Evogene und Google Cloud enthüllen Foundation-Modell für generatives Molekül-Design und bahnen eine neue Ära in der Life-Science-AI

Evogene Ltd. hat ein erstklassiges generatives AI-Grundmodell für das 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 Pflanzenschutz zu beschleunigen, indem sie die gleichzeitige Optimierung von Eigenschaften wie Wirksamkeit, Toxizität und Stabilität in einem einzigen Designzyklus ermöglicht.

Von sequenzieller Auswahl zu simultanem Design

In der traditionellen Arzneimittel- und Landwirtschaftschemikalienforschung testen Wissenschaftler normalerweise einen Faktor nach dem anderen – zunächst, ob eine Verbindung wirkt, und später, ob sie sicher und stabil ist. Diese schrittweise Methode ist langsam, teuer und endet oft im Scheitern, da viele vielversprechende Verbindungen in späteren Stadien nicht den Anforderungen genügen. Sie hält auch Forscher an bekannten chemischen Strukturen fest, was die Innovation behindert und es schwierig macht, neue, patentierte Produkte zu entwickeln. Dieser veraltete Ansatz trägt zu hohen Kosten, langen Zeiträumen und einer geringen Erfolgsquote bei – etwa 90% der Arzneimittelkandidaten scheitern, bevor sie den Markt erreichen.

Generative KI ändert dieses Paradigma. Anstatt eine Verbindung nach der anderen zu filtern, können KI-Modelle mehrere Anforderungen gleichzeitig berücksichtigen und Moleküle entwerfen, die 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 Aspekte 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. Generative KI ermöglicht es Forschern, schneller und intelligenter zu innovieren, indem sie gleichzeitig für die vielen Aspekte eines erfolgreichen Moleküls optimieren, anstatt jeden Aspekt isoliert zu betrachten.

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 – bekannter arzneimittelähnlicher Verbindungen und vielfältiger chemischer Gerüste – zusammengestellt, um der KI die “Sprache” der Moleküle beizubringen. Mit der Vertex-AI-Infrastruktur von Google Cloud und GPU-Supercomputing hat das Modell Muster aus dieser riesigen chemischen Bibliothek erlernt, was ihm ein beispielloser Kenntnisumfang über das Aussehen von arzneimittelähnlichen Molekülen verleiht. Diese massive Trainingsroutine ist vergleichbar mit der eines großen Sprachmodells, aber anstelle der menschlichen Sprache hat die KI chemische Repräsentationen erlernt.

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 Folge von Zeichen, die seine Atome und Bindungen beschreibt. Das Transformer-Modell hat die Grammatik dieser chemischen Sprache erlernt, was es ermöglicht, “neue Moleküle zu schreiben”, indem es ein Zeichen nach dem anderen vorhersagt, ähnlich wie GPT Sätze Buchstabe für Buchstabe schreiben kann. Da es auf Milliarden von Beispielen trainiert wurde, kann das Modell neue SMILES 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 Bias durch kleine Datenmengen oder die Generierung redundanter oder ungültiger Moleküle. Die Leistung des Grundmodells übertrifft bereits die eines generischen GPT, das auf Chemie angewendet wird: interne Tests zeigten eine Präzision von etwa 90% bei der Erzeugung neuer Moleküle, die alle Designkriterien erfüllen, im Vergleich zu etwa 29% Präzision 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, was eine bemerkenswerte Verbesserung gegenüber den Baseline-Generierungstechniken darstellt.

Während Evogenes primärer generativer Motor ein Transformer auf linearen SMILES verwendet, ist es erwähnenswert, dass das breitere KI-Toolkit auch andere Architekturen wie Graph-Neuronale 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 Atom für Atom aufbauen. Dieser graphbasierte Ansatz ergänzt Sequenzmodelle; beispielsweise umfasst Evogenes Plattform auch Tools wie DeepDock für 3D-Virtuelle Screening, die wahrscheinlich Deep Learning 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 neu sind, sondern auch chemisch einwandfrei und in der Praxis wirksam sind. Der Design-Loop der KI kann Kandidatenstrukturen generieren und diese dann mittels prädiktiver Modelle – einige möglicherweise GNN-basiert – für Kriterien wie Toxizität oder synthetische Machbarkeit bewerten, was einen Feedback-Zyklus schafft, der jeden Vorschlag verfeinert.

