Evogene en Google Cloud onthullen foundation model voor generatieve molecuulontwerp, waarmee een nieuwe era in life-science AI wordt ingeluid

Evogene Ltd. heeft een eerste generatieve AI-foundation model voor het ontwerp van kleine moleculen onthuld, waarmee een doorbraak wordt bereikt in de manier waarop nieuwe verbindingen worden ontdekt. Aangekondigd op 10 juni 2025, in samenwerking met Google Cloud, breidt het model Evogene’s ChemPass AI-platform uit en lost een langdurige uitdaging op in zowel farmaceutica als landbouw: het vinden van nieuwe moleculen die meerdere complexe criteria tegelijkertijd vervullen. Deze ontwikkeling is klaar om R&D in drugontdekking en gewasbescherming te versnellen door de gelijktijdige optimalisatie van eigenschappen zoals werkzaamheid, toxiciteit en stabiliteit in één ontwerpcyclus mogelijk te maken.

Van sequentiële screening naar gelijktijdig ontwerp

In traditioneel farmaceutisch en landbouwchemisch onderzoek testen wetenschappers meestal één factor tegelijk – eerst controleren ze of een verbinding werkt, en later testen ze op veiligheid en stabiliteit. Deze stap-voor-stapmethode is langzaam, duur en eindigt vaak in mislukking, met veel veelbelovende verbindingen die in latere stadia tekortschieten. Het houdt ook onderzoekers gericht op bekende chemische structuren, waardoor innovatie wordt beperkt en het moeilijker wordt om nieuwe, octrooieerbare producten te creëren. Deze verouderde benadering draagt bij aan hoge kosten, lange tijdslijnen en een lage succesratio – ongeveer 90% van de geneesmiddelkandidaten mislukt voordat ze de markt bereiken.

Generatieve AI verandert dit paradigma. In plaats van één-voor-één filteren, kunnen AI-modellen meerdere vereisten tegelijkertijd behandelen, moleculen ontwerpen die krachtig, veilig en stabiel zijn vanaf het begin. Evogene’s nieuwe foundation model is specifiek gebouwd om dit gelijktijdige multi-parameterontwerp mogelijk te maken. Deze benadering heeft als doel om latere fasen van ontwikkeling te ontzien door overwegingen zoals ADME en toxiciteit in het initiële ontwerp te integreren.

In de praktijk kan dit betekenen dat er minder late-fouten optreden – bijvoorbeeld minder geneesmiddelkandidaten die goede laboratoriumresultaten laten zien, maar in klinische trials falen vanwege bijwerkingen. Kort samengevat, generatieve AI stelt onderzoekers in staat om sneller en slimmer te innoveren, door gelijktijdig te optimaliseren voor de vele facetten van een succesvol molecuul, in plaats van elk aspect afzonderlijk aan te pakken.

Binnenin ChemPass AI: Hoe generatieve modellen moleculen ontwerpen

Het hart van Evogene’s ChemPass AI-platform is een krachtig nieuw foundation model getraind op een enorm chemisch dataset. Het bedrijf heeft een gecurateerde database van ongeveer 40 miljard moleculaire structuren – omvattende bekende geneesmiddel-achtige verbindingen en diverse chemische skeletten – om de AI de “taal” van moleculen te leren. Met behulp van Google Cloud’s Vertex AI-infrastructuur met GPU-supercomputing, leerde het model patronen uit deze enorme chemische bibliotheek, waardoor het een ongekende breedte van kennis over wat geneesmiddel-achtige moleculen eruitzien. Deze massale trainingsregime is vergelijkbaar met het trainen van een groot taalmodel, maar in plaats van menselijke taal, leerde de AI chemische representaties.

Evogene’s generatieve model is gebouwd op transformer-neurale netwerkarchitectuur, vergelijkbaar met de GPT-modellen die natuurlijke taalverwerking hebben gerevolutioneerd. In feite wordt het systeem ChemPass-GPT genoemd, een propriëtaire AI-model getraind op SMILES-strings (een tekstcodering van moleculaire structuren). In eenvoudige bewoordingen, behandelt ChemPass-GPT moleculen als zinnen – elke molecuul-SMILES-string is een reeks tekens die de atomen en bindingen beschrijven. Het transformer-model heeft de grammatica van deze chemische taal geleerd, waardoor het in staat is om “nieuwe moleculen te schrijven” door één karakter tegelijk te voorspellen, op dezelfde manier waarop GPT zinnen kan schrijven letter voor letter. Omdat het is getraind op miljarden voorbeelden, kan het model nieuwe SMILES genereren die overeenkomen met chemisch geldige, geneesmiddel-achtige structuren.

