Η Evogene και η Google Cloud παρουσιάζουν το Foundation Model για τη γενετική σχεδίαση μορίων, αναπτύσσοντας μια νέα εποχή στην τεχνολογία AI για τις επιστήμες της ζωής

Η Evogene Ltd. παρουσίασε ένα πρωτοποριακό γενετικό μοντέλο AI για τη σχεδίαση μικρών μορίων, σηματοδοτώντας μια σημαντική πρόοδο στην ανακάλυψη νέων ενώσεων. Ανακοινώθηκε στις 10 Ιουνίου 2025, σε συνεργασία με τη Google Cloud, το μοντέλο επεκτείνει την πλατφόρμα ChemPass AI της Evogene και αντιμετωπίζει μια μακροχρόνια πρόκληση τόσο στη φαρμακευτική όσο και στη γεωργία: την ανακάλυψη νέων μορίων που ικανοποιούν πολλαπλά σύνθετα κριτήρια ταυτόχρονα. Αυτή η εξέλιξη είναι έτοιμη να επιταχύνει την έρευνα και ανάπτυξη στη ανακάλυψη φαρμάκων και προστασίας καλλιεργειών, επιτρέποντας την ταυτόχρονη βελτιστοποίηση ιδιοτήτων όπως η αποτελεσματικότητα, η τοξικότητα και η σταθερότητα σε einen σχεδιαστικό κύκλο.

Από τη Σειριακή Οθόνη στη Συγχρόνιστη Σχεδίαση

Στην παραδοσιακή έρευνα φαρμάκων και γεωργικών χημικών, οι επιστήμονες συνήθως ελέγχουν έναν παράγοντα κάθε φορά – πρώτα ελέγχουν αν μια ένωση λειτουργεί, και αργότερα ελέγχουν για ασφάλεια και σταθερότητα. Αυτή η βήμα-προς-βήμα μέθοδος είναι αργή, ακριβή και συχνά οδηγεί σε αποτυχία, με πολλές υποσχόμενες ενώσεις να μην ανταποκρίνονται στις απαιτήσεις των μεταγενέστερων σταδίων. Επίσης, κρατά τους ερευνητές εστιασμένους σε γνωστές χημικές δομές, περιορίζοντας την καινοτομία και καθιστώντας πιο δύσκολο να δημιουργηθούν νέες, διπλωματούχες προϊόντα. Αυτή η παρωχημένη προσέγγιση συνεισφέρει στα υψηλά κόστη, τις μακρές προθεσμίες και το χαμηλό ποσοστό επιτυχίας – περίπου 90% των υποψηφίων φαρμάκων αποτυγχάνουν πριν φθάσουν στην αγορά.

Η γενετική τεχνητή νοημοσύνη αλλάζει αυτό το πρότυπο. Αντί της σειριακής φιλτραρίσματος, τα μοντέλα AI μπορούν να χειριστούν πολλαπλά απαιτήσεις ταυτόχρονα, σχεδιάζοντας μόρια που να είναι αποτελεσματικά, ασφαλή και σταθερά από την αρχή. Το νέο μοντέλο της Evogene κατασκευάστηκε ρητά για να επιτρέψει αυτή τη συγχρόνιστη πολλαπλή σχεδίαση. Αυτή η προσέγγιση στοχεύει να μειώσει τους κινδύνους των μεταγενέστερων σταδίων της ανάπτυξης, ενσωματώνοντας παράμετρους όπως η ADME και η τοξικότητα στην αρχική σχεδίαση.

Στην πράξη, μπορεί να σημαίνει λιγότερες αποτυχίες στα μεταγενέστερα στάδια – για παράδειγμα, λιγότεροι υποψήφιοι φάρμακοι που δείχνουν εξαιρετικά αποτελέσματα στο εργαστήριο, αλλά αποτυγχάνουν στις κλινικές δοκιμές λόγω παρενεργειών. Σε σύντομο, η γενετική τεχνητή νοημοσύνη επιτρέπει στους ερευνητές να καινοτομούν γρηγορότερα και έξυπνα, βελτιστοποιώντας ταυτόχρονα για πολλά χαρακτηριστικά ενός επιτυχημένου μορίου, αντί να αντιμετωπίζουν κάθε ένα ξεχωριστά.

