Evogene ja Google Cloud julkaisevat perusmallin generatiiviselle molekyylisuunnittelulle, joka merkitsee uuden aikakauden elämäntieteellisessä tekoälyssä

Evogene Ltd. on julkaisenut ensimmäisenä luokkansa generatiivisen tekoälyperusmallin pienmolekyylisuunnittelulle, mikä merkitsee läpimurtoa uusien yhdisteiden keksimisessä. Ilmoitettiin 10. kesäkuuta 2025 yhteistyössä Google (GOOGL ) Cloudin kanssa, malli laajentaa Evogenen ChemPass AI -alustaa ja ratkaisee pitkään olemassa olleen haasteen sekä lääke- että maatalouskemikaaleissa: löytää uusia molekyylejä, jotka täyttävät useita monimutkaisia kriteerejä samanaikaisesti. Tämä kehitys on valmis kiihdyttämään tutkimus- ja kehitystyötä lääkeaineiden löytämisessä ja kasvinsuojelussa mahdollistamalla samanaikaisen optimoimisen ominaisuuksia kuten vaikuttavuutta, myrkyllisyyttä ja stabiilisuutta yhdessä suunnittelukierroksessa.

Peräkkäisestä seulonnasta samanaikaiseen suunnitteluun

Perinteisessä lääke- ja maatalouskemiaan tutkimuksessa tutkijat testaavat yleensä yhtä tekijää kerrallaan – ensin tarkistamalla, toimiko yhdiste, ja myöhemmin testaamalla turvallisuutta ja stabiilisuutta. Tämä askelkohtainen menetelmä on hidas, kallis ja usein päättyy epäonnistumiseen, kun monet lupaavat yhdisteet eivät täytä myöhemmissä vaiheissa vaadittuja kriteerejä. Se myös pitää tutkijoita tiukasti tuttuja kemiallisia rakenteita, rajoittaen innovaatiota ja tehdessä vaikeaksi luoda uusia, patentoitavia tuotteita. Tämä vanhentunut lähestymistapa johtaa korkeisiin kustannuksiin, pitkiin aikatauluihin ja matalaan onnistumisprosenttiin – noin 90% lääkeehdokkaista epäonnistuu ennen markkinoille pääsyä.

Generatiivinen tekoäly muuttaa tämän paradigman. Sen sijaan, että suodattaa yhden kerrallaan, tekoälymallit voivat käsitellä useita vaatimuksia samanaikaisesti, suunnittelemalla molekyylejä, jotka ovat vaikuttavia, turvallisia ja stabiileja alusta alkaen. Evogenen uusi perusmalli on nimenomaan rakennettu mahdollistamaan tällaisen samanaikaisen moniparametrin suunnittelun. Tämä lähestymistapa pyrkii vähentämään myöhempien kehitysvaiheiden riskejä sisällyttämällä johtuvia tekijöitä, kuten ADME ja myrkyllisyyttä, alkuvaiheeseen.

Käytännössä se voi tarkoittaa vähemmän myöhempiä epäonnistumisia – esimerkiksi vähemmän lääkeehdokkaita, jotka osoittavat hyvät laboratoriotulokset, mutta epäonnistuvat myöhemmissä kliinisissä tutkimuksissa myrkyllisyyden vuoksi. Lyhyesti sanottuna, generatiivinen tekoäly sallii tutkijoille innovoimisen nopeammin ja älykkäämmin, samanaikaisesti optimoimalla useita molekyylin onnistumisen puolia, sen sijaan, että käsitellään niitä erikseen.

ChemPass AI:n sisällä: Kuinka generatiiviset mallit suunnittelevat molekyylejä

Evogenen ChemPass AI -alustan ydin on voimakas uusi perusmalli, joka on koulutettu valtavalla kemiallisella tietokannalla. Yritys on koonnut käsin valitun tietokannan noin 40 miljardista molekyylirakenteesta – käsittäen tunnetut lääkekaltaiset yhdisteet ja moninaiset kemialliset rungot – opettaakseen tekoälylle “kielen” molekyyleistä. Käyttämällä Google Cloudin Vertex AI -infrastruktuuria GPU-supertietokoneilla, malli oppi kuvioita tästä valtavasta kemiallisesta kirjastosta, antaen sille ennenkokemattoman laajuuden tietoa siitä, miltä lääkekaltaiset molekyylit näyttävät. Tämä massiivinen koulutusohjelma on verrattavissa suuren kielen mallin kouluttamiseen, mutta sen sijaan, että tekoäly oppii ihmisen kieltä, se oppii kemiallisia edustuksia.

