Evogene i Google Cloud predstavljaju temeljni model za generativni dizajn molekula, pionirski korak u novoj eri umjetne inteligencije u znanosti o životu

Evogene Ltdpredstavio je prvi u klasi generativni model temelja umjetne inteligencije za dizajn malih molekula, što označava proboj u načinu otkrivanja novih spojeva. najavljen 10. lipnja 2025., u suradnji s Google Cloudom, model proširuje Evogeneovu ChemPass AI platformu i rješava dugogodišnji izazov u farmaceutskoj industriji i poljoprivredi: pronalaženje novih molekula koje istovremeno zadovoljavaju više složenih kriterija. Ovaj razvoj spreman je ubrzati istraživanje i razvoj u otkrivanju lijekova i zaštiti usjeva omogućujući istovremenu optimizaciju svojstava poput učinkovitosti, toksičnosti i stabilnosti u jednom ciklusu dizajniranja.

Od sekvencijalnog probira do simultanog dizajna

U tradicionalnim istraživanjima lijekova i poljoprivrednih kemikalija, znanstvenici obično testiraju jedan faktor u isto vrijeme - prvo provjeravaju djeluje li spoj, a zatim testiraju sigurnost i stabilnost. Ova postupna metoda je spora, skupa i često završava neuspjehom, pri čemu mnogi obećavajući spojevi ne uspijevaju u kasnijim fazama. Također, istraživače drži usredotočenima na poznate kemijske strukture, ograničavajući inovacije i otežavajući stvaranje novih, patentibilnih proizvoda. Ovaj zastarjeli pristup doprinosi visokim troškovima, dugim rokovima i niskoj stopi uspjeha - oko 90% lijekova kandidata ne uspijeva prije nego što stignu na tržište.

Generativna umjetna inteligencija mijenja ovu paradigmu. Umjesto filtriranja jedan po jedan, modeli umjetne inteligencije mogu žonglirati s više zahtjeva odjednom, dizajnirajući molekule da budu potentne, sigurne i stabilne od samog početka. Evogeneov novi temeljni model eksplicitno je izgrađen kako bi omogućio ovaj simultani višeparametarski dizajn. Ovaj pristup ima za cilj smanjiti rizik kasnijih faza razvoja uključivanjem razmatranja poput ADME-a i toksičnosti u početni dizajn.

U praksi, to bi moglo značiti manje neuspjeha u kasnoj fazi - na primjer, manje kandidata za lijekove koji pokazuju izvrsne laboratorijske rezultate samo da bi propali u kliničkim ispitivanjima zbog nuspojava. Ukratko, generativna umjetna inteligencija omogućuje istraživačima brže i pametnije inovacije, istovremeno optimizirajući mnoge aspekte uspješne molekule, umjesto da se bave svakim zasebno.

Unutar ChemPass AI-a: Kako generativni modeli dizajniraju molekule

U srcu Evogeneove ChemPass AI platforme nalazi se moćan novi temeljni model obučen na ogromnom skupu kemijskih podataka. Tvrtka je sastavila kurirana baza podataka s otprilike 40 milijardi molekularnih struktura– obuhvaćajući poznate spojeve slične lijekovima i raznolike kemijske skele – kako bi se umjetna inteligencija naučila „jeziku“ molekula. Koristeći Google Cloudovu Vertex AI infrastrukturu s GPU superračunalom, model je naučio obrasce iz ove ogromne kemijske biblioteke, dajući mu neviđenu širinu znanja o tome kako molekule slične lijekovima izgledaju. Ovaj masivni režim obuke sličan je obuci velikog jezičnog modela, ali umjesto ljudskog jezika, umjetna inteligencija je naučila kemijske reprezentacije.

Evogenov generativni model izgrađen je na arhitekturi transformatorske neuronske mreže, sličnoj GPT modelima koji su revolucionirali obradu prirodnog jezika. Zapravo, sustav se naziva ChemPass-GPT, vlasnički AI model obučen na SMILES nizovima znakova (tekstualno kodiranje molekularnih struktura). Jednostavno rečeno, ChemPass-GPT tretira molekule kao rečenice - SMILES niz svake molekule je niz znakova koji opisuju njezine atome i veze. Transformatorski model naučio je gramatiku ovog kemijskog jezika, što mu omogućuje "pisanje" novih molekula predviđanjem jednog znaka u isto vrijeme, na isti način na koji GPT može pisati rečenice slovo po slovo. Budući da je obučen na milijardama primjera, model može generirati nove SMILES-ove koji odgovaraju kemijski valjanim strukturama sličnim lijekovima.

