Evogene y Google Cloud presentan un modelo fundamental para el diseño generativo de moléculas, abriendo una nueva era en la inteligencia artificial en las ciencias de la vida.

Evogen Ltd. ha presentado un vehículo pionero en su clase modelo de base de IA generativa para el diseño de moléculas pequeñas, lo que marca un avance en el modo en que se descubren nuevos compuestos. Anunciado El 10 de junio de 2025, en colaboración con Google Cloud, el modelo amplía la plataforma de IA ChemPass de Evogene y aborda un desafío recurrente tanto en la industria farmacéutica como en la agrícola: encontrar moléculas novedosas que cumplan simultáneamente múltiples criterios complejos. Este desarrollo está destinado a acelerar la I+D en el descubrimiento de fármacos y la protección de cultivos, al permitir la optimización simultánea de propiedades como la eficacia, la toxicidad y la estabilidad en un único ciclo de diseño.

Del cribado secuencial al diseño simultáneo

En la investigación química tradicional de fármacos y agricultura, los científicos suelen evaluar un factor a la vez: primero verifican si un compuesto funciona y luego prueban su seguridad y estabilidad. Este método gradual es lento, costoso y a menudo fracasa, ya que muchos compuestos prometedores fracasan en etapas posteriores. Además, mantiene a los investigadores centrados en estructuras químicas conocidas, lo que limita la innovación y dificulta la creación de nuevos productos patentables. Este enfoque obsoleto contribuye a altos costos, plazos largos y una baja tasa de éxito, de aproximadamente... El 90% de los fármacos candidatos fracasan antes de llegar al mercado.

La IA generativa cambia este paradigma. En lugar de un filtrado individual, los modelos de IA pueden gestionar múltiples requisitos a la vez, diseñando moléculas potentes, seguras y estables desde el principio. El nuevo modelo base de Evogene se diseñó específicamente para permitir este diseño multiparamétrico simultáneo. Este enfoque busca minimizar los riesgos en las fases posteriores del desarrollo al priorizar consideraciones como la ADME y la toxicidad en el diseño inicial.

En la práctica, podría significar menos fracasos en etapas avanzadas; por ejemplo, menos fármacos candidatos que muestran excelentes resultados de laboratorio y luego fracasan en los ensayos clínicos debido a efectos secundarios. En resumen, la IA generativa permite a los investigadores innovar con mayor rapidez e inteligencia, optimizando simultáneamente las múltiples facetas de una molécula exitosa, en lugar de abordar cada una de forma aislada.

Dentro de ChemPass AI: Cómo los modelos generativos diseñan moléculas

En el corazón de la plataforma de IA ChemPass de Evogene se encuentra un nuevo y potente modelo de base entrenado con un enorme conjunto de datos químicos. La empresa creó un base de datos curada de aproximadamente 40 mil millones de estructuras moleculares—que abarca compuestos conocidos similares a fármacos y diversas estructuras químicas— para enseñar a la IA el "lenguaje" de las moléculas. Mediante la infraestructura de IA Vertex de Google Cloud con supercomputación por GPU, el modelo aprendió patrones de esta vasta biblioteca química, lo que le proporcionó un conocimiento sin precedentes sobre el aspecto de las moléculas similares a fármacos. Este entrenamiento intensivo es similar al entrenamiento de un gran modelo de lenguaje, pero en lugar de lenguaje humano, la IA aprendió representaciones químicas.

El modelo generativo de Evogene se basa en una arquitectura de red neuronal transformadora, similar a los modelos GPT que revolucionaron el procesamiento del lenguaje natural. De hecho, el sistema se conoce como ChemPass-GPT, un modelo de IA patentado entrenado con cadenas SMILES (una codificación de texto de estructuras moleculares). En pocas palabras, ChemPass-GPT trata las moléculas como oraciones: la cadena SMILES de cada molécula es una secuencia de caracteres que describe sus átomos y enlaces. El modelo transformador ha aprendido la gramática de este lenguaje químico, lo que le permite "escribir" nuevas moléculas prediciendo un carácter a la vez, de la misma manera que GPT puede escribir oraciones letra por letra. Gracias a su entrenamiento con miles de millones de ejemplos, el modelo puede generar nuevos SMILES que corresponden a estructuras químicamente válidas, similares a las de los fármacos.

