Evogene und Google Cloud enthüllen Foundation-Modell für generative Molekül-Design, bahnbrechend für eine neue Ära in Life-Science-KI

Evogene Ltd. hat ein erstklassiges generatives AI-Grundmodell für den Design von Small-Molekülen vorgestellt, was einen Durchbruch in der Entdeckung neuer Verbindungen markiert. Angekündigt am 10. Juni 2025, in Zusammenarbeit mit Google Cloud, erweitert das Modell die ChemPass-AI-Plattform von Evogene und löst eine langjährige Herausforderung in der Pharmaindustrie und Landwirtschaft: die Suche nach neuen Molekülen, die mehrere komplexe Kriterien gleichzeitig erfüllen. Diese Entwicklung ist darauf ausgerichtet, die Forschung und Entwicklung in der Arzneimittelentdeckung und dem Pflanzenschutz zu beschleunigen, indem sie die gleichzeitige Optimierung von Eigenschaften wie Wirksamkeit, Toxizität und Stabilität in einem einzigen Designzyklus ermöglicht.

Von sequenzieller Selektion zu simultanem Design

In der traditionellen Arzneimittel- und Agrarchemikalienforschung testen Wissenschaftler normalerweise einen Faktor nach dem anderen – zunächst, ob eine Verbindung wirkt, und später testen sie auf Sicherheit und Stabilität. Diese schrittweise Methode ist langsam, teuer und endet oft in einem Misserfolg, da viele vielversprechende Verbindungen in späteren Stadien versagen. Sie hält auch Forscher auf vertrauten chemischen Strukturen fest, was die Innovation einschränkt und es schwieriger macht, neue, patentierbare Produkte zu erstellen. Dieser veraltete Ansatz trägt zu hohen Kosten, langen Zeiträumen und einer geringen Erfolgsquote bei – etwa 90% der Arzneimittelkandidaten scheitern vor Erreichen des Marktes.

Generative KI ändert dies. Anstatt eines Filterns nach dem anderen können KI-Modelle mehrere Anforderungen gleichzeitig berücksichtigen und Moleküle so entwerfen, dass sie von Anfang an wirksam, sicher und stabil sind. Das neue Grundmodell von Evogene wurde explizit entwickelt, um dieses simultane Multi-Parameter-Design zu ermöglichen. Dieser Ansatz zielt darauf ab, spätere Phasen der Entwicklung zu entschärfen, indem Überlegungen wie ADME und Toxizität bereits in die anfängliche Konstruktion einbezogen werden.

In der Praxis könnte dies bedeuten, dass es weniger späte Misserfolge gibt – beispielsweise weniger Arzneimittelkandidaten, die im Labor gute Ergebnisse zeigen, aber aufgrund von Nebenwirkungen in klinischen Studien scheitern. Kurz gesagt, ermöglicht generative KI es Forschern, schneller und intelligenter zu innovieren und gleichzeitig für die vielen Aspekte eines erfolgreichen Moleküls zu optimieren, anstatt jedes einzelne isoliert anzugehen.

Innerhalb von ChemPass AI: Wie generative Modelle Moleküle entwerfen

Im Herzen der ChemPass-AI-Plattform von Evogene befindet sich ein leistungsfähiges neues Grundmodell, das auf einer enormen chemischen Datenbank trainiert wurde. Das Unternehmen hat eine kuratierte Datenbank von etwa 40 Milliarden Molekülstrukturen – umfassend bekannte arzneimittelähnliche Verbindungen und diverse chemische Gerüste – zusammengestellt, um der KI die “Sprache” der Moleküle beizubringen. Mit der Vertex-AI-Infrastruktur von Google Cloud und GPU-Supercomputing erlernte das Modell Muster aus dieser riesigen chemischen Bibliothek, was ihm ein beispielloser Umfang an Wissen darüber gibt, wie arzneimittelähnliche Moleküle aussehen. Diese massive Trainingsroutine ist ähnlich wie das Training eines großen Sprachmodells, aber anstelle der menschlichen Sprache erlernte die KI chemische Darstellungen.