Evogenen generatiivinen malli perustuu transformer-neuraaliverkkorakenteeseen, samankaltaiseen kuin GPT-mallit, jotka vallankumouskohtaisesti muuttivat luonnollisen kielen prosessoinnin. Itse asiassa järjestelmää kutsutaan ChemPass-GPT:ksi, omistettuun tekoälymalliin, joka on koulutettu SMILES-merkkijonoilla (tekstikoodauksella molekyylirakenteista). Yksinkertaisesti sanottuna ChemPass-GPT käsittää molekyylit lauseina – jokaisen molekyylin SMILES-merkkijono on merkkijonon jono, joka kuvailee sen atomeja ja sidoksia. Transformer-malli on oppinut kemiallisen kielen “kieliopin”, mahdollistaen sen “kirjoittaa” uusia molekyylejä ennustamalla yhden merkin kerrallaan, samalla tavalla kuin GPT voi kirjoittaa lauseita kirjaimen kerrallaan. Koska se on koulutettu miljardeilla esimerkeillä, malli voi generoida uusia SMILES-merkkijonoja, jotka vastaavat kemiallisesti kelvollisia, lääkekaltaisia rakenteita.

Tämä jono-pohjainen generatiivinen lähestymistapa hyödyntää transformerien vahvuuksia monimutkaisten kuvioitten havaitsemisessa. Kouluttamalla valtavalla ja kemiallisesti monipuolisella tietokannalla ChemPass AI ylittää ongelmat, joita aiemmat tekoälymallit kohtasivat, kuten harhan aiheuttavat pienet tietokannat tai generoiminen toistuvia tai epäkelvoivia molekyylejä. Perusmallin suorituskyky ylittää jo nyt olennaisesti generisen GPT-mallin, joka on sovellettu kemiaan: sisäiset testit osoittivat noin 90%:n tarkin uusien molekyylien tuottamisessa, jotka täyttävät kaikki suunnittelukriteerit, verrattuna noin 29%:iin tarkkuuteen perinteisellä GPT-pohjaisella mallillaevogene.com. Käytännössä tämä tarkoittaa, että lähes kaikki ChemPass AI:n ehdottamat molekyylit eivät ainoastaan ole uusia, vaan myös osuvat kohdeprofiiliin, mikä on merkittävä parannus perusgeneratiivisiin tekniikoihin nähden.

Vaikka Evogenen ensisijainen generatiivinen moottori käyttää transformatoria lineaarisilla SMILES-merkkijonoilla, on syytä huomata, että laajempi tekoälytyökalupakki sisältää muita arkkitehtuureja, kuten grafinen neurverkko (GNN). Molekyylit ovat luonnostaan graafeja – atomeina solmuina ja sidoksina reunoina – ja GNN:t voivat suoraan päättää näistä rakenteista. Nykyaikaisessa lääkekehityksessä GNN:t ovat usein käytettyjä ominaisuuksien ennustamiseen tai jopa molekyylien generoimiseen atomi kerrallaan. Tämä graafipohjainen lähestymistapa täydentää jonomalleja; esimerkiksi Evogenen alusta sisältää työkaluja, kuten DeepDock 3D-virtuaaliseulontaa varten, jotka luultavasti käyttävät syvää oppimista arvioimaan molekyylien sitoutumista rakenteen mukaisessa kontekstissa. Yhdistämällä jonomalleja (hyviä luovuudelle ja uudelleen) graafipohjaisiin malleihin (hyviä rakenteellista tarkkuutta ja ominaisuusennustaa varten), ChemPass AI varmistaa, että sen generoimat yhdisteet eivät ainoastaan ole uusia paperilla, vaan myös kemiallisesti kelvollisia ja tehokkaita käytännössä. Tekoälyn suunnittelukierto voi generoida ehdokasrakenteita ja arvioida niitä ennustavien mallien kautta – joitakin mahdollisesti GNN-pohjaisia – kriteerejä, kuten myrkyllisyyttä tai syntetistä toteutettavuutta varten, luoden palautusilmon, joka hienontaa jokaista ehdotusta.

