Evogene og Google Cloud præsenterer grundlæggende model for generativ molekyle-design, baner vejen for en ny æra i life-science AI

Evogene Ltd. har præsenteret en første-klasses generativ AI-grundlæggende model for design af små molekyler, hvilket markerer en gennembrud i, hvordan nye forbindelser opdages. Offentliggjort den 10. juni 2025 i samarbejde med Google Cloud, udvider modellen Evogenes ChemPass AI-platform og løser en langvarig udfordring i både farmaceutik og landbrug: at finde nye molekyler, der opfylder flere komplekse kriterier samtidig. Denne udvikling er klar til at accelerere R&D i lægemiddelforskning og beskyttelse af afgrøder ved at muliggøre samtidig optimering af egenskaber som effektivitet, toksicitet og stabilitet i en enkelt designcyklus.

Fra sekventielt screening til samtidig design

I traditionel lægemiddel- og landbrugsforskning tester videnskabsmænd normalt én faktor ad gangen – først kontrollerer de, om en forbindelse virker, og derefter tester de senere for sikkerhed og stabilitet. Denne skridt-for-skridt-metode er langsom, dyrekøbt og ofte ender i fiasko, hvor mange lovende forbindelser falder kort i senere faser. Den holder også forskerne fokuseret på kendte kemiske strukturer, hvilket begrænser innovationen og gør det sværere at skabe nye, patenterbare produkter. Denne forældede tilgang bidrager til høje omkostninger, lange tidsrammer og en lav succesrate – omkring 90% af lægemiddelkandidater fejler før de når markedet.

Generativ AI ændrer dette paradigme. I stedet for en-til-en-filtrering kan AI-modeller håndtere flere krav på én gang, designe molekyler til at være potente og sikre og stabile fra starten. Evogenes nye grundlæggende model var udtrykkeligt bygget til at muliggøre denne samtidige multi-parameter-design. Denne tilgang sigter mod at mindske risikoen i senere faser af udviklingen ved at front-load overvejelser som ADME og toksicitet i den indledende design.

I praksis kan det betyde færre sen-fase-fiaskoer – for eksempel færre lægemiddelkandidater, der viser store laboratorie-resultater, men falder kort i kliniske forsøg på grund af bivirkninger. For at sige det kort, tillader generativ AI forskerne at innovere hurtigere og smartere, samtidig optimerer de for de mange aspekter af en succesfuld molekyle snarere end at tackle hver enkelt i isolation.

Indenfor ChemPass AI: Hvordan generative modeller designer molekyler

I hjertet af Evogenes ChemPass AI-platform er en kraftfuld ny grundlæggende model trænet på en enorm kemisk dataset. Selskabet har samlet en kurateret database på omkring 40 milliarder molekylærstrukturer – omfattende kendte lægemiddel-lignende forbindelser og diverse kemiske skeletter – for at lære AI “sproget” for molekyler. Ved hjælp af Google Clouds Vertex AI-infrastruktur med GPU-supercomputing lærte modellen mønstre fra denne enorme kemiske bibliotek, hvilket gav den en udenfor sammenligning bred viden om, hvordan lægemiddel-lignende molekyler ser ud. Denne massive træningsregimen er tilsvarende træning af et stort sprogmodel, men i stedet for menneskesprog lærte AI kemiske repræsentationer.

Evogenes generative model er bygget på transformer-neuralt netværksarkitektur, lignende de GPT-modeller, der revolutionerede naturligt sprogbehandling. Faktisk henvises systemet til ChemPass-GPT, en proprietær AI-model trænet på SMILES-strenge (en tekst-encoding af molekylærstrukturer). I simple termer behandler ChemPass-GPT molekyler som sætninger – hver molekyls SMILES-streng er en sekvens af karakterer, der beskriver dets atomer og bindinger. Transformer-modellen har lært grammatikken i dette kemiske sprog, hvilket muliggør, at den kan “skrive” nye molekyler ved at forudsige én karakter ad gangen, på samme måde som GPT kan skrive sætninger bogstav for bogstav. Fordi den blev trænet på milliarder af eksempler, kan modellen generere nye SMILES, der svarer til kemisk gyldige, lægemiddel-lignende strukturer.