Das generative Modell von Evogene basiert auf der Transformer-Neuronen-Netz-Architektur, ähnlich wie die GPT-Modelle, die die Verarbeitung von natürlicher Sprache revolutionierten. Tatsächlich wird das System als ChemPass-GPT bezeichnet, ein proprietäres KI-Modell, das auf SMILES-Zeichenfolgen (einer Textcodierung von Molekülstrukturen) trainiert wurde. In einfachen Worten behandelt ChemPass-GPT Moleküle wie Sätze – jede Molekül-SMILES-Zeichenfolge ist eine Sequenz von Zeichen, die seine Atome und Bindungen beschreibt. Das Transformer-Modell hat die Grammatik dieser chemischen Sprache erlernt, was es ermöglicht, neue SMILES zu generieren, die chemisch gültigen, arzneimittelähnlichen Strukturen entsprechen.

Dieser sequenzbasierte generative Ansatz nutzt die Stärke von Transformern bei der Erfassung komplexer Muster. Durch das Training auf einer so großen und chemisch vielfältigen Datenbank überwindet ChemPass AI Probleme, mit denen frühere KI-Modelle konfrontiert waren, wie beispielsweise Voreingenommenheit durch kleine Datenmengen oder die Generierung redundanter oder ungültiger Moleküle. Die Leistung des Grundmodells übertrifft bereits die eines generischen GPT-Modells, das auf Chemie angewendet wird: interne Tests zeigten eine Genauigkeit von etwa 90% bei der Erzeugung neuer Moleküle, die alle Designkriterien erfüllen, im Vergleich zu etwa 29% Genauigkeit für ein traditionelles GPT-basiertes Modellevogene.com. In praktischen Begriffen bedeutet dies, dass fast alle von ChemPass AI vorgeschlagenen Moleküle nicht nur neu sind, sondern auch ihr Zielprofil treffen, eine bemerkenswerte Verbesserung gegenüber den Baseline-Generierungstechniken.

Während Evogenes primärer Generierungsmotor ein Transformer auf linearer SMILES verwendet, ist es erwähnenswert, dass das umfassendere KI-Toolkit auch andere Architekturen wie Graph-Neuronen-Netze (GNNs) umfasst. Moleküle sind natürliche Graphen – mit Atomen als Knoten und Bindungen als Kanten – und GNNs können direkt auf diesen Strukturen argumentieren. In der modernen Arzneimittelentwicklung werden GNNs oft verwendet, um Eigenschaften vorherzusagen oder sogar Moleküle zu generieren, indem sie sie Atom für Atom aufbauen. Dieser graphbasierte Ansatz ergänzt Sequenzmodelle; beispielsweise umfasst Evogenes Plattform auch Tools wie DeepDock für 3D-Virtuelle Screening, die wahrscheinlich tiefes Lernen verwenden, um die Molekülbindung in einem strukturbasierten Kontext zu bewerten. Durch die Kombination von Sequenzmodellen (großartig für Kreativität und Neuheit) mit graphbasierten Modellen (großartig für strukturelle Genauigkeit und Eigenschaftsvorhersage) stellt ChemPass AI sicher, dass die generierten Verbindungen nicht nur auf dem Papier neu sind, sondern auch chemisch einwandfrei und wirksam in der Praxis sind. Der Design-Loop der KI kann Kandidatenstrukturen generieren und dann über prädiktive Modelle – möglicherweise GNN-basiert – für Kriterien wie Toxizität oder synthetische Machbarkeit bewerten, was einen Feedback-Loop schafft, der jeden Vorschlag verfeinert.