Monitavoitteinen optimointi: Vaikuttavuus, myrkyllisyys, stabiilisuus kaikki kerran

ChemPass AI:n erottuva ominaisuus on sen sisäänrakennettu kyky monitavoitteiseen optimointiin. Perinteinen lääkekehitys optimoi usein yhden ominaisuuden kerrallaan, mutta ChemPass on suunniteltu käsittelemään useita tavoitteita samanaikaisesti. Tämä saavutetaan edistyneillä koneoppimismenetelmillä, jotka ohjaavat generatiivista mallia tyytyväisyyden useisiin rajoituksiin. Koulutuksessa Evogene voi asettaa ominaisuusvaatimukset – kuten yhdiste, joka aktivoi tietyn kohteen voimakkaasti, välttää tiettyjä myrkyllisiä motiiveja ja on hyvä bio saatavuus – ja malli oppii navigoimaan kemiallisen avaruuden näiden sääntöjen mukaan. ChemPass-GPT-järjestelmä mahdollistaa jopa “rajoitusten perusteella tapahtuvan generation”, mikä tarkoittaa, että se voidaan ohjata ehdottamaan ainoastaan molekyylejä, jotka täyttävät tiettyjä haluttuja ominaisuuksia alusta alkaen.

Miten tekoäly saavuttaa tämän moniparametrin tasapainoilun? Yksi lähestymistapa on monitehtävän oppiminen, jossa malli ei ainoastaan generoi molekyylejä, vaan myös ennustaa niiden ominaisuuksia käyttäen opittuja ennustajia ja sovittaen generointia sen mukaan. Toinen voimakas lähestymistapa on vahvistusoppiminen (RL). Vahvistusoppimisen parannetussa työvirrassa generatiivinen malli toimii “pelaajana” molekyylien suunnittelupelissä: se ehdottaa molekyyliä ja sitten saa palkintopisteytysperusteen sen mukaan, miten hyvin molekyyli täyttää tavoitteet (vaikuttavuus, myrkyllisyyden puute jne.). Useiden iteraatioiden jälkeen malli säätää generointistrategiaansa maksimoimaan tämän palkinnon. Tämä menetelmä on osoittautunut toimivaksi muissa tekoälypohjaisissa lääkekehitysjärjestelmissä – tutkijat ovat osoittaneet, että vahvistusoppimisalgoritmit voivat ohjata generatiivisia malleja tuottamaan molekyylejä, joilla on toivottuja ominaisuuksia. Olennaisesti tekoäly voidaan kouluttaa palkkiofunktiolla, joka kattaa useita tavoitteita, esimerkiksi antamalla pisteitä ennustetun vaikuttavuuden perusteella ja vähentämällä pisteitä ennustetun myrkyllisyyden perusteella. Malli optimoi sitten “liikkeensä” (atomien lisääminen tai poistaminen, funktionaalisten ryhmien muuttaminen) saadakseen korkeimman pisteytyksen, tehden siitä tasapainotilaa, joka tarvitaan kaikkien kriteerien täyttämiseksi.

Evogene ei ole paljastanut tarkkaa salaisuutta ChemPass AI:n monitavoitteisen moottorin takana, mutta on selvää, että tällaiset strategiat ovat toiminnassa. Se, että jokainen generoitu yhdiste “täyttää samanaikaisesti olennaiset parametrin” kuten vaikuttavuus, syntetisoitavuus ja turvallisuus. Tuleva ChemPass AI -versio 2.0 vie tämän pidemmälle – se on kehitetty sallimaan jopa enemmän joustavaa moniparametrinä säätöä, mukaan lukien käyttäjän määrittelemät kriteerit, jotka on räätälöity tiettyihin terapia-alueisiin tai kasvinsuojelun vaatimuksiin. Tämä viittaa siihen, että seuraavan sukupolven malli voi antaa tutkijoille mahdollisuuden säätää tiettyjen tekijöiden tärkeyttä (esim. priorisoida aivojen läpäisevyyttä neurologisille lääkkeille tai ympäristöbiologista hajoavuutta torjunta-aineille) ja tekoäly sovittaa suunnittelustrategiaansa sen mukaan. Monitavoitteisten kykyjen integroimalla ChemPass AI voi suunnitella molekyylejä, jotka osuvat useisiin suorituskykyrajoitteisiin kerran, mikä on käytännössä mahdotonta perinteisillä menetelmillä.

