에보젠과 구글 클라우드, 제네라티브 분자 설계를 위한 기초 모델 공개, 생명과학 AI의 새로운 시대 개척

에보젠 리미티드는 제네라티브 AI 기초 모델을 최초로 공개하였습니다. 이 모델은 작은 분자 설계를 위한 것으로, 새로운 화합물의 발견 방법에 혁신을 가져올 것으로 기대됩니다. 공개된 이 모델은 에보젠의 ChemPass AI 플랫폼을 확장하며, 제약과 농업에서 lâu 동안 지속되어 왔던 문제인 새로운 분子的 발견을 다루고 있습니다. 이 개발은 약물 발견과 작물 보호를 위한 연구 개발을 가속화할 것으로 기대됩니다.

순차적 스크리닝에서 동시 설계로

전통적인 약물과 농업 화학 연구에서 과학자들은 일반적으로 한 가지 요인을 테스트합니다. 먼저 화합물이 작동하는지 확인한 다음, 이후에 안전성과 안정성을 테스트합니다. 이 단계별 접근 방식은 느리고 비용이 많이 들며, 종종 실패로 끝납니다. 많은 약물 후보가 이후 단계에서 실패합니다. 이 устар하신 접근 방식은 높은 비용, 긴 타임라인, 낮은 성공률을 초래합니다. 약물 후보의 약 90%가 시장에 나가지 못합니다.

제네라티브 AI는 이러한 패러다임을 변경합니다. 하나씩 필터링하는 대신, AI 모델은 여러 요구 사항을同时 다룰 수 있습니다. 에보젠의 새로운 기초 모델은 명시적으로 이러한 동시 다중 매개변수 설계를 가능하게 하기 위해 구축되었습니다. 이 접근 방식은 초기 설계에서 고려 사항을 전면적으로 로드함으로써 이후 개발 단계를 더 안전하게 만듭니다.

실제로, 이것은 더 적은 늦은 단계의 실패를 의미할 수 있습니다. 예를 들어, 실험실 결과가 훌륭하지만 임상 시험에서 부작용으로 인해 실패하는 약물 후보가 더 적을 수 있습니다. 간단히 말해, 제네라티브 AI는 연구자들이 더 빠르고 더智能하게 혁신할 수 있도록 허용합니다. 여러 가지 요소를 동시에 최적화하여 성공적인 분자의 다양한 측면을 동시에 다룰 수 있습니다.

ChemPass AI 내부: 제네라티브 모델이 분자를 설계하는 방법

에보젠의 ChemPass AI 플랫폼의 핵심에는 강력한 새로운 기초 모델이 있습니다. 이 모델은 거대한 화학 데이터셋에훈련되었습니다. 회사는 약 40억 개의 분자 구조로 구성된 데이터베이스를 구축했습니다. 이 데이터베이스는 알려진 약물 유사 화합물과 다양한 화학적 스카폴드를 포함합니다. 이 거대한 훈련은 AI에게 분자의 “언어”를 가르칩니다. 구글 클라우드의 Vertex AI 인프라와 GPU 슈퍼컴퓨팅을 사용하여, 모델은 이 거대한 화학 라이브러리에서 패턴을 학습했습니다. 이는 이전에 알려지지 않은 분자 구조를 생성할 수 있습니다.

에보젠의 제네라티브 모델은 트랜스포머 신경망 아키텍처를 기반으로 합니다. 이는 자연어 처리를 혁신한 GPT 모델과 유사합니다. 실제로, 시스템은 ChemPass-GPT라고 부르며, SMILES 문자열(분자 구조의 텍스트 인코딩)에 훈련된 독점적 AI 모델입니다. 간단히 말해, ChemPass-GPT는 분자를 문장처럼 다룹니다. 각 분자의 SMILES 문자열은 원자와 결합을 설명하는 문자열입니다. 트랜스포머 모델은 이 화학 언어의 문법을 학습하여, GPT가 문장을 문자열로 작성하는 것과 같은 방식으로 새로운 분자를 “작성”할 수 있습니다.

이 시퀀스 기반 제네라티브 접근 방식은 트랜스포머의 복잡한 패턴을 캡처하는 강점을 활용합니다.如此 거대한 데이터셋에 훈련함으로써, ChemPass AI는 이전 AI 모델이 직면했던 문제를 극복합니다. 예를 들어, 작은 데이터셋에서 발생하는 편향이나 중복 또는 무효한 분子的 생성입니다. 기초 모델의 성능은 이미 일반적인 GPT에 적용된 화학에 훨씬 더 우수합니다. 내부 테스트에서 약 90%의 정밀도를 보여주었습니다. 이는 전통적인 GPT 기반 모델의 약 29%의 정밀도와 비교됩니다.