Μέσα στο ChemPass AI: Πώς τα Γενετικά Μοντέλα Σχεδιάζουν Μόρια

Στην καρδιά της πλατφόρμας ChemPass AI της Evogene βρίσκεται ένα ισχυρό νέο μοντέλο που έχει εκπαιδευτεί σε ένα τεράστιο χημικό σύνολο δεδομένων. Η εταιρεία συνέλεξε μια επιλεγμένη βάση δεδομένων περίπου 40 δισεκατομμυρίων μοριακών δομών – που περιλαμβάνει γνωστές φαρμακευτικές ενώσεις και ποικίλες χημικές δομές – για να διδάξει στο AI τη “γλώσσα” των μορίων. Χρησιμοποιώντας την υποδομή Vertex AI της Google Cloud με υπολογιστές GPU, το μοντέλο έμαθε μοτίβα από αυτή τη τεράστια χημική βιβλιοθήκη, δίνοντάς του μια беспрецедентνη γνώση για το τι είναι φαρμακευτικά μόρια. Αυτή η μαζική εκπαίδευση είναι παρόμοια με την εκπαίδευση ενός μεγάλου μοντέλου φυσικής γλώσσας, αλλά αντί για ανθρώπινη γλώσσα, το AI έμαθε χημικές αναπαραστάσεις.

Το γενετικό μοντέλο της Evogene βασίζεται σε αρχιτεκτονική νευρωνικού δικτύου transformer, παρόμοια με τα μοντέλα GPT που επαναχάραξαν την επεξεργασία φυσικής γλώσσας. Στην πραγματικότητα, το σύστημα αναφέρεται ως ChemPass-GPT, ένα ιδιόκτητο μοντέλο AI που έχει εκπαιδευτεί σε συμβολοσειρές SMILES (μια κωδικοποίηση κειμένου μοριακών δομών). Σε απλά λόγια, το ChemPass-GPT αντιμετωπίζει μόρια σαν προτάσεις – κάθε μοριακή συμβολοσειρά SMILES είναι μια ακολουθία χαρακτήρων που περιγράφει τα άτομα και τους δεσμούς της. Το μοντέλο transformer έχει μάθει τη γραμματική αυτής της χημικής γλώσσας, επιτρέποντάς του να “γράψει” νέα μόρια προβλέποντας έναν χαρακτήρα κάθε φορά, με τον ίδιο τρόπο που το GPT μπορεί να γράψει προτάσεις γράμμα προς γράμμα. Επειδή εκπαιδεύτηκε σε δισεκατομμύρια παραδείγματα, το μοντέλο μπορεί να γεννήσει νέα SMILES που αντιστοιχούν σε χημικά έγκυρες, φαρμακευτικές δομές.

Αυτή η σειριακή γενετική προσέγγιση αξιοποιεί τη δύναμη των transformers στην κατανόηση σύνθετων μοτίβων. Με την εκπαίδευση σε τέτοιο τεράστιο και χημικά διαφορετικό σύνολο δεδομένων, το ChemPass AI υπερβαίνει προβλήματα που αντιμετώπισαν προηγούμενα μοντέλα AI, όπως προκατάληψη από μικρά σύνολα δεδομένων ή γεννήθηκε αναπαραγωγικά ή άκυρα μόρια. Η απόδοση του μοντέλου ιδρύματος υπερβαίνει ήδη την απόδοση ενός γενικού μοντέλου GPT που εφαρμόζεται στη χημεία: εσωτερικοί έλεγχοι έδειξαν περίπου 90% ακρίβεια στην παραγωγή νέων μορίων που ικανοποιούν όλα τα κριτήρια σχεδίασης, σε σύγκριση με ~29% ακρίβεια για ένα παραδοσιακό μοντέλο GPT-βασισμένοevogene.com. Σε πρακτικούς όρους, αυτό σημαίνει ότι σχεδόν όλα τα μόρια που προτείνει το ChemPass AI δεν είναι μόνο νέα, αλλά επίσης ταιριάζουν στο προφίλ στόχου, μια εντυπωσιακή βελτίωση σε σχέση με τις βασικές γενετικές τεχνικές.