Mehrobjektive Optimierung: Wirksamkeit, Toxizität, Stabilität alles auf einmal

Ein herausragendes Merkmal von ChemPass AI ist seine eingebaute Fähigkeit zur Mehrobjektive-Optimierung. Klassische Arzneimittelentdeckung optimiert normalerweise eine Eigenschaft nach der anderen, aber ChemPass wurde so konzipiert, dass es mehrere Ziele gleichzeitig berücksichtigen kann. Dies wird durch fortschrittliche maschinelle Lernalgorithmen erreicht, die das generative Modell dazu anleiten, mehrere Einschränkungen zu erfüllen. Während des Trainings kann Evogene Eigenschaftsanforderungen auferlegen – wie beispielsweise, dass ein Molekül ein bestimmtes Ziel stark aktivieren, bestimmte toxische Muster vermeiden und gute Bioverfügbarkeit haben muss – und das Modell lernt, den chemischen Raum unter diesen Regeln zu navigieren. Das ChemPass-GPT-System ermöglicht sogar “constraints-basierte Generierung”, was bedeutet, dass es angewiesen werden kann, nur Moleküle vorzuschlagen, die bestimmte gewünschte Eigenschaften von Anfang an erfüllen.

Wie erreicht die KI diese Mehrobjektive-Balancierung? Ein Ansatz ist das Multi-Task-Lernen, bei dem das Modell nicht nur Moleküle generiert, sondern auch ihre Eigenschaften mit erlernten Prädiktoren vorhersagt und die Generierung entsprechend anpasst. Ein weiterer leistungsfähiger Ansatz ist Reinforcement-Learning (RL). In einem RL-verbesserten Workflow handelt das generative Modell wie ein “Agent”, der ein “Spiel” des Moleküldesigns spielt: es schlägt ein Molekül vor und erhält dann einen Belohnungspunktestand basierend darauf, wie gut das Molekül die Ziele (Wirksamkeit, fehlende Toxizität usw.) erfüllt. Über viele Iterationen passt das Modell seine Generierungsstrategie an, um diese Belohnung zu maximieren. Diese Methode wurde bereits in anderen KI-getriebenen Arzneimittel-Design-Systemen erfolgreich eingesetzt – Forscher haben gezeigt, dass Reinforcement-Learning-Algorithmen generative Modelle dazu anleiten können, Moleküle mit wünschenswerten Eigenschaften zu produzieren. Im Wesentlichen kann die KI mit einer Belohnungsfunktion trainiert werden, die mehrere Ziele umfasst, beispielsweise Punkte für vorhergesagte Wirksamkeit und abgezogene Punkte für vorhergesagte Toxizität. Das Modell optimiert dann seine “Züge” (Hinzufügen oder Entfernen von Atomen, Ändern von Funktionsgruppen), um den höchsten Punktestand zu erzielen, was effektiv das Lernen der notwendigen Kompromisse zur Erfüllung aller Kriterien bedeutet.

Evogene hat den genauen, proprietären Ansatz hinter dem Mehrobjektive-Motor von ChemPass AI nicht offengelegt, aber es ist klar, dass solche Strategien im Einsatz sind. Die Tatsache, dass jedes generierte Molekül “gleichzeitig wesentliche Parameter” wie Wirksamkeit, Synthetisierbarkeit und Sicherheit erfüllt. Die kommende ChemPass-AI-Version 2.0 wird dies weiter vorantreiben – sie wird entwickelt, um noch flexiblere Mehrobjektive-Anpassung zu ermöglichen, einschließlich benutzerdefinierter Kriterien, die auf spezifische therapeutische Bereiche oder Anforderungen an den Pflanzenschutz zugeschnitten sind. Dies deutet darauf hin, dass das Next-Gen-Modell es Forschern ermöglichen könnte, die Wichtigkeit bestimmter Faktoren (beispielsweise die Priorisierung der Penetration in das Gehirn für ein Neurologikum oder der Umweltbiodegradierbarkeit für ein Pestizid) hoch oder runter zu drehen, und die KI wird ihre Designstrategie entsprechend anpassen. Durch die Integration solcher Mehrobjektive-Fähigkeiten kann ChemPass AI Moleküle entwerfen, die auf zahlreichen Leistungsmerkmalen gleichzeitig den Sweet Spot treffen, eine Leistung, die mit herkömmlichen Methoden praktisch unmöglich ist.

