Evogene i Google Cloud przedstawiają model podstawowy do generatywnego projektowania molekuł, zapowiadając nową erę w dziedzinie life-science AI

Evogene Ltd. przedstawił pierwszy na świecie model podstawowy generatywnej sztucznej inteligencji do projektowania małych molekuł, co stanowi przełom w odkrywaniu nowych związków. Ogłoszono 10 czerwca 2025 r. we współpracy z Google Cloud, model ten rozszerza platformę ChemPass AI i rozwiązuje długoletnie wyzwanie w farmaceutyce i rolnictwie: znajdowanie nowych molekuł, które spełniają wiele złożonych kryteriów jednocześnie. Ten rozwój ma przyspieszyć badania i rozwój w odkrywaniu leków i ochronie roślin poprzez umożliwienie jednoczesnej optymalizacji właściwości, takich jak skuteczność, toksyczność i stabilność w jednym cyklu projektowania.

Od sekwencyjnego przesiewania do projektowania jednoczesnego

W tradycyjnych badaniach chemicznych i farmaceutycznych naukowcy zazwyczaj testują jeden czynnik na raz — najpierw sprawdzając, czy związek działa, a później testując go pod kątem bezpieczeństwa i stabilności. Ten sekwencyjny sposób jest powolny, drogi i często kończy się niepowodzeniem, ponieważ wiele obiecujących związków nie spełnia wymagań w późniejszych etapach. Ponadto utrwala się w znanych strukturach chemicznych, ograniczając innowacje i utrudniając tworzenie nowych, patentowalnych produktów. Ten przestarzały podejście przyczynia się do wysokich kosztów, długich terminów i niskiego wskaźnika powodzenia — około 90% kandydatów na leki nie powodzi się przed wejściem na rynek.

Sztuczna inteligencja generatywna zmienia ten paradygmat. Zamiast sekwencyjnego filtrowania, modele AI mogą jednocześnie uwzględniać wiele wymagań, projektując molekuły, które są skuteczne, bezpieczne i stabilne od samego początku. Nowy model podstawowy Evogene został wyraźnie opracowany w celu umożliwienia tego jednoczesnego projektowania wieloparametrycznego. Ten podejście ma na celu zminimalizowanie ryzyka w późniejszych etapach rozwoju poprzez uwzględnienie kwestii, takich jak ADME i toksyczność, już na etapie projektowania.

W praktyce może to oznaczać mniej niepowodzeń w późniejszych etapach — na przykład mniej kandydatów na leki, które wykazują dobre wyniki w laboratorium, ale nie powodzą się w badaniach klinicznych z powodu skutków ubocznych. Innymi słowy, sztuczna inteligencja generatywna pozwala naukowcom innowować szybciej i sprytniej, jednocześnie optymalizując wiele aspektów skutecznego związku, zamiast rozwiązywać je oddzielnie.

Wewnątrz ChemPass AI: Jak modele generatywne projektują molekuły

W sercu platformy ChemPass AI Evogene znajduje się potężny nowy model podstawowy opracowany na ogromnym zbiorze danych chemicznych. Firma zebrała zbiór danych około 40 miliardów struktur molekularnych — obejmujący znane związki lecznicze i różnorodne szkielety chemiczne — aby nauczyć AI „języka” molekuł. Wykorzystując infrastrukturę Vertex AI od Google Cloud z超komputerami GPU, model nauczył się wzorców z tego ogromnego zbioru chemicznego, dając mu bezprecedensową wiedzę na temat wyglądu związków leczniczych. Ten ogromny proces szkolenia jest podobny do szkolenia dużego modelu językowego, ale zamiast języka ludzkiego, AI nauczył się reprezentacji chemicznych.

Model generatywny Evogene jest opracowany na architekturze sieci neuronowej transformatora, podobnej do modeli GPT, które rewolucjonizowały przetwarzanie języka naturalnego. W rzeczywistości system jest określany jako ChemPass-GPT, własny model AI opracowany na ciągach SMILES (tekstowej reprezentacji struktur molekularnych). W prostych słowach ChemPass-GPT traktuje molekuły jak zdania — każdy ciąg SMILES jest sekwencją znaków opisujących atomy i wiązania. Model transformatora nauczył się gramatyki tego języka chemicznego, umożliwiając „pisanie” nowych molekuł poprzez przewidywanie jednego znaku na raz, w tym samym sposób, w jaki GPT może pisać zdania litera po literze. Ponieważ został opracowany na miliardach przykładów, model może generować nowe ciągi SMILES, które odpowiadają ważnym, leczniczym strukturom.

