Evogene dan Google Cloud Meluncurkan Model Fondasi untuk Desain Molekul Generatif, Membuka Era Baru dalam Kecerdasan Buatan Ilmu Hayat

Evogene Ltd. telah meluncurkan model fondasi generatif AI kelas pertama untuk desain molekul kecil, menandai kemajuan dalam penemuan senyawa baru. Diumumkan pada 10 Juni 2025, dalam kolaborasi dengan Google Cloud, model ini memperluas platform ChemPass AI Evogene dan menangani tantangan lama dalam farmasi dan pertanian: menemukan molekul baru yang memenuhi beberapa kriteria kompleks secara bersamaan. Pengembangan ini siap untuk mempercepat R&D dalam penemuan obat dan perlindungan tanaman dengan memungkinkan optimasi simultan sifat seperti efikasi, toksisitas, dan stabilitas dalam satu siklus desain.

Dari Penyaringan Berurutan ke Desain Simultan

Dalam penelitian kimia tradisional obat dan pertanian, ilmuwan biasanya menguji satu faktor pada satu waktu—pertama memeriksa apakah suatu senyawa bekerja, kemudian kemudian menguji keamanan dan stabilitas. Metode ini lambat, mahal, dan sering berakhir dengan kegagalan, dengan banyak senyawa yang menjanjikan gagal pada tahap selanjutnya. Ini juga membuat peneliti fokus pada struktur kimia yang familiar, membatasi inovasi dan membuatnya lebih sulit untuk menciptakan produk baru yang dapat dipatenkan. Pendekatan usang ini menyebabkan biaya tinggi, waktu yang lama, dan tingkat keberhasilan yang rendah—sekitar 90% kandidat obat gagal sebelum mencapai pasar.

Kecerdasan buatan generatif mengubah paradigma ini. Sebagai gantinya untuk penyaringan satu per satu, model AI dapat mengimbangi beberapa persyaratan sekaligus, merancang molekul untuk kuat dan aman serta stabil dari awal. Model fondasi baru Evogene secara eksplisit dibangun untuk memungkinkan desain multi-parameter simultan ini. Pendekatan ini bertujuan untuk mengurangi risiko pada tahap pengembangan selanjutnya dengan memasukkan pertimbangan seperti ADME dan toksisitas ke dalam desain awal.

Dalam prakteknya, ini bisa berarti lebih sedikit kegagalan pada tahap akhir – misalnya, lebih sedikit kandidat obat yang menunjukkan hasil yang baik di laboratorium hanya untuk gagal dalam uji klinis karena efek sampingan. Secara singkat, kecerdasan buatan generatif memungkinkan peneliti untuk berinovasi lebih cepat dan lebih pintar, secara bersamaan mengoptimalkan untuk banyak aspek molekul yang sukses daripada menangani setiap aspek secara terpisah.

Di Dalam ChemPass AI: Bagaimana Model Generatif Merancang Molekul

Di jantung platform ChemPass AI Evogene terdapat model fondasi baru yang kuat yang dilatih pada dataset kimia yang sangat besar. Perusahaan ini mengumpulkan basis data yang dikurasi dari sekitar 40 miliar struktur molekul– yang mencakup senyawa kimia yang dikenal dan berbagai kerangka kimia – untuk mengajarkan AI “bahasa” molekul. Dengan menggunakan infrastruktur Vertex AI Google Cloud dengan superkomputing GPU, model ini mempelajari pola dari perpustakaan kimia yang sangat besar ini, memberinya pengetahuan yang belum pernah ada sebelumnya tentang apa yang terlihat seperti molekul obat. Pelatihan besar ini mirip dengan melatih model bahasa besar, tetapi bukan bahasa manusia, AI mempelajari representasi kimia.

Model generatif Evogene dibangun pada arsitektur jaringan neural transformer, mirip dengan model GPT yang merevolusi pemrosesan bahasa alami. Bahkan, sistem ini disebut ChemPass-GPT, model AI proprietari yang dilatih pada string SMILES (pengkodean teks dari struktur molekul). Dalam istilah sederhana, ChemPass-GPT memperlakukan molekul seperti kalimat – setiap string SMILES molekul adalah urutan karakter yang menjelaskan atom dan ikatannya. Model transformer telah mempelajari tata bahasa bahasa kimia ini, memungkinkannya untuk “menulis” molekul baru dengan memprediksi satu karakter pada satu waktu, dengan cara yang sama GPT dapat menulis kalimat huruf demi huruf. Karena dilatih pada miliaran contoh, model ini dapat menghasilkan SMILES baru yang sesuai dengan struktur kimia yang valid dan mirip dengan obat.