Ein Sprung über traditionelle R&D-Methoden hinaus

Die Einführung des generativen Modells von ChemPass AI unterstreicht eine breitere Verschiebung in der Life-Science-F&E: den Übergang von mühsamen Trial-and-Error-Workflows zu KI-verstärkter Kreativität und Präzision. Im Gegensatz zu menschlichen Chemikern, die tendenziell an bekannten chemischen Reihen festhalten und langsam iterieren, kann eine KI Milliarden von Möglichkeiten erfassen und in den unerforschten 99,9% des chemischen Raums vordringen. Dies öffnet die Tür, um wirksame Verbindungen zu finden, die nichts mit dem ähneln, was wir bisher gesehen haben – entscheidend für die Behandlung von Krankheiten mit neuer Chemie oder für die Bekämpfung von Schädlingen und Krankheitserregern, die gegen bestehende Moleküle resistent geworden sind. Darüber hinaus hilft die generative KI, durch die Berücksichtigung von Patentierbarkeit von Anfang an, verstopfte geistige Eigentumsbereiche zu vermeiden. Evogene zielt explizit darauf ab, Moleküle zu produzieren, die frisches geistiges Eigentum schaffen, ein wichtiger Wettbewerbsvorteil.

Die Vorteile gegenüber traditionellen Ansätzen können wie folgt zusammengefasst werden:

• Parallele Mehrobjektive-Optimierung: Die KI bewertet mehrere Parameter gleichzeitig und entwirft Moleküle, die Wirksamkeit, Sicherheit und andere Kriterien erfüllen. Traditionelle Pipelines entdecken dagegen oft erst nach Jahren der Arbeit an einem ansonsten vielversprechenden Medikament ein Toxizitätsproblem. Durch die vorherige Filterung solcher Probleme haben KI-entworfene Kandidaten eine bessere Chance auf Erfolg in teuren späteren Tests.

• Erweiterung der chemischen Vielfalt: Generative Modelle sind nicht auf bestehende Verbindungsbibliotheken beschränkt. ChemPass AI kann Strukturen erfinden, die noch nie hergestellt wurden, aber voraussichtlich wirksam sind. Diese Neuheitsgetriebene Generierung vermeidet das Wiedererfinden des Rades (oder des Moleküls) und hilft bei der Schaffung differenzierter Produkte mit neuen Wirkmechanismen. Traditionelle Methoden führen oft zu “Me-Too”-Verbindungen, die wenig Neuheit bieten.

• Geschwindigkeit und Umfang: Was ein Team von Chemikern möglicherweise in einem Jahr durch Synthese und Testen erreichen könnte, kann eine KI in Tagen simulieren. Die Deep-Learning-Plattform von ChemPass AI kann virtuell innerhalb weniger Tage Milliarden von Verbindungen schnell durchsuchen und Hunderte neuer Ideen in einem einzigen Durchgang generieren. Dies komprimiert die Entdeckungszeit dramatisch und konzentriert Experimente im Labor nur auf die vielversprechendsten Kandidaten, die in silico identifiziert wurden.

• Integriertes Wissen: KI-Modelle wie ChemPass integrieren enorme Mengen an chemischem und biologischem Wissen (z. B. bekannte Struktur-Wirkungs-Beziehungen, Toxizitätswarnungen, Regeln für arzneimittelähnliche Eigenschaften) in ihre Ausbildung. Dies bedeutet, dass jeder Molekülentwurf von der Breite der vorherigen Daten profitiert, die kein einzelner menschlicher Experte im Kopf haben könnte. Traditionelles Design verlässt sich auf die Erfahrung von Pharmazeuten – wertvoll, aber begrenzt auf menschliches Gedächtnis und Voreingenommenheit – während die KI Muster über Millionen von Experimenten und diverse chemische Familien erfassen kann.

