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 tom, jak jsou objevovány nové sloučeniny. 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 komplexních kritérií současně. Tento vývoj má 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 návrhovém cyklu.

Od sekvenční selekce k simultánnímu návrhu

Ve tradičním výzkumu léků a zemědělských chemikálií vědci obvykle testují jeden faktor najednou – nejprve kontrolují, zda sloučenina funguje, a později testují její bezpečnost a stabilitu. Tento krok za krokem přístup je pomalý, drahý a často končí neúspěchem, protože mnoho slibných sloučenin selhává v pozdějších fázích. Také udržuje výzkumníky zaměřené na známé chemické struktury, což omezuje inovace a činí obtížnějším 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 jedné filtrace najednou mohou modely AI zpracovávat několik požadavků najednou, navrhnout molekuly, které jsou účinné a 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 riziko pozdějších fází 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 zaměřovali na jeden parametr najednou.

Uvnitř ChemPass AI: Jak generativní modely navrhnou molekuly

V srdci platformy ChemPass AI je nový základový model školený 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. Používající infrastrukturu Google Cloud Vertex AI s GPU superpočítačem, model se naučil vzory z této rozsáhlé 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 transformer neuronové sítě, podobné modelům GPT, které revolucionalizovaly zpracování přirozeného jazyka. Skutečně, systém je označován jako ChemPass-GPT, proprietární AI model školený na SMILES řetězcích (textové kódování molekulárních struktur). V jednoduchých termínech, ChemPass-GPT zachází s molekulami jako se větami – každá molekulární SMILES řetězec je posloupnost znaků popisujících její atomy a vazby. Transformer model se naučil gramatiku tohoto chemického jazyka, umožňující mu “psát” nové molekuly předpovídáním jednoho znaku najednou, stejně jako GPT může psát věty písmeno po písmenu. Protože byl školen na miliardách příkladů, model může generovat nové SMILES, které odpovídají chemicky platným, sloučeninám podobným lékům.

Tento sekvencí-založený generativní přístup využívá sílu transformerů při zachycení komplexních vzorů. Školením na tak obrovském a chemicky rozmanitém datasetu, ChemPass AI překonává problémy, se kterými se potýkaly dříve AI modely, jako je zkreslení z malých datasetů nebo generování redundantních nebo neplatných molekul. Výkon základového modelu již daleko převyšuje 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 transformer na lineární SMILES, je důležité poznamenat, že širší AI nástroj obsahuje další architektury, jako jsou grafické neuronové sítě (GNN). Molekuly jsou přirozeně grafy – s atomy jako uzly a vazbami jako hranami – a GNN mohou přímo uvažovat o těchto strukturách. V moderním návrhu léků se GNN často používají k předpovídání vlastností nebo dokonce generování molekul budováním atom po atomu. Tento graf-založený přístup doplňuje sekvencové modely; například platforma Evogene také zahrnuje nástroje, jako je DeepDock pro 3D virtuální screening, které pravděpodobně používají hluboké učení k hodnocení vazby molekul v kontextu založeném na struktuře. Kombinací sekvencových modelů (skvělé pro kreativitu a novost) s graf-založenými modely (skvělé pro strukturální přesnost a předpovídání vlastností), ChemPass AI zajišťuje, že generované sloučeniny nejsou pouze nové na papíru, ale také chemicky platné a účinné v praxi. Návrhový cyklus AI může generovat kandidátské 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 návrh.

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

Jedním z předních rysů ChemPass AI je jeho vestavěná schopnost multi-objektivní optimalizace. Klasický objev 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 školení může Evogene uplatnit požadavky na vlastnosti – jako je například sloučenina, která musí aktivovat určitý cíl silně, vyhnout se určitým toxickým motivům a mít dobrou biologickou dostupnost – a model se naučí navigovat chemickým prostorem podle těchto pravidel. Systém ChemPass-GPT dokonce umožňuje “generaci založenou na omezeních”, což znamená, že může být instruován k navrhování pouze molekul, které splňují specifické požadované vlastnosti od začátku.

Jak AI dosahuje této multi-parametrické rovnováhy? Jedním z přístupů je multi-úkolové učení, kde model není pouze generován molekulami, ale také předpovídá jejich vlastnosti pomocí naučených prediktorů a upravuje generaci podle toho. Další silný přístup je posilovací učení (RL). V RL-zlepšeném pracovním postupu generativní model funguje jako agent “hrající hru” molekulárního návrhu: navrhuje molekulu a poté dostává skóre odměny na základě toho, jak dobře molekula splňuje objektivy (účinnost, absence toxicity atd.). Během mnoha iterací model upravuje svou strategii generování, aby maximalizoval tuto odměnu. Tato metoda byla úspěšně použita v jiných AI-řízených systémech návrhu léků – výzkumníci ukázali, že algoritmy posilovacího učení mohou směrovat generativní modely k produkci molekul s požadovanými vlastnostmi. V podstatě může být AI trénován s funkcí odměny, která zahrnuje několik cílů, například udělováním bodů za předpovídanou účinnost a odečítáním bodů za předpovídanou toxicitu. Model poté optimalizuje své “tahy” (přidávání nebo odebírání atomů, modifikace funkčních skupin), aby dosáhl nejvyššího skóre, efektivní naučení se kompromisů potřebných k uspokojení všech kritérií.