Ova generativni pristup temeljen na sekvencama iskorištava snagu transformatora u hvatanju složenih uzoraka. Treniranjem na tako ogromnom i kemijski raznolikom skupu podataka, ChemPass AI prevladava probleme s kojima su se suočavali raniji AI modeli, poput pristranosti zbog malih skupova podataka ili generiranja redundantnih ili nevažećih molekula. Performanse temeljnog modela već daleko nadmašuju generički GPT primijenjen na kemiju: interni testovi pokazali su otprilike 90% preciznost u proizvodnji novih molekula koje zadovoljavaju sve kriterije dizajna, u usporedbi s ~29% preciznosti za tradicionalni model temeljen na GPT-uevogene.comU praktičnom smislu, to znači da gotovo sve molekule koje ChemPass AI predlaže nisu samo nove, već i postižu svoj ciljani profil, što je zapanjujuće poboljšanje u odnosu na osnovne generativne tehnike.

Iako Evogeneov primarni generativni mehanizam koristi transformator na linearnim SMILES-ovima, vrijedi napomenuti da širi AI alat uključuje i druge arhitekture poput graf neuronske mreže (GNN)Molekule su prirodno grafovi – s atomima kao čvorovima i vezama kao rubovima – a GNN-ovi mogu izravno razmišljati o tim strukturama. U modernom dizajnu lijekova, GNN-ovi se često koriste za predviđanje svojstava ili čak generiranje molekula izgradnjom atom po atom. Ovaj pristup temeljen na grafovima nadopunjuje modele sekvenci; na primjer, Evogeneova platforma također uključuje alate poput DeepDocka za 3D virtualni probir, koji vjerojatno koristi duboko učenje za procjenu vezanja molekula u kontekstu temeljenom na strukturi. Kombiniranjem modela sekvenci (izvrsno za kreativnost i novost) s modelima temeljenim na grafovima (izvrsno za strukturnu točnost i predviđanje svojstava), ChemPass AI osigurava da njegovi generirani spojevi nisu samo novi na papiru, već i kemijski ispravni i učinkoviti u praksi. Petlja dizajna AI-a može generirati kandidatske strukture, a zatim ih procijeniti putem prediktivnih modela – neki moguće temeljeni na GNN-ovima – za kriterije poput toksičnosti ili sintetske izvedivosti, stvarajući ciklus povratne informacije koji poboljšava svaki prijedlog.

Višekriterijska optimizacija: Potentnost, Toksičnost, Stabilnost Sve odjednom

Istaknuta značajka ChemPass AI-a je njegova ugrađena sposobnost višekriterijske optimizacije. Klasično otkrivanje lijekova često optimizira jedno svojstvo istovremeno, ali ChemPass je dizajniran za istovremeno rješavanje mnogih ciljeva. To se postiže naprednim tehnikama strojnog učenja koje vode generativni model prema zadovoljavanju više ograničenja. Tijekom obuke, Evogene može nametnuti zahtjeve za svojstvima - poput molekule koja mora snažno aktivirati određenu metu, izbjegavati određene toksične motive i imati dobru bioraspoloživost - a model uči kretati se kemijskim prostorom prema tim pravilima. ChemPass-GPT sustav čak omogućuje i "generiranje na temelju ograničenja", što znači da mu se može dati uputa da od samog početka predloži samo molekule koje zadovoljavaju specifična željena svojstva.

Kako umjetna inteligencija postiže ovo višeparametarsko balansiranje? Jedan pristup je učenje više zadataka, gdje model ne samo da generira molekule, već i predviđa njihova svojstva koristeći naučene prediktore, prilagođavajući generiranje u skladu s tim. Drugi moćan pristup je učenje s potkrepljenjem (RL)U tijeku rada poboljšanom RL-om, generativni model djeluje poput agenta koji „igra igru“ dizajna molekule: predlaže molekulu, a zatim dobiva nagradu na temelju toga koliko dobro ta molekula ispunjava ciljeve (potentnost, nedostatak toksičnosti itd.). Tijekom mnogih iteracija, model prilagođava svoju strategiju generiranja kako bi maksimizirao tu nagradu. Ova metoda uspješno je korištena u drugim sustavima za dizajn lijekova vođenim umjetnom inteligencijom – istraživači su pokazali da Algoritmi učenja s pojačanjem mogu voditi generativne modele za proizvodnju molekula s poželjnim svojstvimaU biti, umjetna inteligencija može se trenirati funkcijom nagrađivanja koja obuhvaća više ciljeva, na primjer davanje bodova za predviđenu učinkovitost i oduzimanje bodova za predviđenu toksičnost. Model zatim optimizira svoje „poteze“ (dodavanje ili uklanjanje atoma, mijenjanje funkcionalnih skupina) kako bi postigao najviši rezultat, učinkovito učeći kompromise potrebne za zadovoljavanje svih kriterija.