Multi-Objekt-Optimierung: Wirksamkeit, Toxizität, Stabilität alle auf einmal

Eine herausragende Funktion von ChemPass AI ist seine eingebaute Fähigkeit zur Multi-Objekt-Optimierung. Die klassische Arzneimittelentdeckung optimiert normalerweise ein Merkmal nach dem anderen, aber ChemPass wurde entwickelt, um mehrere Ziele gleichzeitig zu bearbeiten. Dies wird durch fortschrittliche maschinelle Lernalgorithmen erreicht, die das generative Modell anleiten, um mehrere Einschränkungen zu erfüllen. Während des Trainings kann Evogene Eigenschaftsanforderungen auferlegen – wie etwa, dass eine Verbindung ein bestimmtes Ziel stark aktivieren, bestimmte toxische Muster vermeiden und gute Bioverfügbarkeit aufweisen 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 Multi-Parameter-Bilanz? 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-optimierten Workflow fungiert 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, geringe 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 Arzneimittelentwicklungssystemen erfolgreich eingesetzt – Forscher haben gezeigt, dass Reinforcement-Learning-Algorithmen generative Modelle anleiten können, um Moleküle mit gewünschten 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 die erforderlichen Kompromisse zum Erfüllen aller Kriterien erlernt.

Evogene hat das genaue proprietäre Geheimnis hinter ChemPass AI nicht offengelegt, aber es ist klar, dass solche Strategien im Spiel sind. Die Tatsache, dass jedes generierte Molekül “gleichzeitig wesentliche Parameter erfüllt” wie Wirksamkeit, Synthetisierbarkeit und Sicherheit. Die kommende ChemPass-AI-Version 2.0 wird dies weiter vorantreiben – sie wird entwickelt, um noch flexiblere Multi-Parameter-Einstellungen zu ermöglichen, einschließlich benutzerdefinierter Kriterien, die auf bestimmte therapeutische Bereiche oder Pflanzenanforderungen zugeschnitten sind. Dies lässt darauf schließen, dass das Next-Gen-Modell Forschern ermöglichen könnte, die Bedeutung bestimmter Faktoren (z.B. die Priorisierung der Penetration in das Gehirn für ein Neurologikum oder der Umweltbiodegradierbarkeit für ein Pestizid) zu erhöhen oder zu verringern, und die KI wird ihre Designstrategie entsprechend anpassen. Durch die Integration solcher Multi-Objekt-Fähigkeiten kann ChemPass AI Moleküle entwerfen, die auf mehreren Leistungsmerkmalen gleichzeitig den Sweet Spot treffen, was mit herkömmlichen Methoden praktisch unmöglich ist.

Ein Sprung über traditionelle R&D-Methoden hinaus

Die Einführung des generativen Modells von ChemPass AI unterstreicht einen umfassenderen Wandel in der Life-Science-Forschung und -Entwicklung: den Übergang von mühsamen Trial-and-Error-Workflows zu KI-gestützter 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 unerforschtes chemisches Terrain eintauchen. Dies öffnet die Tür zur Entdeckung wirksamer Verbindungen, die nichts mit dem ähneln, was wir bisher gesehen haben – entscheidend für die Behandlung von Krankheiten mit neuer Chemie oder die Bekämpfung von Schädlingen und Krankheitserregern, die gegen bestehende Moleküle resistent geworden sind. Darüber hinaus hilft die generative KI, durch die Berücksichtigung von Patentfähigkeit von Anfang an, Moleküle zu produzieren, die frische geistige Eigentumsrechte schaffen, was ein wichtiger Wettbewerbsvorteil ist.

Die Vorteile gegenüber herkömmlichen Ansätzen können wie folgt zusammengefasst werden:

• Parallele Multi-Merkmal-Optimierung: Die KI bewertet mehrere Parameter gleichzeitig und entwirft Moleküle, die Wirksamkeit, Sicherheit und andere Kriterien erfüllen. Traditionelle Pipelines entdecken dagegen oft erst in späteren Stadien ein Toxizitätsproblem, nachdem Jahre an Arbeit in eine vielversprechende Droge investiert wurden. Durch die vorherige Filterung solcher Probleme haben KI-entworfene Kandidaten eine bessere Chance auf Erfolg in teuren späteren Studien.