In praktischen Begriffen könnte dies in der Pharmaindustrie zu höheren Erfolgsraten in klinischen Studien und reduzierten Entwicklungskosten führen, da weniger Ressourcen für zum Scheitern verurteilte Verbindungen verschwendet werden. In der Landwirtschaft bedeutet es die schnelle Schaffung sicherer, nachhaltigerer Pflanzenschutzlösungen – beispielsweise ein Herbizid, das für Unkräuter tödlich ist, aber für Nicht-Zielorganismen harmlos ist und sich in der Umwelt harmlos abbaut. Durch die Optimierung von Wirksamkeit und Umweltsicherheit gleichzeitig kann die KI dazu beitragen, “wirksame, nachhaltige und patentierbare” Pflanzenschutzmittel zu liefern, die regulatorische und Resistenzherausforderungen auf einmal angehen.

Teil eines umfassenderen KI-Toolkits bei Evogene

Während ChemPass AI im Mittelpunkt des Interesses für den Entwurf von Small-Molekülen steht, ist es Teil des Trios von KI-getriebenen “Tech-Engines” von Evogene, die auf verschiedene Bereiche zugeschnitten sind. Das Unternehmen hat MicroBoost AI für Mikroben, ChemPass AI für Chemie und GeneRator AI für genetische Elemente. Jeder Motor wendet Big-Data-Analytics und maschinelles Lernen auf seinen jeweiligen Bereich an.

Diese integrierte Ökosystem von KI-Engines unterstreicht Evogenes Strategie als “KI-erstes” Life-Science-Unternehmen. Sie zielen darauf ab, die Produktentdeckung überall – ob es sich um die Formulierung eines Medikaments, eines Bio-Stimulans oder einer trockentoleranten Pflanze handelt – zu revolutionieren, indem sie Rechnen nutzen, um biologische Komplexität zu meistern. Die Motoren teilen eine gemeinsame Philosophie: Nutzung von KI, um die Erfolgsquote der F&E zu erhöhen und Zeit und Kosten zu reduzieren.

Ausblick: KI-getriebene Entdeckung wird erwachsen

Generative KI verändert die Molekülentdeckung, indem sie die Rolle der KI von Assistent zu kreativem Mitarbeiter verschiebt. Anstatt eine Idee nach der anderen zu testen, können Wissenschaftler jetzt KI nutzen, um völlig neue Verbindungen zu entwerfen, die mehrere Ziele – Wirksamkeit, Sicherheit, Stabilität und mehr – in einem Schritt erfüllen.

Diese Zukunft entfaltet sich bereits. Ein pharmazeutisches Team könnte ein Molekül anfordern, das ein bestimmtes Protein anzielt, das Gehirn vermeidet und oral verfügbar ist – die KI kann Kandidaten auf Abruf liefern. In der Landwirtschaft könnten Forscher umweltfreundliche Schädlingsbekämpfungsmittel generieren, die regulatorischen und umweltbedingten Einschränkungen entsprechen.

Das kürzlich von Evogene vorgestellte Grundmodell, entwickelt in Zusammenarbeit mit Google Cloud, ist ein Beispiel für diese Verschiebung. Es ermöglicht die Mehrobjektive-Entwurf und eröffnet neue Bereiche des chemischen Raums. Wenn zukünftige Versionen noch mehr Anpassung ermöglichen, werden diese Modelle zu unverzichtbaren Werkzeugen in den Life Sciences.

Wesentlich ist, dass die Auswirkung von der realen Validierung abhängt. Wenn KI-generierte Moleküle getestet und verfeinert werden, verbessern sich die Modelle – was einen mächtigen Feedback-Loop zwischen Rechnung und Experiment schafft.

Dieser generative Ansatz ist nicht auf Medikamente oder Pestizide beschränkt. Er könnte bald Durchbrüche in Materialien, Nahrung und Nachhaltigkeit vorantreiben – und so eine schnellere, intelligentere Entdeckung über Branchen hinweg ermöglichen, die einst durch Trial und Error eingeschränkt waren.