Evogene og Google Cloud lanserer grunnmodell for generativ molekyl-design, baner vei for en ny æra i life-science AI

Evogene Ltd. har lansert en førsteklasses generativ AI-grunnmodell for design av småmolekyler, og markerer et gjennombrudd i hvordan nye forbindelser oppdages. Annonsert den 10. juni 2025, i samarbeid med Google Cloud, utvider modellen Evogenes ChemPass AI-plattform og løser en langvarig utfordring i både legemidler og landbruk: å finne nye molekyler som møter flere komplekse kriterier samtidig. Denne utviklingen er i stand til å akselerere FoU i legemiddelforskning og avlingsskydd ved å muliggjøre samtidig optimalisering av egenskaper som effektivitet, toksisitet og stabilitet i en enkelt designsyklus.

Fra sekvensiell skjerming til samtidig design

I tradisjonell legemiddel- og landbrukskjemi forskning, tester vitenskapsmenn vanligvis én faktor om gangen – først sjekker de om en forbindelse fungerer, og deretter tester de for sikkerhet og stabilitet. Denne skritt-for-skritt metoden er treg, dyrekjøpt og ofte ender i feil, med mange lovende forbindelser som ikke møter kravene i senere faser. Denne foreldede tilnærming bidrar til høye kostnader, lange tidsrammer og lav suksessrate – rundt 90% av legemiddelkandidater feiler før de når markedet.

Generativ AI endrer dette paradigmet. I stedet for én-etter-én filtrering, kan AI-modeller håndtere flere krav samtidig, og designe molekyler som er potente, trygge og stabile fra starten. Evogenes nye grunnmodell ble uttrykkelig bygget for å muliggjøre denne samtidige multi-parameter designen. Denne tilnærmingen har som mål å redusere risikoen i senere faser av utviklingen ved å front-last konsepter som ADME og toksisitet i den innledende designen.

I praksis kan det bety færre sen-fase feil – for eksempel, færre legemiddelkandidater som viser gode laboratorie resultater, men feiler i kliniske prøver på grunn av bivirkninger. Kort sagt, generativ AI lar forskerne innovere raskere og smartere, og optimaliserer samtidig for de mange aspektene av en vellykket molekyl, i stedet for å håndtere hver enkelt isolert.

Innsiden ChemPass AI: Hvordan generative modeller designer molekyler

I hjertet av Evogenes ChemPass AI-plattform ligger en kraftig ny grunnmodell trent på en enorm kjemisk datasett. Selskapet har samlet en kuratert database på omtrent 40 milliarder molekylstrukturer – som omfatter kjente legemiddel-lignende forbindelser og diverse kjemiske skjeletter – for å lære AI “språket” til molekyler. Ved å bruke Google Clouds Vertex AI-infrastruktur med GPU-superdatamaskiner, lærte modellen mønster fra denne enorme kjemiske biblioteket, og gav det en utenkelig bredde av kunnskap om hva legemiddel-lignende molekyler ligner. Denne massive treningsregimen er lignende å trene en stor språkmodell, men i stedet for menneskespråk, lærte AI kjemiske representasjoner.

Evogenes generative modell er bygget på transformer neuralnettverksarkitektur, lignende GPT-modellene som revolusjonerte naturlig språkbehandling. I virkeligheten kalles systemet ChemPass-GPT, en proprietær AI-modell trent på SMILES-strenger (en tekstkoding av molekylstrukturer). I enkle termer, behandler ChemPass-GPT molekyler som setninger – hver molekyls SMILES-streng er en sekvens av tegn som beskriver atomer og bindinger. Transformermodellen har lært grammatikken i dette kjemiske språket, og muliggjør det å “skrive” nye molekyler ved å forutsi ett tegn om gangen, på samme måte som GPT kan skrive setninger bokstav for bokstav. Fordi den ble trent på milliarder av eksempler, kan modellen generere nye SMILES som tilsvarer kjemisk gyldige, legemiddel-lignende strukturer.