Deze sequentie-gebaseerde generatieve benadering maakt gebruik van de kracht van transformers in het vastleggen van complexe patronen. Door te trainen op zo’n enorme en chemisch diverse dataset, overwint ChemPass AI problemen die eerder AI-modellen tegenkwamen, zoals vooroordelen van kleine datasets of het genereren van redundante of ongeldige moleculen. Het foundation model presteert al ver boven een generieke GPT die op chemie wordt toegepast: interne tests toonden ongeveer 90% precisie in het produceren van nieuwe moleculen die aan alle ontwerpcriteria voldoen, versus ~29% precisie voor een traditioneel GPT-gebaseerd modelevogene.com. In praktische zin betekent dit dat bijna alle door ChemPass AI voorgestelde moleculen niet alleen nieuw zijn, maar ook hun doelprofiel treffen, een opvallende verbetering ten opzichte van baseline-generatieve technieken.

Terwijl Evogene’s primaire generatieve motor een transformer op lineaire SMILES gebruikt, is het de moeite waard om op te merken dat de bredere AI-toolkit andere architectuur omvat, zoals graph-neuronale netwerken (GNN’s). Moleculen zijn van nature grafieken – met atomen als knooppunten en bindingen als randen – en GNN’s kunnen rechtstreeks redeneren over deze structuren. In modern drugontwerp worden GNN’s vaak gebruikt om eigenschappen te voorspellen of zelfs moleculen te genereren door ze atoom voor atoom op te bouwen. Deze grafische benadering vult sequentiemodellen aan; bijvoorbeeld, Evogene’s platform omvat ook tools zoals DeepDock voor 3D-virtuele screening, die waarschijnlijk diepe leerlingen gebruiken om molecuulbinding in een structuur-gebaseerde context te beoordelen. Door sequentiemodellen (uitstekend voor creativiteit en nieuwheid) te combineren met grafische modellen (uitstekend voor structurele nauwkeurigheid en eigenschapsvoorspelling), zorgt ChemPass AI ervoor dat de gegenereerde verbindingen niet alleen nieuw zijn op papier, maar ook chemisch solide en effectief in de praktijk. De AI’s ontwerpcyclus kan kandidaatstructuren genereren en vervolgens evalueren via predictiemodellen – sommige mogelijk GNN-gebaseerd – voor criteria zoals toxiciteit of synthetische haalbaarheid, waardoor een feedbacklus ontstaat die elke suggestie verfijnt.

Multi-objective optimalisatie: Werkzaamheid, toxiciteit, stabiliteit allemaal tegelijk

Een opvallende functie van ChemPass AI is de ingebouwde mogelijkheid voor multi-objective optimalisatie. Klassieke drugontdekking optimaliseert meestal één eigenschap tegelijk, maar ChemPass is ontworpen om meerdere objectieven tegelijkertijd aan te pakken. Dit wordt bereikt door geavanceerde machine learning-technieken die de generatieve model leiden naar het vervullen van meerdere beperkingen. Tijdens de training kan Evogene eigenschapsvereisten opleggen – zoals een molecuul moet een bepaald doelwit sterk activeren, bepaalde toxische motieven vermijden en een goede biologische beschikbaarheid hebben – en het model leert om chemische ruimte onder die regels te navigeren. Het ChemPass-GPT-systeem maakt zelfs “constraints-based generatie” mogelijk, wat betekent dat het alleen moleculen kan voorstellen die specifieke gewenste eigenschappen vanaf het begin vervullen.

Hoe bereikt de AI deze multi-parameter balans? Een benadering is multi-task learning, waarbij het model niet alleen moleculen genereert, maar ook hun eigenschappen voorspelt met behulp van geleerde voorspellers, en de generatie dienovereenkomstig aanpast. Een andere krachtige benadering is versterking learning (RL). In een RL-geverifieerde workflow fungeert het generatieve model als een “agent” die een “spel” van molecuulontwerp speelt: het stelt een molecuul voor en krijgt vervolgens een beloningscore op basis van hoe goed dat molecuul aan de objectieven voldoet (werkzaamheid, afwezigheid van toxiciteit, enz.). Na vele iteraties past het model zijn generatie-strategie aan om deze beloning te maximaliseren. Deze methode is met succes gebruikt in andere AI-gedreven drugontwerpsystemen – onderzoekers hebben aangetoond dat versterking learning-algoritmen generatieve modellen kunnen leiden tot het produceren van moleculen met gewenste eigenschappen. In wezen kan de AI worden getraind met een beloningsfunctie die meerdere doelen omvat, bijvoorbeeld door punten toe te kennen voor voorspelde werkzaamheid en punten af te trekken voor voorspelde toxiciteit. Het model optimaliseert vervolgens zijn “zetten” (atomen toevoegen of verwijderen, functionele groepen wijzigen) om de hoogste score te behalen, waardoor het de benodigde compromissen leert om alle criteria te vervullen.