에보젠의 기본적인 생성 엔진은 선형 SMILES에 대한 트랜스포머를 사용합니다. 그러나 더 넓은 AI 툴킷에는 그래프 신경망과 같은 다른 아키텍처도 포함됩니다. 분자는 자연스럽게 그래프로 구성됩니다. 원자는 노드로, 결합은 에지로 구성됩니다. 그래프 신경망은 이러한 구조에서 직접推論할 수 있습니다. 현대적인 약물 설계에서 그래프 신경망은 종종 분자의 특성을 예측하거나 원자별로 분자를 생성하는 데 사용됩니다. 이 그래프 기반 접근 방식은 시퀀스 모델을 보완합니다. 예를 들어, 에보젠의 플랫폼은 또한 DeepDock와 같은 도구를 포함합니다. 이는 3D 가상 스크리닝을 위한 것으로, 구조 기반 컨텍스트에서 분자 결합을 평가하는 데 깊은 학습을 사용할 수 있습니다.

다중 목적 최적화: 효능, 독성, 안정성 동시에

ChemPass AI의 대표적인 기능은 내장된 다중 목적 최적화 기능입니다. 전통적인 약물 발견은 일반적으로 한 가지 속성을 한 번에 최적화합니다. 그러나 ChemPass는 여러 목표를 동시에 다루도록 설계되었습니다. 이는 모델이 여러 제약을满足하도록 지시하는 고급 기계 학습 기술을 통해 달성됩니다. 훈련 중에 에보젠은 속성 요구 사항을 부과할 수 있습니다. 예를 들어, 분자가 특정 타겟을 강하게 활성화해야 하며, 특정 독성 모티프를 피하고, 생체이용성이 좋을 수 있습니다. 모델은 이러한 규칙에 따라 화학 공간을 탐색하도록 학습합니다.

ChemPass-GPT 시스템은 또한 “제약 기반 생성”을 가능하게 합니다. 즉, 모델은 특정 원하는 속성을 갖는 분자만 제안하도록 지시할 수 있습니다.

이 다중 매개변수 밸런싱 액트는 어떻게 달성할 수 있나요? 한 가지 접근 방식은 다중 태스크 학습입니다. 모델은 분자뿐만 아니라 속성을 예측하는 학습된 예측기를 사용하여 분자를 생성합니다. 또 다른 강력한 접근 방식은 강화 학습입니다. 강화 학습을 강화한 워크플로에서, 생성 모델은 분자 설계의 “게임”을하는 에이전트처럼 행동합니다. 모델은 분자를 제안하고 목표(효능, 독성 등)를 얼마나 잘 충족하는지에 기반한 보상 점수를 받습니다. 반복을 통해 모델은 보상을 최대화하도록 생성 전략을 조정합니다. 이 방법은 다른 AI 기반 약물 설계 시스템에서 성공적으로 사용되었습니다.

전통적인 R&D 방법을 넘어서

ChemPass AI의 제네라티브 모델은 생명과학 연구 개발에서 더 넓은 변화를 강조합니다. 즉, 노동 집약적인 시도와 오류 워크플로에서 AI를 증강한 창의성과 정밀도로의 전환입니다. 인간 화학자와 달리 AI는 수십억 개의 가능성을 이해하고, 미지의 99.9%의 화학 공간을 탐험할 수 있습니다. 이는 이전에 본 적 없는 효능을 갖는 화합물을 발견하는 문을 열어줍니다. 이는 새로운 화학 또는 내성균을 다루는 질병을 치료하는 데 중요합니다.

이러한 이점은 다음과 같이 요약할 수 있습니다.

• 병렬 다중 특성 최적화: AI는 여러 매개변수를 동시에 평가하여, 효능, 안전성 및 기타 기준을 충족하는 분자를 설계합니다. 전통적인 파이프라인은 종종 독성 문제를 발견하기 위해 수년간의 작업을 해야 합니다. 이러한 문제를 미리 필터링함으로써, AI 설계 후보는 더 나은 성공 가능성을 갖습니다.

• 화학적 다양성 확장: 제네라티브 모델은 기존의 화합물 라이브러리만을 다루지 않습니다. ChemPass AI는 이전에 만들어 본 적 없는 구조를 생성할 수 있습니다. 이러한 새로운 생성은 “me-too” 화합물을 피하고, 새로운 작용 메커니즘을 갖는 차별화된 제품을 만드는 데 도움이 됩니다.