Askellus eteenpäin perinteisistä tutkimus- ja kehitysmenetelmistä

ChemPass AI:n generatiivisen mallin kehitys korostaa laajempaa muutosta elämäntieteellisessä tutkimuksessa ja kehityksessä: siirtymistä työläistä koetutkimusmenetelmistä tekoälyvälitteiseen luovuuteen ja tarkkuuteen. Toisin kuin ihmiset, jotka taipuvat pitämään kiinni tutuista kemiallisista sarjoista ja iteroida hitaasti, tekoäly voi käsittää miljardia mahdollisuuksia ja tunkeutua tutkimattomaan 99,9%:iin kemiallista avaruutta. Tämä avaa oven löytämiseen tehokkaisiin yhdisteisiin, jotka eivät muistuta mitään, mitä olemme aiemmin nähneet – mikä on olennaisen tärkeää hoitaessa tauteja, joilla on uusi kemia tai torjuttaessa tuholaisia ja patogeeneja, jotka ovat kehittyneet resistenteiksi olemassa oleviin yhdisteisiin. Lisäksi tekoälyavusteinen suunnittelu auttaa välttämään tungoksia immateriaalioikeuden alueilla, mikä on tärkeä kilpailuetu. Evogene pyrkii nimenomaan tuottamaan molekyylejä, jotka luovat uutta immateriaalioikeutta, mikä on tärkeä kilpailuetu.

Perinteisten lähestymistapojen hyödyt voidaan tiivistää seuraavasti:

• Rinnakkainen moniominaisuusoptimoointi: Tekoäly arvioi useita parametreja rinnakkain, suunnittelemalla molekyylejä, jotka täyttävät vaikuttavuuden, turvallisuuden ja muiden kriteerien. Perinteiset putkit, sen sijaan, löytävät usein myrkyllisyyden vasta vuosien työn jälkeen, kun muuten lupaava lääke on jo kehitetty. Tekoälysuunnittelun kautta voidaan ennakoida nämä ongelmat ja parantaa ehdokkaiden onnistumismahdollisuuksia kalliissa myöhemmissä kokeissa.

• Kemiallisen monimuotoisuuden laajentaminen: Generatiiviset mallit eivät ole rajoitettu olemassa oleviin yhdisteisiin. ChemPass AI voi luoda rakenteita, jotka eivät ole koskaan aiemmin tehty, mutta joita voidaan ennustaa olevan tehokkaita. Tämä uudelleenluomisen johtama generointi välttää keksimisen uudelleen (tai molekyylin) ja auttaa luomaan erottuvia tuotteita, joilla on uudet vaikutusmekanismit. Perinteiset menetelmät usein johtavat “me-too”-yhdisteisiin, jotka tarjoavat vain vähän uutta.

• Nopeus ja mittakaava: Mitä tiimi kemistejä saavuttaa synteesin ja testaamisen kautta vuoden aikana, tekoäly voi simuloida päivissä. ChemPass AI:n syväoppimisalusta voi nopeasti virtuaalisesti seulata kymmeniä miljardeja yhdisteitä ja generoida satoja uusia ideoita yhdessä suorituksessa. Tämä dramaattisesti tiivistää löytöaikataulun, keskittäen märkälabra-kokeet ainoastaan lupaavimpiin ehdokkaisiin, jotka on tunnistettu tietokoneavusteisesti.

• Integroitu tietämys: Tekoälymallit, kuten ChemPass, sisällyttävät valtavat määrät kemiallista ja biologista tietämystä (esim. tunnetut rakenteen ja toiminnan suhteet, myrkyllisyyden varoitusmerkit, lääkekaltaisten ominaisuuksien säännöt) koulutuksessa. Tämä tarkoittaa, että jokainen molekyylin suunnittelu hyötyy laajasta aiemman tiedon leveydestä, mitä yksikin ihmiskohtainen asiantuntija ei voisi hallita. Perinteinen suunnittelu perustuu lääkekemistien kokemukseen – arvokkaaseen, mutta rajoitettuun ihmisen muistiin ja harhaan – kun taas tekoäly voi havaita kuvioita miljoonien kokeiden ja monien kemiallisten perheiden yli.