Evogene heeft de exacte propriëtaire saus achter ChemPass AI’s multi-objective motor niet onthuld, maar het is duidelijk uit hun resultaten dat dergelijke strategieën worden gebruikt. Het feit dat elk gegenereerd molecuul “gelijktijdig essentiële parameters vervult” zoals werkzaamheid, synthetiseerbaarheid en veiligheid. De komende ChemPass AI-versie 2.0 zal dit verder ontwikkelen – het wordt ontwikkeld om nog flexibeler multi-parameterafstemming mogelijk te maken, inclusief gebruikersgedefinieerde criteria aangepast aan specifieke therapeutische gebieden of gewasvereisten. Dit suggereert dat de volgende generatie-model gebruikers in staat stelt om de importantie van bepaalde factoren (bijvoorbeeld het prioriteren van hersenpenetratie voor een neurologisch geneesmiddel of milieubiodegradatie voor een pesticide) aan te passen en de AI zal zijn ontwerpproces dienovereenkomstig aanpassen. Door deze multi-objective mogelijkheden te integreren, kan ChemPass AI moleculen ontwerpen die het zoete punt op meerdere prestatieparameters tegelijkertijd bereiken, een prestatie die praktisch onmogelijk is met traditionele methoden.

Een sprong vooruit ten opzichte van traditionele R&D-methoden

De komst van ChemPass AI’s generatieve model benadrukt een bredere verschuiving in life-science R&D: de overgang van tijdrovende trial-and-error workflows naar AI-geverifieerde creativiteit en precisie. In tegenstelling tot menselijke chemici, die de neiging hebben om bij bekende chemische series te blijven en langzaam te itereren, kan een AI miljarden mogelijkheden overwegen en de onontdekte 99,9% van de chemische ruimte betreden. Dit opent de deur naar het vinden van effectieve verbindingen die niets lijken op wat we eerder hebben gezien – cruciaal voor het behandelen van ziekten met nieuwe chemie of het bestrijden van plagen en pathogenen die resistentie tegen bestaande moleculen hebben ontwikkeld. Bovendien helpt generatieve AI bij het produceren van moleculen die verse IP creëren, een belangrijk concurrentievoordeel.

De voordelen ten opzichte van traditionele benaderingen kunnen als volgt worden samengevat:

• Parallelle multi-trait optimalisatie: De AI evalueert meerdere parameters in parallel, moleculen ontwerpend die werkzaamheid, veiligheid en andere criteria vervullen. Traditionele pipelines, daarentegen, ontdekken vaak pas in een later stadium een toxiciteitsprobleem – bijvoorbeeld een geneesmiddelkandidaat dat goede laboratoriumresultaten laat zien, maar in klinische trials falen vanwege bijwerkingen. Door dergelijke problemen van tevoren te filteren, hebben AI-ontworpen kandidaten een betere kans om te slagen in dure latere trials.

• Uitbreiding van chemische diversiteit: Generatieve modellen zijn niet beperkt tot bestaande verbindingenbibliotheken. ChemPass AI kan structuren creëren die nog nooit zijn gemaakt, maar die voorspeld worden effectief te zijn. Deze nieuwheid-gedreven generatie vermijdt het opnieuw uitvinden van het wiel (of het molecuul) en helpt bij het creëren van gedifferentieerde producten met nieuwe werkingsmechanismen. Traditionele methoden leiden vaak tot “me-too”-verbindingen die weinig nieuwheid bieden.

• Snelheid en schaal: Wat een team van chemici mogelijk in een jaar bereikt via synthese en testing, kan een AI simuleren in enkele dagen. ChemPass AI’s diepe leerplatform kan tientallen miljarden verbindingen snel virtueel screenen en honderden nieuwe ideeën in één run genereren. Dit comprimeert de ontdekkings-tijdlijn dramatisch, waarbij alleen de meest veelbelovende kandidaten die in silico zijn geïdentificeerd, in het laboratorium worden getest.

