Evogene e Google Cloud presentano il modello di base per la progettazione di molecole generative, inaugurando una nuova era nell’AI per le scienze della vita

Evogene Ltd. ha presentato un modello di base di prima classe per la progettazione di molecole generative, segnando una svolta nel modo in cui vengono scoperte nuove sostanze. Annunciato il 10 giugno 2025, in collaborazione con Google Cloud, il modello amplia la piattaforma ChemPass AI di Evogene e affronta una sfida di lunga data sia nel settore farmaceutico che in quello agricolo: trovare molecole nuove che soddisfino contemporaneamente più criteri complessi. Questo sviluppo è destinato ad accelerare la R&D nella scoperta di farmaci e nella protezione delle colture, consentendo l’ottimizzazione simultanea di proprietà come l’efficacia, la tossicità e la stabilità in un unico ciclo di progettazione.

Dalla selezione sequenziale alla progettazione simultanea

Nella ricerca tradizionale di sostanze chimiche per farmaci e agricoltura, gli scienziati di solito testano un fattore alla volta, verificando prima se una sostanza funziona, poi successivamente testandola per la sicurezza e la stabilità. Questo metodo passo dopo passo è lento, costoso e spesso si conclude in un fallimento, con molte sostanze promettenti che non soddisfano le aspettative nelle fasi successive. Ciò mantiene i ricercatori focalizzati su strutture chimiche note, limitando l’innovazione e rendendo più difficile la creazione di nuovi prodotti brevettabili. Questo approccio superato contribuisce ai costi elevati, ai tempi lunghi e a un basso tasso di successo, intorno al 90% dei candidati farmaceutici che falliscono prima di raggiungere il mercato.

L’intelligenza artificiale generativa cambia questo paradigma. Invece di un filtro uno dopo l’altro, i modelli di intelligenza artificiale possono gestire più requisiti contemporaneamente, progettando molecole per essere potenti, sicure e stabili fin dall’inizio. Il nuovo modello di base di Evogene è stato costruito esplicitamente per consentire questa progettazione multi-parametrica simultanea. Questo approccio mira a ridurre i rischi nelle fasi successive dello sviluppo, caricando considerazioni come ADME e tossicità nella progettazione iniziale.

Nella pratica, potrebbe significare meno fallimenti in fase tardiva, ad esempio meno candidati farmaceutici che mostrano grandi risultati in laboratorio solo per fallire nei trial clinici a causa degli effetti collaterali. In breve, l’intelligenza artificiale generativa consente ai ricercatori di innovare più velocemente e in modo più intelligente, ottimizzando contemporaneamente per i molti aspetti di una molecola di successo, anziché affrontarli isolatamente.

All’interno di ChemPass AI: come i modelli generativi progettano le molecole

Al cuore della piattaforma ChemPass AI di Evogene c’è un potente nuovo modello di base addestrato su un enorme set di dati chimici. La società ha assemblato un database curato di circa 40 miliardi di strutture molecolari – che comprende composti farmaceutici noti e scaffali chimici diversi – per insegnare all’IA il “linguaggio” delle molecole. Utilizzando l’infrastruttura Vertex AI di Google Cloud con supercalcolo GPU, il modello ha appreso modelli da questo vasto archivio chimico, dandogli una conoscenza senza precedenti di cosa assomigliano le molecole farmaceutiche. Questo massiccio regime di addestramento è simile all’addestramento di un modello linguistico di grandi dimensioni, ma invece del linguaggio umano, l’IA ha appreso rappresentazioni chimiche.

Il modello generativo di Evogene si basa sull’architettura di rete neurale transformer, simile ai modelli GPT che hanno rivoluzionato l’elaborazione del linguaggio naturale. In effetti, il sistema è noto come ChemPass-GPT, un modello di intelligenza artificiale proprietario addestrato su stringhe SMILES (un codice di testo per le strutture molecolari). In termini semplici, ChemPass-GPT tratta le molecole come frasi – ogni stringa SMILES di una molecola è una sequenza di caratteri che descrive i suoi atomi e legami. Il modello transformer ha appreso la grammatica di questo linguaggio chimico, consentendogli di “scrivere” nuove molecole prevedendo un carattere alla volta, allo stesso modo in cui GPT può scrivere frasi lettera per lettera. Poiché è stato addestrato su miliardi di esempi, il modello può generare nuove stringhe SMILES che corrispondono a strutture chimicamente valide e farmaceutiche.