Denne sekvensbaserede generative tilgang udnytter styrken i transformerne i at fange komplekse mønstre. Ved at træne på sådan en enorm og kemisk divers dataset overvinder ChemPass AI problemer, som tidligere AI-modeller stødte på, som bias fra små datasets eller generering af redundante eller ugyldige molekyler. Grundlæggende modellens præstation overstiger allerede en generisk GPT anvendt på kemi: interne tests viste omkring 90% præcision i at producere nye molekyler, der opfylder alle designkriterier, i modsætning til ~29% præcision for en traditionel GPT-baseret modelevogene.com. I praksis betyder det, at næsten alle molekyler, som ChemPass AI foreslår, ikke kun er nye, men også rammer deres målprofil, en slående forbedring i forhold til baseline-generative teknikker.

Selv om Evogenes primære generative motor bruger en transformer på lineære SMILES, er det værd at bemærke, at den bredere AI-værktøjskasse inkluderer andre arkitekturer som graf-neurale netværk (GNN). Molekyler er naturligt grafiske – med atomer som noder og bindinger som kanter – og GNN kan direkte resonere på disse strukturer. I moderne lægemiddeldesign bruges GNN ofte til at forudsige egenskaber eller endda generere molekyler ved at bygge dem atom for atom. Denne graf-baserede tilgang supplerer sekvensmodeller; for eksempel inkluderer Evogenes platform også værktøjer som DeepDock til 3D-virtuel screening, som sandsynligvis bruger dyb læring til at evaluere molekylbinding i en struktur-baseret kontekst. Ved at kombinere sekvensmodeller (store til kreativitet og nytænkning) med graf-baserede modeller (store til strukturel nøjagtighed og egenskabsforudsigelse) sikrer ChemPass AI, at de genererede forbindelser ikke kun er nye på papir, men også kemisk sund og effektiv i praksis. AI’ens design-løkke kan generere kandidat-strukturer og derefter evaluere dem via forudsigelsesmodeller – nogle muligvis GNN-baserede – for kriterier som toksicitet eller syntetisk gennemførlighed, hvilket skaber en feedback-cyklus, der raffinerer hver forslag.

Multi-objekt-optimering: Potency, Toksicitet, Stabilitet Alle på én gang

Et fremtrædende træk ved ChemPass AI er dets indbyggede evne til multi-objekt-optimering. Klassisk lægemiddelforskning optimerer ofte én egenskab ad gangen, men ChemPass blev designet til at håndtere mange objekter samtidig. Dette opnås gennem avancerede maskinlærings-teknikker, der guider den generative model mod at tilfredsstille flere begrænsninger. Under træning kan Evogene pålægge egenskabskrav – såsom, at en molekyle skal aktivere et bestemt mål stærkt, undgå bestemte toksiske motiver og have god biotilgængelighed – og modellen lærer at navigere kemisk rum under disse regler. ChemPass-GPT-systemet tillader endda “begrænsninger-baseret generation”, hvilket betyder, at det kan instrueres til kun at foreslå molekyler, der opfylder bestemte ønskede egenskaber fra starten.

Hvordan opnår AI denne multi-parameter-balancen? En tilgang er multi-opgave-læring, hvor modellen ikke kun genererer molekyler, men også forudsiger deres egenskaber ved hjælp af lært forudsigere og tilpasser generationen derefter. En anden kraftfuld tilgang er forstærkning-læring (RL). I en RL-forbedret arbejdsproces fungerer den generative model som en “agent”, der “spiller” et spil om molekyle-design: den foreslår en molekyle og får derefter en belønnings-score baseret på, hvor godt molekylet opfylder målene (potency, mangel på toksicitet osv.). Over mange iterationer tilpasser modellen sin generations-strategi for at maksimere denne belønning. Denne metode er blevet brugt med succes i andre AI-drevne lægemiddeldesign-systemer – forskere har vist, at forstærkning-læring-algoritmer kan guide generative modeller til at producere molekyler med ønskede egenskaber. I essensen kan AI blive trænet med en belønnings-funktion, der indkapsler flere mål, for eksempel giver point for forudsiget effektivitet og trækker point for forudsiget toksicitet. Modellen optimerer derefter sine “bevægelser” (tilføje eller fjerne atomer, ændre funktionelle grupper) for at nå det højeste score, effektivt lære de nødvendige kompromiser for at tilfredsstille alle kriterier.