Denne sekvensbaserte generative tilnærmingen utnytter styrken til transformatorer i å fange komplekse mønster. Ved å trene på så stor og kjemisk divers datasett, overvinner ChemPass AI problemer som tidligere AI-modeller møtte, som bias fra små datasett eller generering av redundante eller ugyldige molekyler. Grunnmodellens ytelse overstiger allerede en generisk GPT-applikasjon på kjemi: interne tester viste omtrent 90% nøyaktighet i å produsere nye molekyler som møter alle designkriterier, i motsetning til ~29% nøyaktighet for en tradisjonell GPT-basert modellevogene.com. I praksis betyr dette at nesten alle molekyler ChemPass AI foreslår er ikke bare nye, men også møter målprofilen, en slående forbedring i forhold til baseline-generative teknikker.

Selv om Evogenes primære generative motor bruker en transformer på lineære SMILES, er det verdt å merke at den bredere AI-verktøykassen inkluderer andre arkitekturer som grafneurale nettverk (GNNs). Molekyler er naturlig grafiske – med atomer som noder og bindinger som kanter – og GNNs kan direkte resonere på disse strukturerne. I moderne legemiddeldesign brukes GNNs ofte til å forutsi egenskaper eller generere molekyler ved å bygge dem atom for atom. Denne graf-baserte tilnærmingen komplementerer sekvensmodeller; for eksempel inkluderer Evogenes plattform også verktøy som DeepDock for 3D-virtuell skjerming, som sannsynligvis bruker dyp læring til å vurdere molekylbinding i en struktur-basert kontekst. Ved å kombinere sekvensmodeller (som er gode for kreativitet og nyskaping) med graf-baserte modeller (som er gode for strukturell nøyaktighet og egenskapsforutsielse), sikrer ChemPass AI at de genererte forbindelsene ikke bare er nye på papir, men også kjemisk lydige og effektive i praksis. AIens design-løkke kan generere kandidat-strukturer og deretter evaluere dem via forutsielsesmodeller – noen muligens GNN-basert – for kriterier som toksisitet eller syntetisk mulighet, og skaper en tilbakemeldings-syklus som finjusterer hver forslag.

Flervalgsoptimalisering: Potens, Toksisitet, Stabilitet Alle på en gang

En fremtredende funksjon i ChemPass AI er dens innebygde evne til flervalgsoptimalisering. Klassisk legemiddelforskning optimaliserer ofte én egenskap om gangen, men ChemPass ble konstruert for å håndtere mange objekter samtidig. Dette oppnås gjennom avanserte maskinlærings-teknikker som guider den generative modellen mot å tilfredsstille flere begrensninger. Under trening kan Evogene pålegge egenskapskrav – som for eksempel at en molekyl må aktivere et bestemt mål sterkt, unngå bestemte toksiske motiver og ha god biotilgjengelighet – og modellen lærer å navigere i kjemisk rom under disse reglene. ChemPass-GPT-systemet muliggjør også “begrensninger-basert generering”, noe som betyr at det kan instrueres til å bare foreslå molekyler som møter bestemte ønskede egenskaper fra starten.

Hvordan gjør AI dette flervalgs-balansespillet? En tilnærming er flervalgs-læring, hvor modellen ikke bare genererer molekyler, men også forutsier deres egenskaper ved hjelp av lært forutsiere, og justerer genereringen deretter. En annen kraftfull tilnærming er forsterkningslæring (RL). I en RL-forbedret arbeidsflyt fungerer den generative modellen som en “agent” som “spiller et spill” av molekyl-design: den foreslår en molekyl og deretter får en belønningsscore basert på hvor godt molekylet møter objektene (potens, mangel på toksisitet osv.). Over mange iterasjoner justerer modellen sin genereringsstrategi for å maksimere denne belønningen. Denne metoden har vært suksessfull i andre AI-drevne legemiddeldesign-systemer – forskere har vist at forsterkningslæringsalgoritmer kan guide generative modeller til å produsere molekyler med ønskede egenskaper. I essensen kan AI bli trent med en belønningfunksjon som omfatter flere mål, for eksempel gi poeng for forutsagt effektivitet og trekke fra poeng for forutsagt toksisitet. Modellen optimaliserer deretter sine “bevegelser” (legg til eller fjern atomer, endre funksjonelle grupper) for å nå den høyeste scoren, og lærer de nødvendige kompromissene for å møte alle kriterier.