Este enfoque generativo basado en secuencias Aprovecha la potencia de los transformadores para capturar patrones complejos. Al entrenarse con un conjunto de datos tan grande y químicamente diverso, ChemPass AI supera los problemas que enfrentaban los modelos de IA anteriores, como el sesgo de conjuntos de datos pequeños o la generación de moléculas redundantes o inválidas. El rendimiento del modelo base ya supera con creces el de un GPT genérico aplicado a la química: las pruebas internas mostraron aproximadamente... 90% de precisión en la producción de nuevas moléculas que cumplen todos los criterios de diseño, frente a una precisión de aproximadamente el 29 % para un modelo tradicional basado en GPTevogene.comEn términos prácticos, esto significa que casi todas las moléculas que sugiere ChemPass AI no solo son nuevas, sino que también cumplen con su perfil objetivo, una mejora notable con respecto a las técnicas generativas básicas.

Si bien el motor generativo principal de Evogene utiliza un transformador en SMILES lineales, vale la pena señalar que el conjunto de herramientas de IA más amplio incluye otras arquitecturas como graficar redes neuronales (GNN). Las moléculas son grafos naturales (con átomos como nodos y enlaces como bordes) y las GNN pueden razonar directamente sobre estas estructuras. En el diseño de fármacos modernos, las GNN se usan a menudo para predecir propiedades o incluso generar moléculas construyéndolas átomo por átomo. Este enfoque basado en grafos complementa los modelos de secuencia; por ejemplo, la plataforma de Evogene también incorpora herramientas como DeepDock para el cribado virtual en 3D, que probablemente use aprendizaje profundo para evaluar la unión de moléculas en un contexto basado en la estructura. Al combinar modelos de secuencia (excelentes para la creatividad y la novedad) con modelos basados ​​en grafos (excelentes para la precisión estructural y la predicción de propiedades), ChemPass AI garantiza que sus compuestos generados no solo sean novedosos en el papel, sino también químicamente sólidos y efectivos en la práctica. El bucle de diseño de la IA puede generar estructuras candidatas y luego evaluarlas a través de modelos predictivos (algunos posiblemente basados ​​en GNN) para criterios como la toxicidad o la viabilidad sintética, creando un ciclo de retroalimentación que refine cada sugerencia.

Optimización multiobjetivo: potencia, toxicidad, estabilidad De repente

Una característica destacada de ChemPass AI es su capacidad integrada para la optimización multiobjetivo. El descubrimiento de fármacos clásico suele optimizar una propiedad a la vez, pero ChemPass fue diseñado para gestionar varios objetivos simultáneamente. Esto se logra mediante técnicas avanzadas de aprendizaje automático que guían al modelo generativo hacia el cumplimiento de múltiples restricciones. Durante el entrenamiento, Evogene puede imponer requisitos de propiedad —como que una molécula active fuertemente una diana específica, evite ciertos motivos tóxicos y tenga buena biodisponibilidad— y el modelo aprende a navegar por el espacio químico bajo esas reglas. El sistema ChemPass-GPT incluso permite la "generación basada en restricciones", lo que significa que puede configurarse para proponer únicamente moléculas que cumplan con las propiedades deseadas específicas desde el principio.