Evogene nije otkrio točan vlasnički sastojak iza višekriterijumskog mehanizma ChemPass AI-a, ali iz njihovih rezultata je jasno da takve strategije djeluju. Činjenica je da svaki generirani spoj „istovremeno zadovoljava bitne parametre“ poput učinkovitosti, sintetizabilnosti i sigurnosti. Nadolazeća ChemPass AI verzija 2.0 će ovo pogurati dalje – razvija se kako bi omogućila još fleksibilnije višeparametarsko podešavanje, uključujući korisnički definirane kriterije prilagođene specifičnim terapijskim područjima ili zahtjevima usjeva. To sugerira da bi model sljedeće generacije mogao omogućiti istraživačima da povećaju ili smanje važnost određenih čimbenika (na primjer, davanje prioriteta prodiranju u mozak za neurološki lijek ili biorazgradivosti u okolišu za pesticid) i da će AI u skladu s tim prilagoditi svoju strategiju dizajna. Integracijom takvih višekriterijumskih mogućnosti, ChemPass AI može dizajnirati molekule koje pogađaju idealnu točku na brojnim pokazateljima performansi odjednom, što je praktički nemoguće s tradicionalnim metodama.

Skok izvan tradicionalnih metoda istraživanja i razvoja

Pojava generativnog modela ChemPass AI naglašava širi pomak u istraživanju i razvoju u znanosti o životu: prelazak s mukotrpnih radnih procesa temeljenih na pokušajima i pogreškama na Kreativnost i preciznost poboljšane umjetnom inteligencijomZa razliku od ljudskih kemičara, koji se obično drže poznatih kemijskih serija i sporo ponavljaju, umjetna inteligencija može proniknuti u milijarde mogućnosti i upustiti se u neistraženih 99.9% kemijskog prostora. To otvara vrata pronalaženju učinkovitih spojeva koji ne nalikuju ničemu što smo prije vidjeli – ključni su za liječenje bolesti novom kemijom ili suzbijanje štetočina i patogena koji su razvili otpornost na postojeće molekule. Štoviše, razmatranjem patentibilnost Od samog početka, generativna umjetna inteligencija pomaže u izbjegavanju prenatrpanih područja intelektualnog vlasništva. Evogene izričito ima za cilj proizvesti molekule koje stvaraju novo intelektualno vlasništvo, što je važna konkurentska prednost.

Prednosti u odnosu na tradicionalne pristupe mogu se sažeti na sljedeći način:

• Paralelna optimizacija više osobina: Umjetna inteligencija paralelno procjenjuje mnoge parametre, dizajnirajući molekule koje zadovoljavaju kriterije potentnosti, sigurnosti i druge kriterije. Tradicionalni cjevovodi, nasuprot tome, često otkrivaju problem toksičnosti tek nakon godina rada na inače obećavajućem lijeku. Preventivnim filtriranjem takvih problema, kandidati dizajnirani umjetnom inteligencijom imaju veće šanse za uspjeh u skupim kasnijim ispitivanjima.

• Proširenje kemijske raznolikosti: Generativni modeli nisu ograničeni na postojeće biblioteke spojeva. ChemPass AI može stvoriti strukture koje nikada prije nisu napravljene, a za koje se predviđa da će biti učinkovite. generacija vođena novostima izbjegava ponovno izmišljanje kotača (ili molekule) i pomaže u stvaranju diferenciranih proizvoda s novim načinima djelovanja. Tradicionalne metode često vode do spojeva koji su "i meni" i nude malo novosti.

• Brzina i skala: Ono što tim kemičara može postići sintezom i testiranjem u godini dana, umjetna inteligencija može simulirati u danima. ChemPass AI platforma za duboko učenje može virtualno pregledati desetke milijardi spojeva brzo i generirati stotine novih ideja u jednom prolazu. To dramatično sažima vremenski okvir otkrića, fokusirajući eksperimente u mokrom laboratoriju samo na najperspektivnije kandidate identificirane in silico.