Evogene har ikke avslørt den eksakte proprietære sausen bak ChemPass AIs flervalgs-motor, men det er klart fra deres resultater at slike strategier er i arbeid. Faktum er at hver generert forbindelse “samtidig møter essensielle parametre” som effektivitet, syntetiserbarhet og sikkerhet. Den kommende ChemPass AI-versjon 2.0 vil drive dette videre – den utvikles for å tillate enda mer fleksibel flervalgs-justering, inkludert brukerdefinerte kriterier tilpasset bestemte terapeutiske områder eller avlingskrav. Dette antyder at neste-generasjonsmodellen kan la forskere justere opp eller ned viktigheten av bestemte faktorer (for eksempel prioritere hjernepenetrans for en nevrologisk legemiddel eller miljøbiologisk nedbrytning for et pesticide) og AI vil justere sin designstrategi deretter. Ved å integrere slike flervalgs-kapasiteter kan ChemPass AI designe molekyler som møter søtpunktet på flere ytelses-målinger på en gang, en bedrift som praktisk talt er umulig med tradisjonelle metoder.

Et sprang beyond tradisjonelle FoU-metoder

Introduksjonen av ChemPass AIs generative modell markerer en større endring i life-science FoU: overgangen fra slitende prøving-og-feil-arbeidsflyter til AI-forbedret kreativitet og presisjon. I motsetning til menneskelige kjemikere, som tenderer til å holde seg til kjente kjemiske serier og iterere langsomt, kan en AI fatte milliarder av muligheter og gå inn i den uutforskede 99,9% av kjemisk rom. Dette åpner døren for å finne effektive forbindelser som ikke ligner noe vi har sett før – avgjørende for å behandle sykdommer med ny kjemi eller å takle skadedyr og patogener som har utviklet resistens mot eksisterende molekyler. I tillegg bidrar generativ AI til å unngå overfylte intellektuelle eiendomsområder ved å produsere molekyler som skjærer ut ferske IP, en viktig konkurransefordel.

Fordelene over tradisjonelle tilnærminger kan sammenfattes som følger:

• Parallel multi-egenskaps-optimalisering: AI vurderer mange parametre parallelt, og designer molekyler som møter potens, sikkerhet og andre kriterier. Tradisjonelle rørledninger oppdager ofte bare en toksisitets-problem etter år med arbeid på et ellers lovende legemiddel. Ved å forhåndsgående filtrere for slike problemer, har AI-designede kandidater en bedre sjanse til suksess i dyrekjøpte senere prøver.

• Utvidelse av kjemisk mangfold: Generative modeller er ikke begrenset til eksisterende forbindelses-biblioteker. ChemPass AI kan frembringe strukturer som aldri er blitt laget før, men som er forutsagt å være effektive. Denne nyskaping-drevne genereringen unngår å gjenta hjulet (eller molekylet) og hjelper til å skape differensierte produkter med nye virkemåter. Tradisjonelle metoder fører ofte til “me-too”-forbindelser som tilbyr liten nyskaping.

• Hastighet og skala: Hva et team av kjemikere måtte oppnå via syntese og testing på ett år, kan en AI simulere på noen dager. ChemPass AIs dyp-lærings-plattform kan virtuelt skjerme titalls milliarder av forbindelser raskt og generere hundrevis av nye ideer i en enkelt kjøring. Dette komprimerer dramatisk oppdagelses-tidsrammen, og fokuserer våt-laboratorie-eksperimenter bare på de mest lovende kandidatene identifisert in silico.