Questo approccio generativo basato su sequenze sfrutta la forza dei transformer nel catturare modelli complessi. Addestrando su un set di dati così grande e chimicamente diversificato, ChemPass AI supera i problemi che i modelli di intelligenza artificiale precedenti hanno affrontato, come il bias dei piccoli set di dati o la generazione di molecole ridondanti o non valide. Le prestazioni del modello di base superano già di gran lunga quelle di un modello GPT generico applicato alla chimica: i test interni hanno mostrato una precisione di circa 90% nella produzione di nuove molecole che soddisfano tutti i criteri di progettazione, rispetto al ~29% di precisione per un modello basato su GPT tradizionaleevogene.com. In termini pratici, ciò significa che quasi tutte le molecole suggerite da ChemPass AI non sono solo nuove, ma anche corrispondono al profilo di destinazione, un miglioramento significativo rispetto alle tecniche generative di base.

Sebbene il motore generativo principale di Evogene utilizzi un transformer su stringhe SMILES lineari, è importante notare che la più ampia cassetta degli attrezzi di intelligenza artificiale include altre architetture come le reti neurali grafiche (GNN). Le molecole sono naturalmente grafi – con atomi come nodi e legami come archi – e le GNN possono ragionare direttamente su queste strutture. Nella progettazione di farmaci moderna, le GNN sono spesso utilizzate per prevedere proprietà o anche generare molecole costruendole atomo per atomo. Questo approccio basato su grafi complementa i modelli di sequenza; ad esempio, la piattaforma di Evogene incorpora anche strumenti come DeepDock per la selezione virtuale 3D, che probabilmente utilizza l’apprendimento profondo per valutare il legame della molecola in un contesto basato sulla struttura. Combinando modelli di sequenza (ottimi per la creatività e la novità) con modelli basati su grafi (ottimi per l’accuratezza strutturale e la previsione delle proprietà), ChemPass AI garantisce che i composti generati siano non solo nuovi sulla carta, ma anche chimicamente validi e efficaci nella pratica. Il ciclo di progettazione dell’IA potrebbe generare strutture di candidati e poi valutarle tramite modelli predittivi – alcuni possibilmente basati su GNN – per criteri come la tossicità o la fattibilità sintetica, creando un ciclo di feedback che raffina ogni suggerimento.

Ottimizzazione multi-obiettivo: potenza, tossicità, stabilità tutte in una volta

Una caratteristica di spicco di ChemPass AI è la sua capacità di ottimizzazione multi-obiettivo incorporata. La scoperta classica di farmaci spesso ottimizza una proprietà alla volta, ma ChemPass è stato progettato per gestire molti obiettivi contemporaneamente. Ciò si ottiene attraverso tecniche di apprendimento automatico avanzate che guidano il modello generativo verso la soddisfazione di più vincoli. Durante l’addestramento, Evogene può imporre requisiti di proprietà – come ad esempio una molecola deve attivare un certo bersaglio con forza, evitare certi motivi tossici e avere una buona biodisponibilità – e il modello apprende a navigare nello spazio chimico sotto quelle regole. Il sistema ChemPass-GPT consente addirittura la “generazione basata su vincoli”, ovvero può essere istruito a proporre solo molecole che soddisfano proprietà desiderate fin dall’inizio.