• Geïntegreerde kennis: AI-modellen zoals ChemPass incorporeren enorme hoeveelheden chemische en biologische kennis (bijv. bekende structuur-activiteitsrelaties, toxiciteitswaarschuwingen, geneesmiddel-achtige eigenschappenregels) in hun training. Dit betekent dat elk molecuulontwerp profiteert van een breedte aan voorafgaande gegevens die geen enkele menselijke expert in zijn hoofd kan houden. Traditioneel ontwerp vertrouwt op de ervaring van farmacologen – waardevol, maar beperkt tot menselijke herinnering en vooroordeel – terwijl de AI patronen over miljoenen experimenten en diverse chemische families kan vastleggen.

In praktische zin kan dit voor farmaceutica leiden tot hogere succesratio’s in klinische trials en verlaagde ontwikkelingskosten, aangezien minder middelen worden verspild aan verdoemde verbindingen. In landbouw betekent het snellere creatie van veiligere, duurzamere gewasbeschermingsoplossingen – bijvoorbeeld een herbicide die dodelijk is voor onkruid, maar onschadelijk voor niet-doelorganismen en zich onschadelijk in het milieu afbreekt. Door werkzaamheid en milieuveiligheid gelijktijdig te optimaliseren, kan AI helpen “effectieve, duurzame en octrooieerbare” agrochemicaliën te leveren, waarmee regelgevings- en resistentie-uitdagingen in één keer worden aangepakt.

Onderdeel van een bredere AI-toolbox bij Evogene

Terwijl ChemPass AI de aandacht trekt voor het ontwerp van kleine moleculen, maakt het deel uit van Evogene’s trio van AI-gepowered “tech-motoren” aangepast aan verschillende domeinen. Het bedrijf heeft MicroBoost AI gericht op microben, ChemPass AI op chemie en GeneRator AI op genetische elementen. Elk motor past big-data analytics en machine learning toe op zijn respectieve gebied.

Deze geïntegreerde ecosystemen van AI-motoren onderstrepen Evogene’s strategie als een “AI-first” life science-bedrijf. Zij streven ernaar om productontdekking over de hele linie te revolutioneren – of het nu gaat om het formuleren van een geneesmiddel, een biostimulant of een droogtetolerante gewas – door computatie te gebruiken om biologische complexiteit te doorgronden. De motoren delen een gemeenschappelijke filosofie: gebruik cutting-edge machine learning om de kans op R&D-succes te vergroten en tijd en kosten te reduceren.

Uitzicht: AI-gedreven ontdekking komt van age

Generatieve AI transformeert molecuulontdekking, waarbij de rol van AI verschuift van assistent naar creatieve medewerker. In plaats van één idee tegelijk te testen, kunnen wetenschappers nu AI gebruiken om helemaal nieuwe verbindingen te ontwerpen die meerdere doelen – werkzaamheid, veiligheid, stabiliteit en meer – in één stap bereiken.

Deze toekomst ontvouwt zich al. Een farmaceutisch team kan een molecuul aanvragen dat een specifiek eiwit target, de hersenen vermijdt en oraal beschikbaar is – AI kan kandidaten op aanvraag leveren. In landbouw kunnen onderzoekers eco-vriendelijke ongediertebestrijdingsmiddelen genereren die zijn aangepast aan regelgevings- en milieubeperkingen.

Evogene’s recente foundation model, ontwikkeld met Google Cloud, is een voorbeeld van deze verschuiving. Het maakt multi-parameterontwerp mogelijk en opent nieuwe gebieden van chemische ruimte. Naarmate toekomstige versies nog meer aanpassing mogelijk maken, zullen deze modellen essentiële tools worden in de life sciences.

Het is cruciaal dat de impact afhankelijk is van validatie in de praktijk. Naarmate AI-gegenereerde moleculen worden getest en verfijnd, verbeteren modellen – waardoor een krachtige feedbacklus tussen computatie en experimentatie ontstaat.

Deze generatieve benadering is niet beperkt tot geneesmiddelen of pesticiden. Het kan binnenkort doorbraken mogelijk maken in materialen, voedsel en duurzaamheid – waardoor snellere, slimmere ontdekking mogelijk wordt in industrieën die eerder werden beperkt door trial and error.