Evogene har ikke afsløret den eksakte proprietære sauce bag ChemPass AI’s multi-objekt-motor, men det er klart fra deres resultater, at sådanne strategier er i gang. Det faktum, at hver genereret forbindelse “samtidig opfylder væsentlige parametre” som effektivitet, syntetiserbarhed og sikkerhed. Den kommende ChemPass AI-version 2.0 vil føre dette videre – den er under udvikling for at tillade endnu mere fleksibel multi-parameter-justering, herunder brugerdefinerede kriterier tilpasset bestemte terapeutiske områder eller afgrødekrav. Dette antyder, at den næste generation af modellen kunne lade forskere justere op eller ned for visse faktorers betydning (for eksempel prioritere hjernepenetration for en neurologisk lægemiddel eller miljømæssig biologisk nedbrydning for et pesticid) og AI’ens design-strategi vil tilpasse sig derefter. Ved at integrere sådanne multi-objekt-egenskaber kan ChemPass AI designe molekyler, der rammer det søde punkt på flere præstations-målinger på én gang, en bedrift, der praktisk talt er umulig med traditionelle metoder.

Et spring beyond traditionelle R&D-metoder

Indførelsen af ChemPass AI’s generative model fremhæver en bredere skift i life-science R&D: skiftet fra besværlige trial-and-error-arbejdsgange til AI-forstærket kreativitet og præcision. I modsætning til menneskelige kemikere, der har tendens til at holde fast i kendte kemiske serier og iterere langsomt, kan en AI fathom milliarder af muligheder og gå ind i den uudforskede 99,9% af kemisk rum. Dette åbner døren for at finde effektive forbindelser, der ikke ligner noget, vi har set før – afgørende for at behandle sygdomme med ny kemisk eller tackle skadedyr og patogener, der har udviklet resistens over for eksisterende molekyler. Desuden hjælper generativ AI med at producere molekyler, der skærer ud i frisk IP, en vigtig konkurrencemæssig fordel.

Fordelene over traditionelle tilgange kan sammenfattes som følger:

• Parallel multi-trait-optimering: AI’en evaluerer mange parametre på én gang, designer molekyler, der opfylder effektivitet, sikkerhed og andre kriterier. Traditionelle rørledninger opdager ofte kun en toksicitetsproblematik efter år med arbejde på et ellers lovende lægemiddel. Ved at forhåndsvise sådanne problemer har AI-designerede kandidater en bedre chance for succes i dyre senere forsøg.

• Udvidelse af kemisk diversitet: Generative modeller er ikke begrænsede til eksisterende forbindelsesbiblioteker. ChemPass AI kan fremkalde strukturer, der aldrig er blevet lavet før, men forventes at være effektive. Denne nyhed-drevne generation undgår at genopfinde hjulet (eller molekylet) og hjælper med at skabe differentierede produkter med nye handlingsformer. Traditionelle metoder fører ofte til “me-too”-forbindelser, der tilbyder lidt nytænkning.

• Hastighed og skala: Det, som et hold af kemikere måske kan opnå via syntese og test i et år, kan en AI simulere på få dage. ChemPass AI’s dyb-lærings-platform kan virtuelt screene milliarder af forbindelser hurtigt og generere hundredvis af nye ideer i en enkelt kørsel. Dette komprimerer dramatisk opdagelses-tidsrammen, fokuserer våde-laboratorie-eksperimenter kun på de mest lovende kandidater identificeret in silico.