¿Cómo logra la IA este equilibrio multiparamétrico? Un enfoque es el aprendizaje multitarea, donde el modelo no solo genera moléculas, sino que también predice sus propiedades mediante predictores aprendidos, ajustando la generación en consecuencia. Otro enfoque eficaz es aprendizaje por refuerzo (RL)En un flujo de trabajo mejorado con aprendizaje automático, el modelo generativo actúa como un agente que "juega" a diseñar moléculas: propone una molécula y obtiene una puntuación de recompensa según su cumplimiento de los objetivos (potencia, ausencia de toxicidad, etc.). A lo largo de numerosas iteraciones, el modelo ajusta su estrategia de generación para maximizar esta recompensa. Este método se ha utilizado con éxito en otros sistemas de diseño de fármacos basados ​​en IA; los investigadores han demostrado que Los algoritmos de aprendizaje de refuerzo pueden guiar los modelos generativos para producir moléculas con propiedades deseables.En esencia, la IA puede entrenarse con una función de recompensa que encapsula múltiples objetivos, por ejemplo, otorgar puntos por la eficacia prevista y restar puntos por la toxicidad prevista. El modelo optimiza entonces sus acciones (añadir o eliminar átomos, modificar grupos funcionales) para obtener la puntuación más alta, aprendiendo eficazmente las compensaciones necesarias para cumplir todos los criterios.

Evogene no ha revelado la fórmula patentada exacta detrás del motor multiobjetivo de ChemPass AI, pero sus resultados dejan claro que dichas estrategias están en funcionamiento. El hecho es que cada compuesto generado "cumple simultáneamente parámetros esenciales" como eficacia, sintetizabilidad y seguridad. La próxima versión 2.0 de ChemPass AI impulsará esto aún más; se está desarrollando para permitir un ajuste multiparamétrico aún más flexible, incluyendo criterios definidos por el usuario adaptados a áreas terapéuticas específicas o requisitos de cultivos. Esto sugiere que el modelo de próxima generación podría permitir a los investigadores aumentar o disminuir la importancia de ciertos factores (por ejemplo, priorizar la penetración cerebral para un fármaco neurológico o la biodegradabilidad ambiental para un pesticida) y la IA ajustará su estrategia de diseño en consecuencia. Al integrar estas capacidades multiobjetivo, ChemPass AI puede diseñar moléculas que alcanzan el punto óptimo en numerosas métricas de rendimiento a la vez, una hazaña prácticamente imposible con los métodos tradicionales.

Un salto más allá de los métodos tradicionales de I+D

La llegada del modelo generativo de ChemPass AI destaca un cambio más amplio en la I+D en ciencias biológicas: la transición de los laboriosos flujos de trabajo de prueba y error a Creatividad y precisión aumentadas por IAA diferencia de los químicos humanos, que tienden a apegarse a las series químicas conocidas e iteran lentamente, una IA puede comprender miles de millones de posibilidades y aventurarse en el inexplorado 99.9 % del espacio químico. Esto abre la puerta al descubrimiento de compuestos eficaces que no se parecen a nada que hayamos visto antes, crucial para tratar enfermedades con química novedosa o combatir plagas y patógenos que han desarrollado resistencia a moléculas existentes. Además, al considerar patentabilidad Desde el principio, la IA generativa ayuda a evitar la saturación de las áreas de propiedad intelectual. Evogene busca explícitamente producir moléculas que generen nueva propiedad intelectual, una importante ventaja competitiva.

Los beneficios sobre los enfoques tradicionales se pueden resumir de la siguiente manera:

• Optimización paralela de múltiples rasgos: La IA evalúa numerosos parámetros en paralelo, diseñando moléculas que cumplen con los criterios de potencia, seguridad y otros. En cambio, los procesos tradicionales suelen descubrir un problema de toxicidad solo tras años de trabajo en un fármaco prometedor. Al filtrar preventivamente estos problemas, los fármacos diseñados con IA tienen mayores posibilidades de éxito en costosos ensayos posteriores.

• Ampliando la diversidad química: Los modelos generativos no se limitan a las bibliotecas de compuestos existentes. ChemPass AI puede crear estructuras inéditas, pero que se prevé que sean eficaces. generación impulsada por la novedad Evita reinventar la rueda (o la molécula) y ayuda a crear productos diferenciados con nuevos modos de acción. Los métodos tradicionales suelen dar lugar a compuestos similares que ofrecen poca novedad.

• Velocidad y escala: Lo que un equipo de químicos podría lograr mediante síntesis y pruebas en un año, una IA puede simularlo en días. La plataforma de aprendizaje profundo de ChemPass AI puede analizar virtualmente decenas de miles de millones de compuestos rápidamente y generar cientos de ideas novedosas en una sola ejecución. Esto acorta drásticamente el tiempo de descubrimiento, centrando los experimentos de laboratorio únicamente en los candidatos más prometedores identificados in silico.