Pendekatan generatif berbasis urutan ini memanfaatkan kekuatan transformer dalam menangkap pola kompleks. Dengan dilatih pada dataset yang sangat besar dan beragam secara kimia, ChemPass AI mengatasi masalah yang dihadapi model AI sebelumnya, seperti bias dari dataset kecil atau menghasilkan molekul yang redundan atau tidak valid. Kinerja model fondasi ini sudah jauh melampaui model GPT generik yang diterapkan pada kimia: tes internal menunjukkan sekitar 90% presisi dalam menghasilkan molekul baru yang memenuhi semua kriteria desain, dibandingkan dengan ~29% presisi untuk model berbasis GPT tradisionalevogene.com. Dalam istilah praktis, ini berarti hampir semua molekul yang disarankan oleh ChemPass AI tidak hanya baru tetapi juga memenuhi profil targetnya, perbaikan yang mencolok dibandingkan dengan teknik generatif dasar.

Sementara mesin generatif utama Evogene menggunakan transformer pada SMILES linier, perlu diingat bahwa toolkit AI yang lebih luas mencakup arsitektur lain seperti jaringan neural grafik (GNNs). Molekul secara alami adalah grafik – dengan atom sebagai node dan ikatan sebagai edge – dan GNNs dapat langsung bernalar pada struktur ini. Dalam desain obat modern, GNNs sering digunakan untuk memprediksi sifat atau bahkan menghasilkan molekul dengan membangunnya atom demi atom. Pendekatan berbasis grafik ini melengkapi model berbasis urutan; misalnya, platform Evogene juga mencakup alat seperti DeepDock untuk penyaringan virtual 3D, yang mungkin menggunakan pembelajaran dalam untuk menilai ikatan molekul dalam konteks berbasis struktur. Dengan menggabungkan model berbasis urutan (hebat untuk kreativitas dan kebaruan) dengan model berbasis grafik (hebat untuk akurasi struktural dan prediksi sifat), ChemPass AI memastikan bahwa senyawa yang dihasilkannya tidak hanya baru pada kertas, tetapi juga kimia yang masuk akal dan efektif dalam prakteknya. Siklus desain AI mungkin menghasilkan struktur kandidat dan kemudian menilainya melalui model prediktif – beberapa mungkin berbasis GNN – untuk kriteria seperti toksisitas atau kelayakan sintetis, menciptakan siklus umpan balik yang memperbaiki setiap saran.

Optimasi Multi-Tujuan: Potensi, Toksisitas, Stabilitas Semua Sekaligus

Fitur unggulan ChemPass AI adalah kemampuan bawaannya untuk optimasi multi-tujuan. Penemuan obat klasik sering mengoptimalkan satu sifat pada satu waktu, tetapi ChemPass dirancang untuk menangani banyak tujuan secara bersamaan. Ini dicapai melalui teknik pembelajaran mesin lanjutan yang memandu model generatif untuk memenuhi beberapa konstrain. Dalam pelatihan, Evogene dapat menerapkan persyaratan properti – seperti molekul harus mengaktifkan target tertentu dengan kuat, menghindari motif toksik tertentu, dan memiliki bioavailabilitas yang baik – dan model mempelajari untuk menavigasi ruang kimia di bawah aturan tersebut. Sistem ChemPass-GPT bahkan memungkinkan “generasi berbasis konstrain,” yang berarti dapat diinstruksikan untuk hanya mengusulkan molekul yang memenuhi sifat yang diinginkan dari awal.

Bagaimana AI mencapai keseimbangan multi-parameter ini? Salah satu pendekatan adalah pembelajaran multi-tugas, di mana model tidak hanya menghasilkan molekul tetapi juga memprediksi sifatnya menggunakan predictor yang dipelajari, menyesuaikan generasi sesuai dengan itu. Pendekatan lain yang kuat adalah pembelajaran penguatan (RL). Dalam alur kerja yang ditingkatkan dengan RL, model generatif bertindak seperti agen “bermain permainan” desain molekul: mengusulkan molekul dan kemudian mendapatkan skor hadiah berdasarkan seberapa baik molekul tersebut memenuhi tujuan (potensi, tidak ada toksisitas, dll.). Setelah banyak iterasi, model menyesuaikan strategi generasinya untuk memaksimalkan hadiah ini. Metode ini telah berhasil digunakan dalam sistem desain obat yang didorong AI lainnya – peneliti telah menunjukkan bahwa algoritma pembelajaran penguatan dapat memandu model generatif untuk menghasilkan molekul dengan sifat yang diinginkan. Pada intinya, AI dapat dilatih dengan fungsi hadiah yang mencakup beberapa tujuan, misalnya memberikan poin untuk efikasi yang diprediksi dan mengurangi poin untuk toksisitas yang diprediksi. Model kemudian mengoptimalkan “gerakannya” (menambah atau menghapus atom, mengubah gugus fungsional) untuk mendapatkan skor tertinggi, secara efektif mempelajari trade-off yang diperlukan untuk memenuhi semua kriteria.