Ενώ το πρωταρχικό γενετικό κινητήρας της Evogene χρησιμοποιεί einen transformer σε γραμμικές συμβολοσειρές SMILES, αξίζει να σημειωθεί ότι το ευρύτερο εργαλείο AI περιλαμβάνει άλλες αρχιτεκτονικές όπως graph neural networks (GNNs). Τα μόρια είναι φυσικά γραφικά – με άτομα ως κόμβους και δεσμούς ως άκρες – και τα GNNs μπορούν να συλλογισθούν απευθείας σε αυτές τις δομές. Στη σύγχρονη σχεδίαση φαρμάκων, τα GNNs χρησιμοποιούνται συχνά για την πρόβλεψη ιδιοτήτων ή ακόμη και για τη γεννήση μορίων με την κατασκευή τους άτομο προς άτομο. Αυτή η γραφική προσέγγιση συμπληρώνει τα μοντέλα ακολουθίας; για παράδειγμα, η πλατφόρμα της Evogene περιλαμβάνει επίσης εργαλεία όπως το DeepDock για εικονική οθόνη 3D, που πιθανότατα χρησιμοποιούν βαθιά μάθηση για την αξιολόγηση της δέσμευσης μορίων σε ένα контекστό δομής. Με την συνδυασμένη χρήση μοντέλων ακολουθίας (καλά για δημιουργικότητα και καινοτομία) με γραφικά μοντέλα (καλά για δομική ακρίβεια και πρόβλεψη ιδιοτήτων), το ChemPass AI διασφαλίζει ότι τα παραγόμενα μόρια δεν είναι μόνο νέα σε χαρτί, αλλά και χημικά ακριβή και αποτελεσματικά στην πράξη. Ο κύκλος σχεδίασης του AI μπορεί να γεννήσει υποψήφια δομές και στη συνέχεια να τις αξιολογήσει μέσω προβλεπτικών μοντέλων – ορισμένα από τα οποία μπορεί να είναι GNN-βασισμένα – για κριτήρια όπως η τοξικότητα ή η συνθετική εφικτότητα, δημιουργώντας einen ανατροφοδοτούμενο κύκλο που βελτιστοποιεί κάθε πρόταση.

Πολυ-Σκοπική Βελτιστοποίηση: Αποτελεσματικότητα, Τοξικότητα, Σταθερότητα Όλα ταυτόχρονα

Μια εξαιρετική λειτουργία του ChemPass AI είναι η ενσωματωμένη ικανότητα για πολυ-σκοπική βελτιστοποίηση. Η κλασική ανακάλυψη φαρμάκων συχνά βελτιστοποιεί ένα χαρακτηριστικό κάθε φορά, αλλά το ChemPass σχεδιάστηκε για να χειριστεί πολλά αντικείμενα ταυτόχρονα. Αυτό επιτυγχάνεται μέσω προηγμένων τεχνικών μάθησης που οδηγούν το γενετικό μοντέλο προς την ικανοποίηση πολλαπλών περιορισμών. Κατά την εκπαίδευση, η Evogene μπορεί να επιβάλει απαιτήσεις ιδιοτήτων – όπως μια ένωση πρέπει να ενεργοποιήσει ένα συγκεκριμένο στόχο ισχυρά, να αποφύγει bestimmτε τοξικές μοτίβα και να έχει καλή βιοδιαθεσιμότητα – και το μοντέλο μαθαίνει να πλοηγείται στο χημικό χώρο υπό αυτές τις κανόνες. Το σύστημα ChemPass-GPT επιτρέπει ακόμη και “περιορισμένη γεννήση”, που σημαίνει ότι μπορεί να οδηγηθεί να προτείνει μόρια που ικανοποιούν συγκεκριμένες επιθυμητές ιδιότητες από την αρχή.