• Conocimiento Integrado: Los modelos de IA como ChemPass incorporan en su entrenamiento una gran cantidad de conocimiento químico y biológico (p. ej., relaciones estructura-actividad conocidas, alertas de toxicidad, reglas de propiedades similares a las de los fármacos). Esto significa que cada diseño molecular se beneficia de una gran cantidad de datos previos que ningún experto humano podría almacenar en su memoria. El diseño tradicional se basa en la experiencia de los químicos medicinales —valiosa, pero limitada por la memoria y los sesgos humanos—, mientras que la IA puede capturar patrones en millones de experimentos y diversas familias químicas.

En la práctica, para la industria farmacéutica, esto podría resultar en mayores tasas de éxito en ensayos clínicos y menores costos de desarrollo, ya que se desperdician menos recursos en compuestos con problemas de salud. En la agricultura, significa una creación más rápida de soluciones de protección de cultivos más seguras y sostenibles; por ejemplo, un herbicida letal para las malezas, pero benigno para organismos no objetivo, y que se descompone inofensivamente en el medio ambiente. Al optimizar conjuntamente la eficacia y la seguridad ambiental, la IA puede ayudar a desarrollar agroquímicos "eficaces, sostenibles y patentados", abordando los desafíos regulatorios y de resistencia de una sola vez.

Parte de una caja de herramientas de IA más amplia en Evogene

Si bien ChemPass AI se lleva la palma en el diseño de moléculas pequeñas, forma parte del trío de "motores tecnológicos" de Evogene, impulsados ​​por IA y adaptados a diferentes dominios. La empresa ha... MicroBoost IA Centrándose en los microbios, Inteligencia artificial de ChemPass sobre la química, y Generador de IA sobre elementos genéticos. Cada motor aplica análisis de big data y aprendizaje automático a su respectivo campo.

Este ecosistema integrado de motores de IA subraya la estrategia de Evogene como empresa de ciencias de la vida que prioriza la IA. Su objetivo es revolucionar el descubrimiento de productos en todos los ámbitos, ya sea la formulación de un fármaco, un bioestimulante o un cultivo resistente a la sequía. Aprovechar la computación para navegar por la complejidad biológicaLos motores comparten una filosofía común: utilizar aprendizaje automático de vanguardia para aumentar la probabilidad de éxito en I+D y reducir tiempos y costos.

Perspectiva: el descubrimiento impulsado por IA alcanza su madurez

La IA generativa está transformando el descubrimiento de moléculas, transformando su rol de asistente a colaborador creativo. En lugar de probar una idea a la vez, los científicos ahora pueden usar la IA para diseñar compuestos completamente nuevos que cumplen múltiples objetivos (potencia, seguridad, estabilidad y más) en un solo paso.

Este futuro ya está en desarrollo. Un equipo farmacéutico podría solicitar una molécula dirigida a una proteína específica, que no afecta al cerebro y que está disponible por vía oral; la IA puede proporcionar candidatos según la demanda. En agricultura, los investigadores podrían generar controles de plagas ecológicos adaptados a las restricciones regulatorias y ambientales.

El reciente modelo base de Evogene, desarrollado con Google Cloud, es un ejemplo de este cambio. Permite el diseño multiparamétrico y abre nuevas áreas en el campo de la química. A medida que las futuras versiones permitan una mayor personalización, estos modelos se convertirán en herramientas esenciales en las ciencias de la vida.

Fundamentalmente, el impacto depende de la validación en el mundo real. A medida que se prueban y perfeccionan las moléculas generadas por IA, los modelos mejoran, creando un potente ciclo de retroalimentación entre la computación y la experimentación.

Este enfoque generativo no se limita a fármacos ni pesticidas. Pronto podría impulsar avances en materiales, alimentos y sostenibilidad, ofreciendo descubrimientos más rápidos e inteligentes en industrias que antes estaban limitadas por el ensayo y error.