• Integrert kunnskap: AI-modeller som ChemPass inkorporerer enorme mengder kjemisk og biologisk kunnskap (for eksempel kjente struktur-aktivitets-forhold, toksisitets-advarsler, legemiddel-lignende egenskapsregler) i deres trening. Dette betyr at hver molekyl-design fordelene av en bredde av tidligere data som ingen enkelt menneskelig ekspert kunne holde i hodet. Tradisjonell design avhenger av erfaringen til medisinske kjemikere – verdifullt, men begrenset til menneskelig minne og bias – mens AI kan fange mønster over millioner av eksperimenter og diverse kjemiske familier.

I praksis kan dette for legemidler føre til høyere suksess-rater i kliniske prøver og reduserte utviklingskostnader, ettersom færre ressurser blir spilt på dømte forbindelser. I landbruk betyr det raskere skapning av tryggere, mer bærekraftige avlingsskydds-løsninger – for eksempel et herbicid som er dødelig for ugress, men harmløs for ikke-mål-organismer og brytes ned harmløst i miljøet. Ved å optimalisere over effektivitet og miljø-sikkerhet samtidig, kan AI hjelpe til å levere “effektive, bærekraftige og proprietære” ag-kjemikalier, og løse regulatoriske og resistens-utfordringer på en gang.

Del av en bredere AI-verktøykasse hos Evogene

Mens ChemPass AI stjeler rampelyset for småmolekyl-design, er det en del av Evogenes trio av AI-drevne “teknologi-motorer” tilpasset forskjellige domener. Selskapet har MicroBoost AI som fokuserer på mikrober, ChemPass AI på kjemi, og GeneRator AI på genetiske elementer. Hver motor anvender big-data-analyse og maskinlæring på sine respektive felt.

Denne integrerte økosystemet av AI-motorer understreker Evogenes strategi som en “AI-først” life-science-selskap. De har som mål å revolusjonere produkt-opptagelse over hele linjen – enten det er å formulere et legemiddel, et bio-stimulant eller et tørketolerant avling – ved å utnytte beregning til å navigere biologisk kompleksitet. Motorene deler en felles filosofi: å bruke avansert maskinlæring til å øke sannsynligheten for FoU-suksess og redusere tid og kostnad.

Utsikt: AI-drevet oppdagelse kommer av age

Generativ AI transformerer molekyl-opptagelse, og endrer AIens rolle fra assistent til kreativ samarbeidspartner. I stedet for å teste én idé om gangen, kan vitenskapsmenn nå bruke AI til å designe helt nye forbindelser som møter flere mål – potens, sikkerhet, stabilitet og mer – i ett enkelt steg.

Denne fremtiden er allerede i ferd med å utvikle seg. Et legemiddel-team kan be om en molekyl som målretter en bestemt protein, unngår hjernen og er munnlig tilgjengelig – AI kan levere kandidater på forespørsel. I landbruk kan forskere generere miljø-vennlige skadedyr-kontroll-midler tilpasset regulatoriske og miljømessige begrensninger.

Evogenes nylige grunnmodell, utviklet i samarbeid med Google Cloud, er et eksempel på denne endringen. Den muliggjør flervalgs-design og åpner opp nye områder av kjemisk rom. Når fremtidige versjoner tillater enda mer tilpasning, vil disse modellene bli essensielle verktøy over hele life-science.

Kritisk er at påvirkningen avhenger av virkelige valideringer. Når AI-genererte molekyler testes og finjusteres, forbedres modellene – og skaper en kraftig tilbakemeldings-syklus mellom beregning og eksperimentering.

Denne generative tilnærmingen er ikke begrenset til legemidler eller pesticide. Den kan snart drive gjennombrudd i materialer, mat og bærekraft – og tilby raskere, smartere oppdagelse over industrier som tidligere var begrenset av prøving og feil.