Evogene e Google Cloud Lançam Modelo de Fundação para Projeto de Moléculas Gerativas, Abrindo um Novo Capítulo na Era da Inteligência Artificial em Ciências da Vida

Evogene Ltd. lançou um modelo de fundação de inteligência artificial gerativa de primeira linha para o projeto de moléculas pequenas, marcando uma conquista importante na forma como novos compostos são descobertos. Anunciado em 10 de junho de 2025, em colaboração com a Google Cloud, o modelo expande a plataforma ChemPass AI da Evogene e aborda um desafio de longa data tanto na farmacêutica quanto na agricultura: encontrar moléculas novas que atendam a vários critérios complexos simultaneamente. Este desenvolvimento está pronto para acelerar o desenvolvimento de produtos em descoberta de drogas e proteção de culturas, permitindo a otimização simultânea de propriedades como eficácia, toxicidade e estabilidade em um único ciclo de design.

De Triagem Sequencial para Projeto Simultâneo

Na pesquisa tradicional de química farmacêutica e agrícola, os cientistas geralmente testam um fator de cada vez — primeiro verificando se um composto funciona, depois testando segurança e estabilidade. Este método passo a passo é lento, caro e frequentemente termina em falha, com muitos compostos promissores não atendendo aos requisitos em estágios posteriores. Isso também mantém os pesquisadores focados em estruturas químicas familiares, limitando a inovação e tornando mais difícil criar novos produtos patenteáveis. Esta abordagem ultrapassada contribui para altos custos, longos prazos e baixa taxa de sucesso — cerca de 90% dos candidatos a drogas falham antes de chegar ao mercado.

A inteligência artificial gerativa muda este paradigma. Em vez de filtrar um a um, os modelos de IA podem lidar com vários requisitos ao mesmo tempo, projetando moléculas para serem potentes, seguras e estáveis desde o início. O novo modelo de fundação da Evogene foi explicitamente construído para permitir este design multi-parâmetro simultâneo. Esta abordagem visa reduzir os riscos em fases posteriores do desenvolvimento, incorporando considerações como ADME e toxicidade no design inicial.

Na prática, isso pode significar menos falhas em estágios posteriores — por exemplo, menos candidatos a drogas que mostram bons resultados de laboratório, mas falham nos testes clínicos devido a efeitos colaterais. Em resumo, a inteligência artificial gerativa permite que os pesquisadores inovem mais rapidamente e de forma mais inteligente, otimizando simultaneamente os muitos aspectos de uma molécula bem-sucedida, em vez de abordar cada um isoladamente.

Dentro do ChemPass AI: Como os Modelos Gerativos Projetam Moléculas

No coração da plataforma ChemPass AI da Evogene está um poderoso novo modelo de fundação treinado em um enorme conjunto de dados químicos. A empresa reuniu um banco de dados curado de aproximadamente 40 bilhões de estruturas moleculares — abrangendo compostos farmacêuticos conhecidos e diversificados esqueletos químicos — para ensinar à IA a “linguagem” das moléculas. Usando a infraestrutura Vertex AI da Google Cloud com supercomputação GPU, o modelo aprendeu padrões com este vasto conjunto de dados químicos, dando a ele um conhecimento sem precedentes sobre o que as moléculas farmacêuticas parecem. Este regime de treinamento maciço é semelhante ao treinamento de um grande modelo de linguagem, mas em vez de linguagem humana, a IA aprendeu representações químicas.

O modelo gerativo da Evogene é construído sobre a arquitetura de rede neural transformer, semelhante aos modelos GPT que revolucionaram o processamento de linguagem natural. Na verdade, o sistema é referido como ChemPass-GPT, um modelo de IA proprietário treinado em strings SMILES (uma codificação de texto de estruturas moleculares). Em termos simples, o ChemPass-GPT trata moléculas como sentenças — cada string SMILES de uma molécula é uma sequência de caracteres que descreve seus átomos e ligações. O modelo transformer aprendeu a gramática desta linguagem química, permitindo que ele “escreva” novas moléculas prevendo um caractere de cada vez, da mesma forma que o GPT pode escrever sentenças letra por letra. Porque foi treinado em bilhões de exemplos, o modelo pode gerar novas strings SMILES que correspondem a estruturas químicas válidas e farmacêuticas.

