Evogene尚未 zveřejnilo přesné vlastnosti svého multi-objektového motoru, ale je zřejmé z jejich výsledků, že takové strategie jsou uplatňovány. Skutečnost, že každá generovaná sloučenina “současně splňuje základní parametry” jako účinnost, syntetizovatelnost a bezpečnost. Nadcházející verze ChemPass AI 2.0 bude tento přístup dále rozvíjet – je vyvíjena tak, aby umožňovala ještě flexibilnější multi-parametrickou úpravu, včetně uživatelsky definovaných kritérií přizpůsobených konkrétním terapeutickým oblastem nebo požadavkům na plodiny. To naznačuje, že budoucí model může umožnit výzkumníkům upřednostňovat nebo snižovat důležitost určitých faktorů (například priorizovat penetraci do mozku pro neurologické léky nebo environmentální biodegradabilitu pro pesticidy) a AI bude upravovat svou strategii návrhu podle toho. Integrací těchto multi-objektových schopností ChemPass AI může navrhnout molekuly, které splňují několik výkonových metrik najednou, což je činí prakticky nemožným pomocí tradičních metod.

Skok za tradičními metodami výzkumu a vývoje

Vznik modelu generativní AI ChemPass AI zdůrazňuje širší posun v oblasti life-science R&D: přechod od zdlouhavých postupů pokusů a omylů k AI-augmentované kreativitě a přesnosti. Na rozdíl od lidských chemiků, kteří se tendenci drží známých chemických řad a iterují pomalu, AI může uvažovat miliardy možností a vstupovat do dosud neprozkoumaného 99,9% chemického prostoru. To otevírá dveře k nalezení účinných sloučenin, které se nepodobají ničemu, co jsme dosud viděli – což je zásadní pro léčbu nemocí s novou chemií nebo řešení škůdců a patogenů, které vyvinuly rezistenci vůči stávajícím molekulám. Kromě toho AI pomáhá vyhnout se přeplněným oblastem duševního vlastnictví, což je důležitá konkurenční výhoda.

Výhody oproti tradičním přístupům lze shrnout takto:

• Paralelní multi-trait optimalizace: AI vyhodnocuje mnoho parametrů paralelně, navrhuje molekuly, které splňují účinnost, bezpečnost a další kritéria. Tradiční potrubí často objevují problém toxicity až po letech práce na jinak slibném léku. Předcházením těchto problémů AI-navrhované kandidáty mají lepší šanci na úspěch v nákladných pozdějších testech.

• Rozšiřování chemické diversity: Generativní modely nejsou omezeny na existující knihovny sloučenin. ChemPass AI může vytvořit struktury, které dosud nebyly vytvořeny, ale jsou předpovězeny jako účinné. Tento novost-založený návrh se vyhněte znovuvynálezání kola (nebo molekuly) a pomáhá vytvářet diferencované produkty s novými mechanismy účinku. Tradiční metody často vedou k “me-too” sloučeninám, které nabízejí málo novinek.

• Rychlost a rozsah: Co by tým chemiků mohl dosáhnout pomocí syntézy a testování za rok, AI může simulovat za dny. Platforma ChemPass AI může virtuálně screenovat desítky miliard sloučenin rychle a generovat stovky nových nápadů v jednom běhu. To dramaticky komprimuje čas objevování, zaměřuje se na mokré laboratorní experimenty pouze na nejperspektivnější kandidáty identifikované in silico.

• Integrované znalosti: Modely AI, jako je ChemPass, zahrnují obrovské množství chemických a biologických znalostí (například známé vztahy struktura-aktivita, varování toxicity, pravidla pro vlastnosti podobné lékům) ve svém tréninku. To znamená, že každý návrh molekuly profituje z šíře předchozích dat, která by žádný lidský odborník nemohl mít v hlavě. Tradiční návrh se spoléhá na zkušenosti medicínských chemiků – cenné, ale omezené na lidskou paměť a zkreslení – zatímco AI může zachytit vzorce napříč miliony experimentů a rozmanitými chemickými rodinami.

V praktických termínech to může pro farmaceutický průmysl vést k vyšší úspěšnosti v klinických testech a snížení nákladů na vývoj, protože méně zdrojů je vynaloženo na odsouzené sloučeniny. V zemědělství to znamená rychlejší tvorbu bezpečnějších a udržitelnějších řešení ochrany plodin – například herbicid, který je smrtelný pro plevel, ale neškodný pro netargetované organismy a rozkládá se neškodně v prostředí. Optimalizací účinnosti a environmentální bezpečnosti současně AI může pomoci dodat “účinné, udržitelné a patentovatelné” agrochemikálie, řeší regulační a rezistenční výzvy najednou.

Součást širšího AI nástrojového kitu v Evogene

Zatímco ChemPass AI kradne pozornost pro návrh malých molekul, je součástí trojice AI-poháněných “tech-motorů” Evogene, přizpůsobených pro různé domény. Společnost má MicroBoost AI zaměřený na mikroby, ChemPass AI na chemii a GeneRator AI na genetické prvky. Každý motor aplikuje big-data analytics a strojové učení na svou příslušnou oblast.

Tento integrovaný ekosystém AI motorů zdůrazňuje strategii Evogene jako “AI-first” life science společnosti. Cílem je revolucionalizovat objevování produktů napříč všemi oblastmi – ať už se jedná o formulaci léku, bio-stimulantu nebo odolné plodiny – pomocí využití výpočtů k navigaci biologické složitosti. Motory sdílejí společnou filozofii: použít pokročilé strojové učení k zvýšení pravděpodobnosti úspěchu ve výzkumu a vývoji a snížení času a nákladů.

Perspektiva: AI-poháněné objevy dospěly

Generativní AI transformuje objevování molekul, mění roli AI z asistenta na kreativního spolupracovníka. Místo testování jedné myšlenky najednou mohou vědci nyní použít AI k návrhu zcela nových sloučenin, které splňují několik cílů – účinnost, bezpečnost, stabilitu a více – v jednom kroku.

Tato budoucnost se již rozvíjí. Farmaceutický tým by mohl požadovat molekulu, která cílí na specifický protein, vyhýbá se mozku a je perorálně dostupná – AI může dodat kandidáty na vyžádání. V zemědělství výzkumníci mohli generovat ekologicky přátelské prostředky ochrany plodin přizpůsobené regulačním a environmentálním omezením.

Nedávný základový model Evogene, vyvinutý ve spolupráci s Google Cloud, je jedním z příkladů tohoto posunu. Umožňuje multi-parametrický návrh a otevírá nové oblasti chemického prostoru. Jak budou budoucí verze umožňovat ještě více přizpůsobení, tyto modely se stanou nepostradatelnými nástroji v oblasti life sciences.

Zásadním faktorem je skutečná validace v reálném světě. Jak jsou AI-generované molekuly testovány a rafinovány, modely se zlepšují – vytvářejí silnou zpětnou smyčku mezi výpočty a experimenty.

Tento generativní přístup není omezen na léky nebo pesticidy. Brzy může vést k průlomům v oblasti materiálů, potravin a udržitelnosti – nabízející rychlejší a inteligentnější objevy napříč odvětvími, která byla dříve omezena metodou pokusů a omylů.