• Erweiterung der chemischen Vielfalt: Generative Modelle sind nicht auf bestehende Verbindungsibliotheken beschränkt. ChemPass AI kann Strukturen entwerfen, die noch nie hergestellt wurden, aber voraussichtlich wirksam sind. Diese Neuheitsgetriebene Generierung vermeidet es, das Rad neu zu erfinden (oder das Molekül), und hilft, differenzierte Produkte mit neuen Wirkmechanismen zu schaffen. Traditionelle Methoden führen oft zu “Me-Too”-Verbindungen, die wenig Neuheit bieten.

• Geschwindigkeit und Skalierbarkeit: Was ein Team von Chemikern möglicherweise über ein Jahr hinweg durch Synthese und Testen erreichen könnte, kann eine KI in Tagen simulieren. Die Deep-Learning-Plattform von ChemPass AI kann virtuell Milliarden von Verbindungen schnell durchsuchen und Hunderte neuer Ideen in einem einzigen Durchgang generieren. Dies komprimiert den Entdeckungszeitraum dramatisch und konzentriert die 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, arzneimittelähnliche Eigenschaften) in ihre Trainingsdaten. Dies bedeutet, dass jedes Molekül-Design von der Breite der vorherigen Daten profitiert, die kein einzelner menschlicher Experte im Kopf haben könnte. Traditionelles Design verlässt sich auf die Erfahrung von Medizinchemikern – wertvoll, aber begrenzt auf menschliches Gedächtnis und Vorurteile – während die KI Muster über Millionen von Experimenten und diverse chemische Familien hinweg erfassen kann.

In praktischen Begriffen könnte dies in der Pharmaindustrie zu höheren Erfolgsraten in klinischen Studien und reduzierten Entwicklungskosten führen, da weniger Ressourcen für gescheiterte Verbindungen verschwendet werden. In der Landwirtschaft bedeutet es die schnelle Entwicklung sicherer, nachhaltigerer Pflanzenschutzlösungen – beispielsweise ein Herbizid, das für Unkraut tödlich, aber für Nicht-Zielorganismen harmlos ist und sich im Umweltkontext harmlos abbaut. Durch die Optimierung von Wirksamkeit und Umweltsicherheit gleichzeitig kann die KI “wirksame, nachhaltige und patentierte” Pflanzenschutzmittel liefern, die regulatorische und Resistenzherausforderungen in einem Schritt angehen.

Teil eines umfassenderen KI-Toolkits bei Evogene

Während ChemPass AI im Mittelpunkt des Interesses für das Design von Small-Molekülen steht, ist es Teil von Evogenes Trio an KI-gesteuerten “Tech-Engines”, die für verschiedene Bereiche zugeschnitten sind. Das Unternehmen hat MicroBoost AI für Mikroorganismen, 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 über den gesamten Bereich hinweg zu revolutionieren – sei es die Formulierung eines Arzneimittels, eines Bio-Stimulans oder einer trockentoleranten Pflanze – indem sie Rechnen nutzen, um biologische Komplexität zu meistern. Die Motoren teilen eine gemeinsame Philosophie: die Nutzung fortschrittlicher maschineller Lernalgorithmen, um die Erfolgsquote in der Forschung und Entwicklung 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 verändert. Anstatt eine Idee nach der anderen zu testen, können Wissenschaftler nun 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 entwickelte Grundmodell, das in Zusammenarbeit mit Google Cloud entwickelt wurde, ist ein Beispiel für diesen Wandel. Es ermöglicht die Multi-Parameter-Entwurf und eröffnet neue Bereiche des chemischen Raums. Wenn zukünftige Versionen noch mehr Anpassungsmöglichkeiten bieten, werden diese Modelle zu unverzichtbaren Werkzeugen in den Life Sciences.

Wesentlich ist, dass die Auswirkungen von der realen Validierung abhängen. Wenn KI-generierte Moleküle getestet und verfeinert werden, verbessern sich die Modelle – was einen mächtigen Feedback-Zyklus zwischen Rechnen und Experiment schafft.

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