Evogene nezveřejnil přesně tajný recept za multi-objektivní motorem ChemPass AI, ale je zřejmé z jejich výsledků, že takové strategie jsou v provozu. Skutečnost, že každá generovaná sloučenina “současně splňuje základní parametry” jako účinnost, syntetizovatelnost a bezpečnost. Nadcházející verze ChemPass AI 2.0 bude toto dále rozvíjet – je vyvíjena tak, aby umožňovala ještě flexibilnější multi-parametrické ladění, včetně uživatelsky definovaných kritérií přizpůsobených specifickým terapeutickým oblastem nebo požadavkům na plodiny. To naznačuje, že next-gen model může umožnit výzkumníkům upřednostňovat nebo downgradovat důležitost určitých faktorů (například priorizaci penetrace do mozku pro neurologický lék nebo environmentální biodegradability pro pesticid) a AI bude upravovat svou návrhovou strategii podle toho. Integrací takových multi-objektivních schopností, ChemPass AI může navrhnout molekuly, které zasáhnou sladké místo na mnoha výkonnostních metrikách najednou, čin, který je prakticky nemožný s tradičními metodami.

Skok za hranice tradičních metod R&D

Vznik modelu generativní AI ChemPass AI zdůrazňuje širší posun v R&D life-science: přechod od namáhavých pracovních postupů pokus-omyl k AI-zesílené kreativitě a přesnosti. Na rozdíl od lidských chemiků, kteří se tendenci drží známých chemických řad a iterují pomalu, AI může pochytit miliardy možností a vstoupit do neprozkoumaného 99,9% chemického prostoru. To otevírá dveře k nalezení účinných sloučenin, které se nepodobají ničemu, co jsme viděli dříve – zásadní pro léčbu nemocí s novou chemií nebo řešení škůdců a patogenů, kteří vyvinuli rezistenci vůči stávajícím molekulám. Kromě toho, tím, že zohledňuje patentovatelnost od začátku, generativní AI pomáhá vyhnout se přeplněným oblastem duševního vlastnictví. Evogene explicitně cílí na produkci molekul, které vytvoří nové IP, důležité konkurenční výhody.

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, na druhé straně, často objevují problém toxicity až po letech práce na jinak slibné sloučenině. Předcházející filtrování takových problémů, AI-navržené kandidáty mají lepší šanci na úspěch v nákladných pozdějších testech.

• Rozšíření chemické diversity: Generativní modely nejsou omezeny na existující knihovny sloučenin. ChemPass AI může vyvolat struktury, které nikdy nebyly vytvořeny dříve, ale jsou předpovídány jako účinné. Tato novost-poháněná generace se vyhýbá opětovnému vynálezu kola (nebo molekuly) a pomáhá vytvářet diferencované produkty s novými mechanismy účinku. Tradiční metody často vedou k “me-too” sloučeninám, které nabízejí málo novosti.

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

• Integrované znalosti: AI modely, jako je ChemPass, zahrnují obrovské množství chemických a biologických znalostí (například známé vztahy struktura-aktivita, varování toxicity, pravidla vlastností léků) ve svém tréninku. To znamená, že každý návrh molekuly profituje z šíře předchozích dat, které žádný lidský odborník nemůže mít v hlavě. Tradiční návrh se spoléhá na zkušenosti medicínských chemiků – cenné, ale omezené na lidskou paměť a zkreslení – zatímco AI může zachytit vzory 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 plýtváno na odsouzené sloučeniny. V zemědělství to znamená rychlejší tvorbu bezpečnějších, udržitelnějších řešení ochrany plodin – například herbicidu, který je smrtelný pro plevel, ale neškodný pro necílové 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.

Část širšího AI nástrojového boxu 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 analytiku a strojové učení na svou příslušnou oblast.

Tento integrovaný ekosystém AI motorů zdůrazňuje strategii Evogene jako “AI-first” life science společnosti. Cílem je revolucionalizovat objev produktů napříč deskami – ať už se jedná o formulaci léku, bio-stimulátoru nebo odolné plodiny vůči suchu – tím, že využije výpočetní techniku k navigaci biologické komplexity. Motory sdílejí společnou filozofii: použít pokročilé strojové učení, aby se zvýšila pravděpodobnost úspěchu R&D a snížily čas a náklady.

Outlook: AI-řízený objev zralý

Generativní AI transformuje objev molekul, měnící roli AI z asistenta na kreativního spolupracovníka. Místo testování jednoho nápadu najednou, vědci mohou nyní použít AI k navržení zcela nových sloučenin, které splňují několik cílů – účinnost, bezpečnost, stabilitu a více – v jednom kroku.

Tato budoucnost již nastává. 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 by výzkumníci mohli generovat ekologické kontroly škůdců 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 nezbytnými nástroji napříč life-science.

Zásadně, dopad závisí na reálné validaci. Jak jsou AI-generované molekuly testovány a rafinovány, modely se zlepšují – vytvářející silnou zpětnou smyčku mezi výpočtem a experimentem.

Tento generativní přístup není omezen na léky nebo pesticidy. Brzy může pohánět průlomy v materiálech, potravinách a udržitelnosti – nabízející rychlejší, chytřejší objev napříč odvětvími, dříve omezenými metodou pokus-omyl.