Πώς το AI επιτυγχάνει αυτή τη बहु-παραμετρική ισορροπία; Μια προσέγγιση είναι η πολυ-εργασία μάθησης, όπου το μοντέλο δεν μόνο γεννά μόρια, αλλά και προβλέπει τις ιδιότητές τους χρησιμοποιώντας εκπαιδευμένους προβλεπτικούς, điều chỉnhοντας την γεννήση ανάλογα. Μια άλλη ισχυρή προσέγγιση είναι η ενίσχυση μάθησης (RL). Σε einen RL-βελτιωμένο workflow, το γενετικό μοντέλο ενεργεί σαν ένας “παίκτης” του παιχνιδιού της σχεδίασης μορίων: προτείνει ένα μόριο και στη συνέχεια λαμβάνει einen βαθμολογία ανταμοιβής με βάση το πόσο καλά το μόριο ικανοποιεί τους στόχους (αποτελεσματικότητα, έλλειψη τοξικότητας, κ.λπ.). Μετά από πολλές επαναλήψεις, το μοντέλο điều chỉnhει την στρατηγική γεννήσεώς του για να μεγιστοποιήσει αυτήν την ανταμοιβή. Αυτή η μέθοδος έχει χρησιμοποιηθεί επιτυχώς σε άλλα συστήματα σχεδίασης φαρμάκων που βασίζονται σε AI – οι ερευνητές έχουν δείξει ότι αλγόριθμοι ενίσχυσης μάθησης μπορούν να οδηγήσουν γενετικά μοντέλα να παράγουν μόρια με επιθυμητές ιδιότητες. Στην ουσία, το AI μπορεί να εκπαιδευτεί με eine ανταμοιβή που περιλαμβάνει πολλαπλούς στόχους, για παράδειγμα δίνοντας πόντους για την προβλεπόμενη αποτελεσματικότητα και αφαιρώντας πόντους για την προβλεπόμενη τοξικότητα. Το μοντέλο στη συνέχεια βελτιστοποιεί τις “κινήσεις” του (προσθήκη ή αφαίρεση ατόμων, τροποποίηση λειτουργικών ομάδων) για να μεγιστοποιήσει τον συνολικό βαθμό, αποτελεσματικά μαθαίνοντας τις συμβιβαστικές λύσεις που χρειάζονται για να ικανοποιήσουν όλα τα κριτήρια.

Η Evogene δεν έχει αποκαλύψει το ακριβές ιδιόκτητο “μυστικό” πίσω από το πολυ-σκοπικό κινητήρα του ChemPass AI, αλλά είναι σαφές από τα αποτελέσματά τους ότι τέτοιες στρατηγικές είναι σε λειτουργία. Το γεγονός ότι κάθε γεννημένο μόριο “ικανοποιεί ταυτόχρονα τα απαραίτητα παραμέτρους” όπως η αποτελεσματικότητα, η συνθετική εφικτότητα και η ασφάλεια. Η επερχόμενη έκδοση 2.0 του ChemPass AI αναπτύσσεται για να επιτρέψει ακόμη πιο ευέλικτη πολλαπλή ρύθμιση παραμέτρων, συμπεριλαμβανομένων και των κριτηρίων που ορίζονται από τον χρήστη, προσαρμοσμένων σε συγκεκριμένες θεραπευτικές περιοχές ή απαιτήσεις καλλιεργειών. Αυτό υποδηλώνει ότι η επόμενη έκδοση του μοντέλου θα επιτρέψει στους ερευνητές να ρυθμίσουν τηνimportance ορισμένων παραμέτρων (για παράδειγμα, να δώσουν προτεραιότητα στην εγκεφαλική διέλευση για ένα φάρμακο νευρολογίας ή την περιβαλλοντική βιοδιασπάθεια για ένα ζιζανιοκτόνο) και το AI θα προσαρμόσει την στρατηγική σχεδίασης του ανάλογα. Ενσωματώνοντας τέτοιες πολυ-σκοπικές ικανότητες, το ChemPass AI μπορεί να σχεδιάσει μόρια που να ικανοποιούν πολλαπλά κριτήρια ταυτόχρονα, ένα επίτευγμα που είναι πρακτικά αδύνατο με τις παραδοσιακές μεθόδους.