Ten sekwencyjny podejście generatywne wykorzystuje siłę transformatorów w przechwytywaniu złożonych wzorców. Poprzez szkolenie na tak ogromnym i chemicznie zróżnicowanym zbiorze danych, ChemPass AI pokonuje problemy, z którymi borykały się wcześniejsze modele AI, takie jak skłonność do danych o małych rozmiarach lub generowania redundantnych lub nieważnych molekuł. Wyniki modelu podstawowego już teraz znacznie przewyższają ogólny model GPT zastosowany w chemii: wewnętrzne testy pokazały około 90% precyzji w wytwarzaniu nowych molekuł, które spełniają wszystkie kryteria projektowe, w porównaniu z około 29% precyzją dla tradycyjnego modelu GPT. W praktyce oznacza to, że prawie wszystkie molekuły sugerowane przez ChemPass AI nie tylko są nowe, ale także spełniają ich profil docelowy, co stanowi uderzające polepszenie w porównaniu z podstawowymi technikami generatywnymi.

Podczas gdy silnik generatywny Evogene głównie wykorzystuje transformator liniowy SMILES, warto zauważyć, że szerszy zestaw narzędzi AI obejmuje inne architektury, takie jak sieci neuronowe graficzne (GNN). Molekuły są naturalnie grafami — z atomami jako węzłami i wiązaniami jako krawędziami — a GNN mogą bezpośrednio wnioskować o tych strukturach. W nowoczesnym projektowaniu leków GNN są często stosowane w celu przewidywania właściwości lub nawet generowania molekuł przez budowanie ich atom po atomie. Ten graficzny podejście uzupełnia modele sekwencyjne; na przykład platforma Evogene obejmuje również narzędzia, takie jak DeepDock do wirtualnego przesiewania 3D, które prawdopodobnie wykorzystują głębokie uczenie, aby ocenić wiązanie molekuł w kontekście strukturalnym. Poprzez łączenie modeli sekwencyjnych (doskonałych do kreatywności i nowości) z modelami graficznymi (doskonałymi do dokładności strukturalnej i przewidywania właściwości), ChemPass AI zapewnia, że wygenerowane związki nie tylko są nowe na papierze, ale także chemicznie poprawne i skuteczne w praktyce. Pętla projektowania AI może generować kandydujące struktury, a następnie oceniać je za pomocą modeli predykcyjnych — niektóre z nich oparte na GNN — dla kryteriów, takich jak toksyczność lub syntetyczna wykonalność, tworząc pętlę sprzężenia zwrotnego, która udoskonala każdą sugestię.

Optymalizacja wielokryterialna: Skuteczność, Toksyczność, Stabilność Wszystko na raz

Wyróżniającą cechą ChemPass AI jest jego wbudowana zdolność do optymalizacji wielokryterialnej. Klasyczne odkrywanie leków często optymalizuje jeden parametr na raz, ale ChemPass został zaprojektowany do jednoczesnego uwzględniania wielu celów. To osiągane jest za pomocą zaawansowanych technik uczenia maszynowego, które prowadzą model generatywny do spełniania wielu ograniczeń. Podczas szkolenia Evogene może nakładać wymagania dotyczące właściwości — takie jak związek musi aktywować określony cel silnie, unikać pewnych motywów toksycznych i mieć dobrą biodostępność — a model uczy się nawigować w przestrzeni chemicznej zgodnie z tymi zasadami. System ChemPass-GPT umożliwia nawet „generowanie oparte na ograniczeniach”, co oznacza, że może być instruowany do proponowania tylko molekuł, które spełniają określone pożądane właściwości od samego początku.

Jak AI osiąga tę równowagę wielu parametrów? Jednym z podejść jest wielozadaniowe uczenie, gdzie model nie tylko generuje molekuły, ale także przewiduje ich właściwości za pomocą nauczonych predykatorów, dostosowując generację odpowiednio. Innym potężnym podejściem jest uczenie wzmocnienia (RL). W procesie RL model generatywny działa jak agent „grający w grę” projektowania molekuł: proponuje molekułę, a następnie otrzymuje punkt nagrody na podstawie tego, jak dobrze molekuła spełnia cele (skuteczność, brak toksyczności itp.). Po wielu iteracjach model dostosowuje swoją strategię generowania, aby maksymalizować tę nagrodę. Ta metoda została z powodzeniem zastosowana w innych systemach projektowania leków opartych na AI — naukowcy wykazali, że algoritmy uczenia wzmocnienia mogą prowadzić modele generatywne do wytwarzania molekuł o pożądanych właściwościach. W istocie AI może być szkolony z funkcją nagrody, która ujmuje wiele celów, na przykład przyznając punkty za przewidywaną skuteczność i odejmując punkty za przewidywaną toksyczność. Model optymalizuje swoje „ruchy” (dodawanie lub usuwanie atomów, modyfikowanie grup funkcyjnych), aby uzyskać najwyższy wynik, efektywnie ucząc się kompromisów niezbędnych do spełnienia wszystkich kryteriów.