• Integrirano znanje: Modeli umjetne inteligencije poput ChemPass-a uključuju ogromne količine kemijskog i biološkog znanja (npr. poznate odnose strukture i aktivnosti, upozorenja o toksičnosti, pravila o svojstvima sličnim lijekovima) u svoju obuku. To znači da svaki dizajn molekule ima koristi od širokog spektra prethodnih podataka koje nijedan ljudski stručnjak ne bi mogao držati u glavi. Tradicionalni dizajn oslanja se na iskustvo medicinskih kemičara - vrijedno, ali ograničeno na ljudsko pamćenje i pristranost - dok umjetna inteligencija može uhvatiti obrasce u milijunima eksperimenata i raznolikim kemijskim obiteljima.

U praktičnom smislu, za farmaceutsku industriju to bi moglo dovesti do veće stope uspjeha u kliničkim ispitivanjima i smanjenih troškova razvoja, budući da se manje resursa troši na spojeve osuđene na propast. U poljoprivredi to znači brže stvaranje sigurnijih, održivijih rješenja za zaštitu usjeva - na primjer, herbicida koji je smrtonosan za korov, ali benigni za neciljane organizme i bezopasno se razgrađuje u okolišu. Optimizacijom učinkovitosti i sigurnosti okoliša zajedno, umjetna inteligencija može pomoći u isporuci „učinkovitih, održivih i vlasničkih“ poljoprivrednih kemikalija, rješavajući regulatorne izazove i izazove otpornosti odjednom.

Dio šireg paketa alata za umjetnu inteligenciju u Evogeneu

Iako ChemPass AI krade pozornost za dizajn malih molekula, dio je Evogeneovog trija "tehnoloških motora" pokretanih umjetnom inteligencijom, prilagođenih različitim domenama. Tvrtka je MicroBoost umjetna inteligencija fokusirajući se na mikrobe, ChemPass umjetna inteligencija o kemiji i Generator umjetne inteligencije na genetskim elementima. Svaki mehanizam primjenjuje analizu velikih podataka i strojno učenje na svoje područje.

Ovaj integrirani ekosustav AI motora naglašava Evogeneovu strategiju kao tvrtke za znanost o životu koja je „prva usmjerena na umjetnu inteligenciju“. Cilj im je revolucionirati otkrivanje proizvoda u svim područjima – bilo da se radi o formuliranju lijeka, biostimulansa ili usjeva otpornih na sušu – tako što će… korištenje računanja za snalaženje u biološkoj složenostiMotori dijele zajedničku filozofiju: koristiti najsuvremenije strojno učenje kako bi se povećala vjerojatnost uspjeha istraživanja i razvoja te smanjilo vrijeme i troškovi.

Izgledi: Otkrića vođena umjetnom inteligencijom sazrijevaju

Generativna umjetna inteligencija transformira otkrivanje molekula, mijenjajući ulogu umjetne inteligencije od asistenta do kreativnog suradnika. Umjesto testiranja jedne ideje u isto vrijeme, znanstvenici sada mogu koristiti umjetnu inteligenciju za dizajniranje potpuno novih spojeva koji u jednom koraku ispunjavaju više ciljeva - potentnost, sigurnost, stabilnost i drugo.

Ova se budućnost već odvija. Farmaceutski tim mogao bi zatražiti molekulu koja cilja određeni protein, izbjegava mozak i dostupna je oralno - umjetna inteligencija može isporučiti kandidate na zahtjev. U poljoprivredi bi istraživači mogli stvoriti ekološki prihvatljive metode suzbijanja štetočina prilagođene regulatornim i okolišnim ograničenjima.

Evogenov nedavni temeljni model, razvijen uz pomoć Google Clouda, jedan je od primjera ove promjene. Omogućuje dizajn s više parametara i otvara nova područja kemijskog prostora. Kako buduće verzije omogućuju još veću prilagodbu, ovi će modeli postati bitni alati u znanostima o životu.

Ključno je da utjecaj ovisi o validaciji u stvarnom svijetu. Kako se molekule generirane umjetnom inteligencijom testiraju i usavršavaju, modeli se poboljšavaju - stvarajući snažnu povratnu petlju između izračuna i eksperimentiranja.

Ovaj generativni pristup nije ograničen samo na lijekove ili pesticide. Uskoro bi mogao dovesti do proboja u materijalima, hrani i održivosti – nudeći brža i pametnija otkrića u industrijama koje su nekada bile ograničene pokušajima i pogreškama.