Käytännössä tämä voi johtaa lääketeollisuudessa korkeampiin onnistumisprosentteihin kliinisissä kokeissa ja vähäisempiin kehityskustannuksiin, koska vähemmän resursseja haaskataan tuhoon tuomittuihin yhdisteisiin. Maataloudessa se tarkoittaa nopeampaa luomista turvallisemmista ja kestävemmistä kasvinsuojeluun liittyvistä ratkaisuista – esimerkiksi rikkakasvien torjunta-aine, joka on tappava rikkakasveille, mutta vaaraton muille eliöille ja hajoaa vaarattomasti ympäristössä. Optimoidessaan vaikuttavuuden ja ympäristöturvallisuuden yhdessä, tekoäly voi auttaa toimittamaan “tehokkaita, kestäviä ja omistettuja” maatalouskemikaaleja, jotka kohtaavat sääntely- ja resistenss haasteita yhtä aikaa.

Osa laajempaa tekoälytyökalupakettia Evogenessa

Vaikka ChemPass AI vie huomion pienmolekyylisuunnittelussa, se on osa Evogenen kolmen tekoälyvoimaisen “tekniikkamoottorin” triadia, jotka on suunniteltu eri aloille. Yrityksellä on MicroBoost AI mikro-organismeja varten, ChemPass AI kemiaa varten ja GeneRator AI geneettisiä elementtejä varten. Jokainen moottori soveltaa suurten tietojen analytiikkaa ja koneoppimista omalla alallaan.

Tämä integroitu ekosysteemi tekoälymoottoreista korostaa Evogenen strategiaa “tekoäly-ensin” elämäntieteellisenä yrityksenä. He pyrkivät vallankumoukseen tuotteen löytämisessä kaikilla aloilla – olipa kyse lääkkeen, bio-stimulantin tai kuivuutta kestävän kasvin formuloinnista – hyödyntämällä laskentaa biologisen monimuotoisuuden navigoimiseksi. Moottorit jakavat yhteisen filosofian: käyttää edistynyttä koneoppimista lisäämään tutkimus- ja kehitystyön onnistumisen todennäköisyyttä ja vähentämään aikaa ja kustannuksia.

Näkymä: Tekoälyohjattu löytäminen tulee aikuisikään

Generatiivinen tekoäly muuttaa molekyylien löytämistä, muuttaen tekoälyn roolia avustajasta luovaan yhteistyökumppaniin. Sen sijaan, että testataan yhtä ideaa kerrallaan, tutkijat voivat nyt käyttää tekoälyä suunnittelemalla kokonaan uusia yhdisteitä, jotka täyttävät useita tavoitteita – vaikuttavuus, turvallisuus, stabiilisuus ja muut – yhdessä vaiheessa.

Tämä tulevaisuus on jo kehittymässä. Lääketeollisuuden tiimi voi pyytää molekyyliä, joka kohdistuu tiettyyn proteiiniin, välttää aivoja ja on suun kautta annettavissa – tekoäly voi toimittaa ehdokkaita tarpeen mukaan. Maataloudessa tutkijat voivat generoida ympäristöystävällisiä tuholais torpedoita, jotka on räätälöity sääntely- ja ympäristörajoituksiin.

Evogenen viimeisin perusmalli, kehitetty yhteistyössä Google Cloudin kanssa, on yksi esimerkki tästä siirtymästä. Se mahdollistaa moniparametrin suunnittelun ja avaa uusia alueita kemiallisessa avaruudessa. Kun tulevat versiot sallivat entistä enemmän mukautumista, nämä mallit tulevat olemaan välttämättömiä työkaluja elämäntieteissä.

Olennaisesti vaikutus riippuu todellisista validoinneista. Kun tekoälygeneroituja molekyylejä testataan ja parannetaan, mallit paranevat – luoden voimakkaan palautusilmon laskennan ja kokeen välille.

Tämä generatiivinen lähestymistapa ei rajoitu lääkkeisiin tai torjunta-aineisiin. Se voi pian ajaa läpimurtoja materiaaleissa, ruoassa ja kestävyydessä – tarjoamalla nopeamman, älykkäämmän löytämisen aloilla, jotka aiemmin olivat rajoitettuina koehenkilöiden ja virheiden kautta.