Evogene nie ujawnił dokładnego, własnego „sosu” za silnikiem wielokryterialnym ChemPass AI, ale jest jasne z ich wyników, że takie strategie są stosowane. Fakt, że każda wygenerowana molekuła „jednocześnie spełnia podstawowe parametry” takie jak skuteczność, syntetyzowalność i bezpieczeństwo. Nadchodząca wersja ChemPass AI 2.0 posunie to jeszcze dalej — jest opracowywana, aby umożliwić jeszcze bardziej elastyczne dostosowanie wieloparametryczne, w tym kryteria określone przez użytkownika dostosowane do określonych obszarów terapeutycznych lub wymagań rolniczych. To sugeruje, że model następnej generacji pozwoli naukowcom na dostosowanie ważności pewnych czynników (na przykład priorytet dla przenikalności przez barierę krew-mózg dla leku neurologicznego lub biodegradacji środowiskowej dla pestycydu) i AI dostosuje swoją strategię projektowania odpowiednio. Poprzez integrowanie takich możliwości wielokryterialnych, ChemPass AI może projektować molekuły, które trafiają w słodki punkt na wielu wskaźnikach wydajności jednocześnie, co jest niemal niemożliwe przy tradycyjnych metodach.

Skok ponad tradycyjne metody B+R

Wprowadzenie modelu generatywnego ChemPass AI podkreśla szerszy trend w badaniach i rozwoju life science: przejście od pracochłonnych procesów prób i błędów do kreatywności i precyzji wspomaganych przez AI. W przeciwieństwie do ludzkich chemików, którzy skłonni są trzymać się znanych serii chemicznych i iterować powoli, AI może pojąć miliardy możliwości i wkroczyć w niezbadane 99,9% przestrzeni chemicznej. To otwiera drzwi do znajdowania skutecznych związków, które nie przypominają niczego, co widzieliśmy wcześniej — co jest kluczowe dla leczenia chorób o nowej chemii lub zwalczania szkodników i patogenów, które rozwinęły oporność na istniejące molekuły. Ponadto, poprzez uwzględnienie patentowalności od samego początku, AI generatywna pomaga uniknąć zatłoczonych obszarów własności intelektualnej. Evogene wyraźnie dąży do wytwarzania molekuł, które wytyczają nową własność intelektualną, co jest ważną przewagą konkurencyjną.

Korzyści nad tradycyjnymi podejściami mogą być podsumowane w następujący sposób:

• Równoległa optymalizacja wielu cech: AI ocenia wiele parametrów równolegle, projektując molekuły, które spełniają kryteria skuteczności, bezpieczeństwa i innych. Tradycyjne potoki często odkrywają problem toksyczności dopiero po latach pracy nad obiecującym lekiem. Poprzez wstępne filtrowanie takich problemów, kandydaci na leki zaprojektowane przez AI mają lepsze szanse na powodzenie w drogich późniejszych badaniach.

• Rozszerzanie różnorodności chemicznej: Modele generatywne nie są ograniczone do istniejących bibliotek związków. ChemPass AI może wymyślić struktury, które nigdy nie zostały wcześniej wykonane, a które przewiduje się jako skuteczne. Ten nowatorski generator unika reinwencji koła (lub molekuły) i pomaga tworzyć produkty różnicujące się nowymi mechanizmami działania. Tradycyjne metody często prowadzą do „podobnych” związków, które oferują niewiele nowości.

• Szybkość i skala: To, co zespół chemików mógłby osiągnąć poprzez syntezę i testowanie w ciągu roku, AI może symulować w ciągu kilku dni. Platforma ChemPass AI może szybko przesiewać dziesiątki miliardów związków i generować setki nowych pomysłów w jednym przebiegu. To dramatycznie kompresuje czas odkrywania, koncentrując doświadczenia laboratoryjne tylko na najbardziej obiecujących kandydatach zidentyfikowanych in silico.