Come fa l’IA a realizzare questo equilibrio multi-parametrico? Un approccio è l’apprendimento multi-task, dove il modello non genera solo molecole, ma anche predice le loro proprietà utilizzando predittori appresi, regolando la generazione di conseguenza. Un altro approccio potente è l’apprendimento per rinforzo (RL). In un flusso di lavoro basato su RL, il modello generativo agisce come un agente che “gioca un gioco” di progettazione di molecole: propone una molecola e poi riceve un punteggio di ricompensa in base a quanto bene quella molecola soddisfa gli obiettivi (potenza, assenza di tossicità, ecc.). Nel corso di molte iterazioni, il modello regola la sua strategia di generazione per massimizzare questa ricompensa. Questo metodo è stato utilizzato con successo in altri sistemi di progettazione di farmaci guidati dall’IA – i ricercatori hanno dimostrato che gli algoritmi di apprendimento per rinforzo possono guidare i modelli generativi a produrre molecole con proprietà desiderabili. In sostanza, l’IA può essere addestrata con una funzione di ricompensa che incorpora più obiettivi, ad esempio assegnando punti per l’efficacia prevista e sottraendo punti per la tossicità prevista. Il modello ottimizza quindi le sue “mosse” (aggiungendo o rimuovendo atomi, alterando gruppi funzionali) per ottenere il punteggio più alto, imparando efficacemente i compromessi necessari per soddisfare tutti i criteri.

Evogene non ha divulgato la ricetta esatta del motore multi-obiettivo di ChemPass AI, ma è chiaro dai loro risultati che tali strategie sono in atto. Il fatto che ogni composto generato “soddisfi contemporaneamente parametri essenziali” come l’efficacia, la sintetizzabilità e la sicurezza. La prossima versione di ChemPass AI 2.0 spingerà questo ulteriormente – è in fase di sviluppo per consentire una regolazione multi-parametrica ancora più flessibile, compresi criteri definiti dall’utente adatti a specifiche aree terapeutiche o requisiti di colture. Ciò suggerisce che il modello next-gen potrebbe consentire ai ricercatori di regolare l’importanza di determinati fattori (ad esempio, priorizzare la penetrazione cerebrale per un farmaco neurologico o la biodegradabilità ambientale per un pesticida) e l’IA regolerà di conseguenza la sua strategia di progettazione. Integrando queste capacità multi-obiettivo, ChemPass AI può progettare molecole che colpiscono il punto dolce su più metriche di prestazione contemporaneamente, un risultato praticamente impossibile con i metodi tradizionali.

Un balzo oltre i metodi di R&D tradizionali

L’avvento del modello generativo di ChemPass AI sottolinea un più ampio cambiamento nella R&D delle scienze della vita: il passaggio da workflow di trial-and-error laboriosi a creatività e precisione aumentate dall’IA. A differenza dei chimici umani, che tendono ad attenersi a serie chimiche note e iterare lentamente, un’IA può comprendere miliardi di possibilità e avventurarsi nello spazio chimico inesplorato. Ciò apre la porta alla scoperta di composti efficaci che non assomigliano a nulla di visto prima – cruciale per il trattamento di malattie con chimica nuova o per affrontare parassiti e patogeni che hanno sviluppato resistenza alle molecole esistenti. Inoltre, considerando la brevettabilità fin dall’inizio, l’intelligenza artificiale generativa aiuta a evitare aree di proprietà intellettuale affollate. Evogene si propone esplicitamente di produrre molecole che creino nuovi brevetti, un importante vantaggio competitivo.

I vantaggi rispetto agli approcci tradizionali possono essere riassunti come segue:

• Ottimizzazione multi-trait parallela: L’IA valuta molti parametri in parallelo, progettando molecole che soddisfano la potenza, la sicurezza e altri criteri. Le pipeline tradizionali, al contrario, spesso scoprono un problema di tossicità solo dopo anni di lavoro su un farmaco altrimenti promettente. Filtrando preventivamente tali problemi, i candidati progettati dall’IA hanno maggiori possibilità di successo nelle fasi successive più costose.

• Espansione della diversità chimica: I modelli generativi non sono limitati alle librerie di composti esistenti. ChemPass AI può evocare strutture che non sono mai state create prima, ma sono previste essere efficaci. Questa generazione guidata dalla novità evita di reinventare la ruota (o la molecola) e aiuta a creare prodotti differenziati con nuovi meccanismi di azione. I metodi tradizionali spesso portano a composti “me-too” che offrono poca novità.

• Velocità e scala: Ciò che un team di chimici potrebbe realizzare attraverso la sintesi e il test in un anno, un’IA può simularlo in pochi giorni. La piattaforma di apprendimento profondo di ChemPass AI può eseguire la selezione virtuale di decine di miliardi di composti rapidamente e generare centinaia di nuove idee in una sola esecuzione. Ciò comprime drasticamente la timeline di scoperta, concentrandosi sugli esperimenti in laboratorio solo sui candidati più promettenti identificati in silico.