Ένας Άλλος Βήμα Πέρα από τις Παραδοσιακές Μέθοδοι Έρευνας και Ανάπτυξης

Η εμφάνιση του γενετικού μοντέλου του ChemPass AI της Evogene υπογραμμίζει μια ευρεία μετατόπιση στις μεθόδους έρευνας και ανάπτυξης στις επιστήμες της ζωής: την μετάβαση από χρονοβόρες μεθόδους δοκιμής και λάθους σε AI-βελτιστοποιημένη δημιουργικότητα και ακρίβεια. Αντιθέτως με τους ανθρώπινους χημικούς, οι οποίοι έχουν την τάση να παραμένουν σε γνωστές χημικές σειρές και να επαναλαμβάνουν αργά, ένα AI μπορεί να αντιληφθεί δισεκατομμύρια δυνατότητες και να εισέλθει σε ανεξερεύνητους χημικούς χώρους. Αυτό ανοίγει την πόρτα για την ανακάλυψη αποτελεσματικών ενώσεων που δεν μοιάζουν με τίποτα που έχουμε δει πριν – κρίσιμο για τη θεραπεία ασθενειών με νέα χημεία ή για την αντιμετώπιση εχθρών και παθογόνων που έχουν εξελιχθεί να ανθίστανται σε υπάρχουσες ενώσεις. Επιπλέον, λαμβάνοντας υπόψη την πατεντική προστασία από την αρχή, η γενετική τεχνητή νοημοσύνη βοηθά στην αποφυγή πυκνοκατοικημένων περιοχών πνευματικής ιδιοκτησίας. Η Evogene έχει ως στόχο να παράγει μόρια που να δημιουργούν νέες πνευματικές ιδιοκτησίες, một σημαντικό ανταγωνιστικό πλεονέκτημα.

Τα οφέλη έναντι των παραδοσιακών προσεγγίσεων μπορούν να συνοψιστούν ως εξής:

• Παράλληλη Πολυ-Ιδιότητα Βελτιστοποίηση: Το AI αξιολογεί πολλά παράμετρα παράλληλα, σχεδιάζοντας μόρια που ικανοποιούν την αποτελεσματικότητα, την ασφάλεια και άλλα κριτήρια. Οι παραδοσιακές διαδικασίες, αντίθετα, συχνά ανακαλύπτουν ζητήματα τοξικότητας μόνο μετά από χρόνια εργασίας σε ένα υποσχόμενο φάρμακο. Με την προκαταρκτική φιλτράρισή τους για τέτοιου είδους ζητήματα, οι υποψήφιοι που σχεδιάζονται από το AI έχουν καλύτερη ευκαιρία για επιτυχία στις ακριβές μεταγενέστερες δοκιμές.

• Επέκταση Χημικής Ποικιλότητας: Τα γενετικά μοντέλα δεν περιορίζονται σε υπάρχουσες βιβλιοθήκες ενώσεων. Το ChemPass AI μπορεί να δημιουργήσει δομές που δεν έχουν υπάρξει ποτέ, αλλά προβλέπεται ότι θα είναι αποτελεσματικές. Αυτή η καινοτομική γενετική γεννήση αποφεύγει την επανεισαγωγή του τροχού (ή του μορίου) και βοηθά στην δημιουργία διαφοροποιημένων προϊόντων με νέες μηχανές δράσης. Οι παραδοσιακές μεθόδους συχνά οδηγούν σε “me-too” ενώσεις που προσφέρουν λίγη καινοτομία.