• Integreret viden: AI-modeller som ChemPass inkorporerer enorme mængder kemisk og biologisk viden (f.eks. kendte struktur-aktivitets-forhold, toksicitets-advarsler, lægemiddel-lignende egenskabsregler) i deres træning. Dette betyder, at hver molekyle-design fordeler sig af en bredde af tidligere data, som ingen enkelt menneskelig ekspert kunne have i hovedet. Traditionel design afhænger af den erfaring, som lægemiddel-kemikere har – værdifuld, men begrænset til menneskelig hukommelse og bias – hvorimod AI’en kan fange mønstre på tværs af millioner af eksperimenter og diverse kemiske familier.

I praksis kan dette for farmaceutik føre til højere succes-rater i kliniske forsøg og reducerede udviklingsomkostninger, da færre ressourcer bliver spildt på dømte forbindelser. I landbrug betyder det hurtigere skabelse af sikrere, mere bæredygtige afgrøde-beskyttelses-løsninger – for eksempel et herbicid, der er dødeligt for ukrudt, men harmløst for ikke-mål-organismer og bryder ned i miljøet. Ved at optimere over effektivitet og miljø-sikkerhed samtidig kan AI hjælpe med at levere “effektive, bæredygtige og patenterbare” ag-kemikalier, der løser regulative og resistens-udfordringer på én gang.

En del af en bredere AI-værktøjskasse hos Evogene

Selv om ChemPass AI stjæler rampelyset for design af små molekyler, er det en del af Evogenes trio af AI-drevne “teknologi-motorer” tilpasset forskellige domæner. Selskabet har MicroBoost AI fokuseret på mikrober, ChemPass AI på kemi og GeneRator AI på genetiske elementer. Hver motor anvender big-data-analyse og maskinlæring til deres respektive felt.

Denne integrerede økosystem af AI-motorer understreger Evogenes strategi som et “AI-først” life-science-selskab. De sigter mod at revolutionere produkt-opdagelse over hele linjen – enten det er formulering af et lægemiddel, et bio-stimulans eller et tørke-tolerant afgrøde – ved at udnytte beregning til at navigere biologisk kompleksitet. Motorerne deler en fælles filosofi: brug avanceret maskinlæring til at øge sandsynligheden for R&D-succes og reducere tid og omkostninger.

Udsigt: AI-drevet opdagelse kommer af alder

Generativ AI forvandler molekyle-opdagelse, skifter AI’ens rolle fra assistent til kreativ samarbejdspartner. I stedet for at teste én idé ad gangen kan videnskabsmænd nu bruge AI til at designe helt nye forbindelser, der opfylder flere mål – potentiale, sikkerhed, stabilitet og mere – på én gang.

Denne fremtid udvikler sig allerede. Et farmaceutisk hold kan anmode om en molekyle, der rammer et bestemt protein, undgår hjernen og er mundtligt tilgængeligt – AI kan levere kandidater påkrævet. I landbrug kan forskere generere miljø-venlige skadedyr-beskyttelses-løsninger tilpasset regulative og miljø-mæssige begrænsninger.

Evogenes nyeste grundlæggende model, udviklet med Google Cloud, er et eksempel på dette skift. Den muliggør multi-parameter-design og åbner nye områder af kemisk rum. Da fremtidige versioner tillader endnu mere tilpasning, vil disse modeller blive essentielle værktøjer på tværs af life-science.

Afgørende er, at impact afhænger af virkelige valideringer. Da AI-genererede molekyler testes og forfineres, forbedres modeller – skabende en kraftfuld feedback-løkke mellem beregning og eksperiment.

Denne generative tilgang er ikke begrænset til lægemidler eller pesticider. Den kan snart drive gennembrud i materialer, fødevarer og bæredygtighed – tilbyder hurtigere, smartere opdagelse på tværs af industrier, der tidligere var begrænset af trial og fejl.