• Zintegrowana wiedza: Modele AI, takie jak ChemPass, łączą ogromne ilości wiedzy chemicznej i biologicznej (np. znane relacje struktura-aktywność, alerty toksyczne, reguły właściwości leczniczych) w swoim szkoleniu. Oznacza to, że każdy projekt molekuły korzysta z ogromnej wiedzy poprzednich danych, czego nie mógłby osiągnąć pojedynczy ekspert ludzki. Tradycyjny projekt opiera się na doświadczeniu chemików medycznych — cennym, ale ograniczonym do pamięci i uprzedzeń ludzkich — podczas gdy AI może przechwytywać wzorce w milionach eksperymentów i różnorodnych rodzinach chemicznych.

W praktyce, dla farmaceutyki może to prowadzić do wyższych wskaźników powodzenia w badaniach klinicznych i zmniejszonych kosztów rozwoju, ponieważ mniej zasobów jest traconych na skazane na niepowodzenie związki. W rolnictwie oznacza to szybsze tworzenie bezpiecznych i zrównoważonych rozwiązań ochrony roślin — na przykład herbicydu, który jest śmiercionośny dla chwastów, ale nieszkodliwy dla organizmów niebędących celem i rozkłada się nieszkodliwie w środowisku. Poprzez optymalizację skuteczności i bezpieczeństwa środowiskowego jednocześnie, AI może pomóc w dostarczeniu „skutecznych, zrównoważonych i patentowalnych” chemikaliów rolniczych, rozwiązując wyzwania regulacyjne i oporności w jednym kroku.

Część szerszego zestawu narzędzi AI w Evogene

Podczas gdy ChemPass AI kradnie show, jest częścią trzech silników technologicznych Evogene, dostosowanych do różnych dziedzin. Firma ma MicroBoost AI skupiony na mikroorganizmach, ChemPass AI na chemii i GeneRator AI na elementach genetycznych. Każdy silnik wykorzystuje analitykę dużych zbiorów danych i uczenie maszynowe w swojej dziedzinie.

Ten zintegrowany ekosystem silników AI podkreśla strategię Evogene jako „pierwszej” firmy life science zorientowanej na AI. Dążą do rewolucjonizacji odkrywania produktów we wszystkich dziedzinach — czy to w formułowaniu leku, bio-stymulanta czy odpornej na suszę rośliny — poprzez wykorzystanie obliczeń do nawigowania w złożoności biologicznej. Silniki te dzielą wspólną filozofię: wykorzystanie najnowocześniejszego uczenia maszynowego, aby zwiększyć prawdopodobieństwo powodzenia w badaniach i rozwoju oraz zmniejszyć czas i koszty.

Perspektywy: AI-driven Discovery dojrzewa

Sztuczna inteligencja generatywna przekształca odkrywanie molekuł, zmieniając rolę AI z asystenta na współtwórcę kreatywnego. Zamiast testowania jednej idei na raz, naukowcy mogą teraz wykorzystać AI do zaprojektowania całkowicie nowych związków, które spełniają wiele celów — skuteczność, bezpieczeństwo, stabilność i więcej — w jednym kroku.

Ta przyszłość już się rozwija. Zespół farmaceutyczny może zażądać molekuły, która celuje w określony białko, unika mózgu i jest dostępna doustnie — AI może dostarczyć kandydatów na żądanie. W rolnictwie naukowcy mogą generować ekologicznie przyjazne środki ochrony roślin dostosowane do ograniczeń regulacyjnych i środowiskowych.

Niedawny model podstawowy Evogene, opracowany we współpracy z Google Cloud, jest jednym z przykładów tej zmiany. Umożliwia projektowanie wieloparametryczne i otwiera nowe obszary przestrzeni chemicznej. Wraz z tym, jak przyszłe wersje umożliwiają coraz większe dostosowanie, te modele staną się niezbędnymi narzędziami w naukach o życiu.

Kluczowe jest to, że wpływ zależy od walidacji w świecie rzeczywistym. W miarę jak AI-generowane molekuły są testowane i udoskonalane, modele są udoskonalane — tworząc potężną pętlę sprzężenia zwrotnego między obliczeniami a eksperymentami.

Ten generatywny podejście nie jest ograniczone do leków lub pestycydów. Może wkrótce prowadzić do przełomów w materiałach, żywności i zrównoważonym rozwoju — oferując szybsze, inteligentniejsze odkrycia w branżach, które wcześniej były ograniczone przez próby i błędy.