• Ταχύτητα και Κλίμακα: Αυτό που μια ομάδα χημικών μπορεί να επιτύχει μέσω σύνθεσης και δοκιμών σε ένα χρόνο, ένα AI μπορεί να το προσομοιώσει σε ημέρες. Η πλατφόρμα ChemPass AI της Evogene μπορεί να εικονικά οθονεύσει δεκάδες δισεκατομμύρια ενώσεις γρήγορα και να γεννήσει εκατοντάδες νέες ιδέες σε μια seule εκτέλεση. Αυτό μειώνει δραματικά τον χρόνο ανακάλυψης, εστιάζοντας τις πειραματικές εργασίες μόνο στα πιο υποσχόμενα υποψήφια που έχουν αναγνωριστεί σε silico.

• Ενσωματωμένη Γνώση: Τα μοντέλα AI όπως το ChemPass AI ενσωματώνουν τεράστιες ποσότητες χημικής και βιολογικής γνώσης (π.χ. γνωστές σχέσεις δομής-δραστικότητας, προειδοποιήσεις τοξικότητας, κανόνες φαρμακευτικών ιδιοτήτων) κατά την εκπαίδευσή τους. Αυτό σημαίνει ότι κάθε σχεδιασμός μορίου επωφελείται από ένα πλούσιο σύνολο προηγούμενων δεδομένων που κανένας ανθρώπινος εμπειρογνώμονας δεν θα μπορούσε να διατηρήσει στη μνήμη του. Η παραδοσιακή σχεδίαση βασίζεται στην εμπειρία των φαρμακευτικών χημικών – πολύτιμη αλλά περιορισμένη στην ανθρώπινη μνήμη και προκατάληψη – ενώ το AI μπορεί να συλλάβει μοτίβα σε εκατομμύρια πειραμάτων και διαφορετικές χημικές οικογένειες.

Σε πρακτικούς όρους, για τη φαρμακευτική βιομηχανία αυτό μπορεί να οδηγήσει σε υψηλότερους ρυθμούς επιτυχίας στις κλινικές δοκιμές και μειωμένα έξοδα ανάπτυξης,既然 λιγότεροι πόροι σπαταλούνται σε καταδικασμένα μόρια. Στην γεωργία, σημαίνει ταχύτερη δημιουργία ασφαλέστερων, πιο βιώσιμων λύσεων προστασίας καλλιεργειών – για παράδειγμα, ένα ζιζανιοκτόνο που είναι θανατηφόρο για τα ζιζάνια αλλά αβλαβές για μη-στόχους οργανισμούς και διασπάται αβλαβώς στο περιβάλλον. Βελτιστοποιώντας την αποτελεσματικότητα και την περιβαλλοντική ασφάλεια μαζί, το AI μπορεί να βοηθήσει στην παραγωγή “αποτελεσματικών, βιώσιμων και ιδιόκτητων” αγροχημικών, αντιμετωπίζοντας προκλήσεις κανονιστικών και αντοχής με ένα χτύπημα.

Μέρος ενός Ευρύτερου Εργαλείου AI στη Evogene

Ενώ το ChemPass AI κλέβει την προσοχή για τη σχεδίαση μικρών μορίων, είναι μέρος του τρίου “τεχνολογικών κινητήρων” AI της Evogene, που έχουν προσαρμοστεί σε διαφορετικές περιοχές. Η εταιρεία έχει MicroBoost AI που επικεντρώνεται σε μικροοργανισμούς, ChemPass AI στη χημεία και GeneRator AI στα γενετικά στοιχεία. Κάθε κινητήρας εφαρμόζει αναλύσεις μεγάλων δεδομένων και μηχανική μάθηση στην αντίστοιχη περιοχή.