• 속도와 규모: 인간 화학자가 합성과 테스트를 통해 1년 동안 달성할 수 있는 것을, AI는 몇 일 안에 시뮬레이션할 수 있습니다. ChemPass AI의 딥 러닝 플랫폼은 수십억 개의 화합물을 빠르게 가상으로 스크리닝할 수 있으며, 단일 실행에서 수백 개의 새로운 아이디어를 생성할 수 있습니다. 이는 발견 타임라인을 크게 압축하고, 실험실 실험을 가장 유망한 후보만으로 집중시킵니다.

• 통합 지식: AI 모델은 화학 및 생물학 지식(예: 알려진 구조-활성 관계, 독성 경고, 약물 유사 속성 규칙)을 통합합니다. 이는 각 분자 설계에 이전에 알려지지 않은 데이터를 적용할 수 있습니다. 전통적인 설계는 인간의 경험과 편향에 의존하는 반면, AI는 수백만 개의 실험과 다양한 화학적 가족을 캡처할 수 있습니다.

실제로, 이는 제약에서 임상 시험의 성공률을 높이고 개발 비용을 줄일 수 있습니다. 농업에서는 더 빠르고 더 지속 가능한 작물 보호 솔루션을 만들 수 있습니다. 예를 들어, 잡초만을 죽이고 비목표 생물체에는無害하며, 환경에서 무해하게 분해되는 제초제를 만들 수 있습니다. 효능과 환경 안전성을 동시에 최적화함으로써, AI는 효과적이고 지속 가능하며 독점적인 작물 보호 화합물을 제공할 수 있습니다.

에보젠의 더 넓은 AI 툴킷의 일부

ChemPass AI는 소분자 설계에 중점을 둔 에보젠의 세 가지 AI 기반 “tech-engines” 중 하나입니다. 회사는 마이크로보스트 AI, ChemPass AI, GeneRator AI를 보유하고 있습니다. 각 엔진은 빅데이터 분석과 기계 학습을 적용하여 해당 분야를 다룹니다.

이 통합된 AI 엔진 생태계는 에보젠의 “AI-최우선” 생명과학 회사 전략을 강조합니다. 회사는 제품 발견을革命화하는 것을 목표로 합니다. 이는 약물, 생물 자극제 또는 내성 작물의 공식화와 같은 모든 것을 다룹니다. 회사는 생물학적 복잡성을 탐색하기 위해 계산을 활용하는 것을 목표로 합니다. 엔진은 공통의 철학을 공유합니다. 즉, 기계 학습을 사용하여 연구 개발의 성공 확률을 높이고 시간과 비용을 줄이는 것입니다.

전망: AI 주도 발견의 시대

제네라티브 AI는 분자 발견을変革하고 있습니다. 과학자들은 더 이상 하나씩 아이디어를 테스트하지 않습니다. 대신, AI를 사용하여 여러 목표를 동시에 충족하는 완전히 새로운 화합물을 설계할 수 있습니다.

이 미래는 이미 진행 중입니다. 제약 팀은 특정 단백질을 표적으로 하며, 뇌를 피하고, 경구적으로 사용할 수 있는 분자를 요청할 수 있습니다. AI는 이러한 요구 사항을 충족하는 후보를 제공할 수 있습니다. 농업에서 연구자들은 환경적 제약과 규제 요구 사항에 맞춘 친환경적인 해충 방제를 생성할 수 있습니다.

에보젠의 최근 기초 모델은 이러한 변화를 예시합니다. 이는 다중 매개변수 설계를 가능하게 하며, 새로운 화학 공간을 개척합니다. 향후 버전에서는 더 많은 사용자 지정이 가능할 것입니다. 이러한 모델은 생명과학 분야에서 필수적인 도구가 될 것입니다.

중요한 것은 실제 검증입니다. AI 생성 분자가 테스트되고 개선됨에 따라, 모델은 더 나아질 것입니다. 계산과 실험 사이에 강력한 피드백 루프가 생성됩니다.

이 제네라티브 접근 방식은 약물이나 살충제에만 국한되지 않습니다. 곧 재료, 식품, 지속 가능성 분야에서 혁신을 驅動할 수 있습니다. 이는 이전에 시도와 오류로 제한된 산업에서 더 빠르고 더智能한 발견을 제공할 수 있습니다.