Evogene belum mengungkapkan “saus” rahasia di balik mesin multi-tujuan ChemPass AI, tetapi jelas dari hasil mereka bahwa strategi seperti itu berfungsi. Fakta bahwa setiap molekul yang dihasilkan “secara bersamaan memenuhi parameter esensial” seperti efikasi, sintetisabilitas, dan keamanan. Versi ChemPass AI 2.0 yang akan datang akan mendorong ini lebih jauh – sedang dikembangkan untuk memungkinkan penyetelan multi-parameter yang lebih fleksibel, termasuk kriteria yang ditentukan pengguna yang disesuaikan dengan area terapi tertentu atau kebutuhan tanaman. Ini menunjukkan bahwa model generasi berikutnya dapat memungkinkan peneliti untuk meningkatkan atau menurunkan prioritas faktor tertentu (misalnya, memprioritaskan penetrasi otak untuk obat neurologi atau biodegradasi lingkungan untuk pestisida) dan AI akan menyesuaikan strategi desainnya sesuai dengan itu. Dengan mengintegrasikan kemampuan multi-tujuan seperti itu, ChemPass AI dapat merancang molekul yang memenuhi titik manis pada banyak metrik kinerja sekaligus, prestasi yang hampir mustahil dengan metode tradisional.

Lompatan di Atas Metode R&D Tradisional

Munculnya model generatif ChemPass AI menyoroti pergeseran yang lebih luas dalam R&D ilmu hayat: peralihan dari alur kerja trial-and-error yang melelahkan ke kreativitas dan presisi yang ditingkatkan oleh AI. Tidak seperti kimiawan manusia, yang cenderung berpegang pada seri kimia yang dikenal dan beriterasi perlahan, AI dapat memahami miliaran kemungkinan dan memasuki 99,9% ruang kimia yang belum dijelajahi. Ini membuka pintu untuk menemukan senyawa yang efektif yang tidak menyerupai apa yang pernah kita lihat sebelumnya – kritis untuk mengobati penyakit dengan kimia baru atau menangani hama dan patogen yang telah berkembang resisten terhadap molekul yang ada. Selain itu, dengan mempertimbangkan patentabilitas dari awal, kecerdasan buatan generatif membantu menghindari area properti intelektual yang padat. Evogene secara eksplisit bertujuan untuk menghasilkan molekul yang menciptakan IP baru, keunggulan kompetitif yang penting.

Manfaat di atas pendekatan tradisional dapat diringkas sebagai berikut:

• Optimasi Multi-Sifat Paralel: AI mengevaluasi banyak parameter secara paralel, merancang molekul yang memenuhi potensi, keamanan, dan kriteria lainnya. Pipa tradisional, di sisi lain, sering hanya menemukan masalah toksisitas setelah bertahun-tahun bekerja pada obat yang sebaliknya sangat menjanjikan. Dengan menyaring masalah tersebut sebelumnya, kandidat yang dirancang AI memiliki peluang lebih baik untuk sukses dalam uji klinis yang mahal di kemudian hari.

• Pengembangan Keanekaragaman Kimia: Model generatif tidak terbatas pada perpustakaan senyawa yang ada. ChemPass AI dapat menciptakan struktur yang belum pernah dibuat sebelumnya, tetapi diprediksi efektif. Ini penciptaan kebaruan menghindari reinventing the wheel (atau molekul) dan membantu menciptakan produk yang berbeda dengan mode aksi baru. Metode tradisional sering mengarah pada senyawa “me-too” yang menawarkan sedikit kebaruan.

• Kecepatan dan Skala: Apa yang dapat dicapai oleh tim kimiawan melalui sintesis dan pengujian dalam setahun, AI dapat mensimulasikan dalam beberapa hari. Platform ChemPass AI dapat menyaring virtual miliaran senyawa dengan cepat dan menghasilkan ratusan ide baru dalam satu jalur. Ini secara dramatis mengompresi timeline penemuan, memfokuskan eksperimen laboratorium hanya pada kandidat paling menjanjikan yang diidentifikasi secara in silico.