Αυτή η ολοκληρωμένη οικοσύστημη AI κινητήρων υπογραμμίζει την στρατηγική της Evogene ως “AI-πρώτης” εταιρείας επιστημών της ζωής. Στόχος τους είναι να επαναφέρουν την ανακάλυψη προϊόντων σε ολόκληρη την πλάτη – είτε πρόκειται για τη σύνθεση ενός φαρμάκου, ενός βιο-επαγωγέα ή ενός ανθεκτικού στη ξηρασία καλλιεργείου – με την αξιοποίηση του υπολογισμού για να πλοηγήσουν τη βιολογική πολυπλοκότητα. Οι κινητήρες μοιράζονται μια κοινή φιλοσοφία: να χρησιμοποιήσουν την προηγμένη μηχανική μάθηση για να αυξήσουν την πιθανότητα επιτυχίας της έρευνας και ανάπτυξης και να μειώσουν τον χρόνο και το κόστος.

Προοπτική: Η AI-Οδηγούμενη Ανακάλυψη Ενηλικιώνεται

Η γενετική τεχνητή νοημοσύνη μεταμορφώνει την ανακάλυψη μορίων, μεταφέροντας τον ρόλο της AI από βοηθό σε δημιουργικό συνεργάτη. Αντί να ελέγχεται μια ιδέα κάθε φορά, οι επιστήμονες μπορούν τώρα να χρησιμοποιήσουν την AI για να σχεδιάσουν εντελώς νέα μόρια που ικανοποιούν πολλαπλούς στόχους – αποτελεσματικότητα, ασφάλεια, σταθερότητα και άλλα – σε ένα βήμα.

Αυτός ο μέλλον είναι ήδη σε εξέλιξη. Μια φαρμακευτική ομάδα μπορεί να ζητήσει ένα μόριο που στοχεύει σε ένα συγκεκριμένο πρωτεϊνικό στόχο, αποφεύγει τον εγκέφαλο και είναι προφορικά διαθέσιμο – η AI μπορεί να παραδώσει υποψήφιους κατά παραγγελία. Στην γεωργία, οι ερευνητές θα μπορούσαν να γεννήσουν οικολογικά φιλικά μέσα ελέγχου ζιζανίων, προσαρμοσμένα σε κανονιστικές και περιβαλλοντικές περιορισμοί.

Το πρόσφατο μοντέλο ιδρύματος της Evogene, αναπτυγμένο με τη Google Cloud, είναι ένα παράδειγμα αυτής της μετατόπισης. Επιτρέπει τη σχεδίαση πολλαπλών παραμέτρων και ανοίγει νέες περιοχές του χημικού χώρου. Όσο οι μελλοντικές εκδόσεις επιτρέπουν ακόμη περισσότερη προσαρμογή, αυτά τα μοντέλα θα γίνουν απαραίτητα εργαλεία σε ολόκληρη τη βιομηχανία.

Κρίσιμο, η επίδραση εξαρτάται από την πρακτική επικύρωση. Όσο τα AI-γεννημένα μόρια δοκιμάζονται και βελτιστοποιούνται, τα μοντέλα βελτιώνονται – δημιουργώντας einen ισχυρό ανατροφοδοτούμενο κύκλο μεταξύ υπολογισμού και πειραματισμού.

Αυτή η γενετική προσέγγιση δεν περιορίζεται σε φάρμακα ή ζιζανιοκτόνα. Θα μπορούσε σύντομα να οδηγήσει σε πρωτοποριακές ανακαλύψεις σε υλικά, τρόφιμα και βιωσιμότητα – προσφέροντας ταχύτερη, έξυπνη ανακάλυψη σε βιομηχανίες που ήταν μέχρι τώρα περιορισμένες από την δοκιμή και το λάθος.