• Conoscenza integrata: I modelli di intelligenza artificiale come ChemPass incorporano grandi quantità di conoscenze chimiche e biologiche (ad esempio, relazioni nota struttura-attività, avvertimenti di tossicità, regole di proprietà farmaceutiche) nel loro addestramento. Ciò significa che ogni progettazione di molecola beneficia di una vasta gamma di dati precedenti che nessun singolo esperto umano potrebbe avere in mente. La progettazione tradizionale si basa sull’esperienza dei chimici farmaceutici – preziosa ma limitata alla memoria e ai pregiudizi umani – mentre l’IA può catturare modelli attraverso milioni di esperimenti e famiglie chimiche diverse.

In termini pratici, per l’industria farmaceutica ciò potrebbe portare a tassi di successo più alti nei trial clinici e a costi di sviluppo ridotti, poiché meno risorse vengono sprecate su composti condannati. In agricoltura, significa creazione più rapida di soluzioni di protezione delle colture più sicure e sostenibili – ad esempio, un erbicida che è letale per le erbe infestanti ma benigno per gli organismi non bersaglio e si decompone in modo innocuo nell’ambiente. Ottimizzando contemporaneamente l’efficacia e la sicurezza ambientale, l’IA può aiutare a consegnare prodotti chimici agricoli “efficaci, sostenibili e brevettabili”, affrontando le sfide regolamentari e di resistenza in un solo passo.

Parte di una più ampia cassetta degli attrezzi di intelligenza artificiale in Evogene

Mentre ChemPass AI ruba la scena per la progettazione di molecole piccole, fa parte dei tre “motori tecnologici” di intelligenza artificiale di Evogene, adattati a diversi domini. La società ha MicroBoost AI che si concentra sui microrganismi, ChemPass AI sulla chimica e GeneRator AI sugli elementi genetici. Ogni motore applica analisi di grandi dati e apprendimento automatico al proprio campo.

Questo ecosistema integrato di motori di intelligenza artificiale sottolinea la strategia di Evogene come società di scienze della vita “prima dell’IA”. Si propone di rivoluzionare la scoperta di prodotti in tutto il settore – che si tratti di formulare un farmaco, un bio-stimolante o una coltura resistente alla siccità – sfruttando il calcolo per navigare nella complessità biologica. I motori condividono una filosofia comune: utilizzare l’apprendimento automatico di ultima generazione per aumentare la probabilità di successo della R&D e ridurre il tempo e il costo.

Prospettive: la scoperta guidata dall’IA diventa adulta

L’intelligenza artificiale generativa sta trasformando la scoperta di molecole, spostando il ruolo dell’IA da assistente a collaboratore creativo. Invece di testare un’idea alla volta, gli scienziati possono ora utilizzare l’IA per progettare interamente nuove sostanze che soddisfino più obiettivi – potenza, sicurezza, stabilità e altro – in un unico passo.

Questo futuro si sta già realizzando. Un team farmaceutico potrebbe richiedere una molecola che bersaglia un proteina specifica, evita il cervello e è disponibile per via orale – l’IA può fornire candidati su richiesta. In agricoltura, i ricercatori potrebbero generare controlli dei parassiti ecocompatibili adattati a vincoli regolamentari e ambientali.

Il recente modello di base di Evogene, sviluppato con Google Cloud, è un esempio di questo cambiamento. Consente la progettazione multi-parametrica e apre nuove aree dello spazio chimico. Man mano che le versioni future consentono una personalizzazione ancora maggiore, questi modelli diventeranno strumenti essenziali in tutto il settore delle scienze della vita.

Crucialmente, l’impatto dipende dalla convalida nel mondo reale. Man mano che le molecole generate dall’IA vengono testate e raffinate, i modelli migliorano – creando un potente ciclo di feedback tra calcolo e sperimentazione.

Questo approccio generativo non è limitato ai farmaci o ai pesticidi. Potrebbe presto guidare innovazioni nei materiali, nel cibo e nella sostenibilità – offrendo una scoperta più rapida e intelligente in settori un tempo vincolati dal trial e error.