• Pengetahuan Terintegrasi: Model AI seperti ChemPass menggabungkan sejumlah besar pengetahuan kimia dan biologis (misalnya, hubungan struktur-aktivitas yang diketahui, peringatan toksisitas, aturan sifat obat) dalam pelatihannya. Ini berarti setiap desain molekul mendapat manfaat dari luasnya data sebelumnya yang tidak dapat dipegang oleh satu ahli manusia. Desain tradisional bergantung pada pengalaman kimiawan obat – berharga tetapi terbatas pada memori dan bias manusia – sedangkan AI dapat menangkap pola di seluruh jutaan eksperimen dan keluarga kimia yang beragam.

Dalam istilah praktis, untuk farmasi ini bisa berarti tingkat keberhasilan yang lebih tinggi dalam uji klinis dan biaya pengembangan yang berkurang, karena lebih sedikit sumber daya yang terbuang pada senyawa yang terhukum. Dalam pertanian, ini berarti penciptaan solusi perlindungan tanaman yang lebih cepat, lebih aman, dan lebih berkelanjutan – misalnya, herbisida yang mematikan gulma tetapi tidak berbahaya bagi organisme non-target dan terurai dengan tidak berbahaya di lingkungan. Dengan mengoptimalkan efikasi dan keamanan lingkungan secara bersamaan, AI dapat membantu menghasilkan “efektif, berkelanjutan, dan proprietari” bahan kimia pertanian, menangani tantangan regulasi dan resistensi sekaligus.

Bagian dari Toolbox AI yang Lebih Luas di Evogene

Sementara ChemPass AI mencuri perhatian untuk desain molekul kecil, itu adalah bagian dari tiga “mesin teknologi” AI-powered Evogene yang disesuaikan dengan domain yang berbeda. Perusahaan memiliki MicroBoost AI yang fokus pada mikroba, ChemPass AI pada kimia, dan GeneRator AI pada elemen genetik. Setiap mesin menerapkan analitik data besar dan pembelajaran mesin ke bidangnya masing-masing.

Ekosistem mesin AI yang terintegrasi ini menekankan strategi Evogene sebagai perusahaan ilmu hayat “AI-pertama”. Mereka bertujuan untuk merevolusi penemuan produk di seluruh papan – apakah itu merumuskan obat, bio-stimulan, atau tanaman tahan kekeringan – dengan menggunakan komputasi untuk menavigasi kompleksitas biologis. Mesin-mesin ini berbagi filosofi yang sama: menggunakan pembelajaran mesin canggih untuk meningkatkan kemungkinan keberhasilan R&D dan mengurangi waktu dan biaya.

Tinjauan: Penemuan yang Didorong AI Datang dari Usia

Kecerdasan buatan generatif mengubah penemuan molekul, menggeser peran AI dari asisten ke kolaborator kreatif. Sebagai gantinya untuk menguji satu ide pada satu waktu, ilmuwan sekarang dapat menggunakan AI untuk merancang senyawa baru yang memenuhi beberapa tujuan—potensi, keamanan, stabilitas, dan lebih banyak lagi—dalam satu langkah.

Masa depan ini sudah terbentang. Tim farmasi mungkin meminta molekul yang menargetkan protein tertentu, menghindari otak, dan tersedia secara oral—AI dapat menyediakan kandidat sesuai permintaan. Dalam pertanian, peneliti dapat menghasilkan pengendali hama ramah lingkungan yang disesuaikan dengan konstrain regulasi dan lingkungan.

Model fondasi baru Evogene, yang dikembangkan dengan Google Cloud, adalah contoh pergeseran ini. Ini memungkinkan desain multi-parameter dan membuka area baru ruang kimia. Ketika versi masa depan memungkinkan penyesuaian yang lebih banyak, model ini akan menjadi alat penting di seluruh ilmu hayat.

Yang sangat penting, dampaknya bergantung pada validasi dunia nyata. Ketika molekul yang dihasilkan AI diuji dan diperbaiki, model menjadi lebih baik—menciptakan umpan balik kuat antara komputasi dan eksperimen.

Pendekatan generatif ini tidak terbatas pada obat atau pestisida. Ini bisa segera mengarah pada terobosan dalam bahan, makanan, dan keberlanjutan—menawarkan penemuan yang lebih cepat dan lebih cerdas di seluruh industri yang sebelumnya terbatas oleh trial dan error.