Esta abordagem gerativa baseada em sequência aproveita a força dos transformadores na captura de padrões complexos. Ao ser treinado em um conjunto de dados tão grande e quimicamente diverso, o ChemPass AI supera problemas que os modelos de IA anteriores enfrentaram, como viés de conjuntos de dados pequenos ou geração de moléculas redundantes ou inválidas. O desempenho do modelo de fundação já supera significativamente um modelo GPT genérico aplicado à química: testes internos mostraram cerca de 90% de precisão na produção de moléculas novas que atendem a todos os critérios de design, versus ~29% de precisão para um modelo baseado em GPT tradicionalevogene.com. Em termos práticos, isso significa que quase todas as moléculas sugeridas pelo ChemPass AI não são apenas novas, mas também atendem ao perfil de destino, uma melhoria impressionante em relação às técnicas gerativas de base.

Embora o motor gerativo principal da Evogene use um transformer em strings SMILES lineares, vale notar que a caixa de ferramentas de IA mais ampla inclui outras arquiteturas, como redes neurais de grafos (GNNs). As moléculas são naturalmente grafos — com átomos como nós e ligações como arestas — e as GNNs podem raciocinar diretamente sobre essas estruturas. No design de drogas moderno, as GNNs são frequentemente usadas para prever propriedades ou mesmo gerar moléculas construindo-as átomo a átomo. Esta abordagem baseada em grafos complementa os modelos de sequência; por exemplo, a plataforma da Evogene também incorpora ferramentas como DeepDock para triagem virtual 3D, que provavelmente usam aprendizado profundo para avaliar a ligação de moléculas em um contexto baseado em estrutura. Ao combinar modelos de sequência (ótimos para criatividade e novidade) com modelos baseados em grafos (ótimos para precisão estrutural e previsão de propriedades), o ChemPass AI garante que os compostos gerados sejam não apenas novos no papel, mas também quimicamente sólidos e eficazes na prática. O loop de design da IA pode gerar estruturas de candidatos e, em seguida, avaliá-las por meio de modelos preditivos — alguns possivelmente baseados em GNN — para critérios como toxicidade ou viabilidade sintética, criando um ciclo de feedback que refina cada sugestão.

Otimização Multi-Objetivo: Potência, Toxicidade, Estabilidade Tudo ao Mesmo Tempo

Um recurso destacado do ChemPass AI é sua capacidade incorporada de otimização multi-objetivo. A descoberta de drogas clássica geralmente otimiza uma propriedade de cada vez, mas o ChemPass foi projetado para lidar com vários objetivos simultaneamente. Isso é alcançado por meio de técnicas avançadas de aprendizado de máquina que orientam o modelo gerativo para atender a vários constrangimentos. No treinamento, a Evogene pode impor requisitos de propriedade — como uma molécula deve ativar um alvo específico fortemente, evitar certos motivos tóxicos e ter boa biodisponibilidade — e o modelo aprende a navegar no espaço químico sob essas regras. O sistema ChemPass-GPT até permite “geração baseada em restrições”, significando que ele pode ser instruído a propor apenas moléculas que atendam a propriedades específicas desejadas desde o início.

Como a IA consegue essa balança multi-parâmetro? Uma abordagem é o aprendizado multi-tarefa, onde o modelo não gera apenas moléculas, mas também prevê suas propriedades usando preditores aprendidos, ajustando a geração de acordo. Outra abordagem poderosa é aprendizado por reforço (RL). Em um fluxo de trabalho reforçado por RL, o modelo gerativo age como um “agente” jogando um “jogo” de design de moléculas: ele propõe uma molécula e, em seguida, recebe uma pontuação de recompensa com base em quão bem a molécula atende aos objetivos (potência, falta de toxicidade, etc.). Ao longo de muitas iterações, o modelo ajusta sua estratégia de geração para maximizar essa recompensa. Este método foi usado com sucesso em outros sistemas de design de drogas impulsionados por IA — os pesquisadores mostraram que algoritmos de aprendizado por reforço podem orientar modelos gerativos para produzir moléculas com propriedades desejáveis. Em essência, a IA pode ser treinada com uma função de recompensa que encapsula vários objetivos, por exemplo, dando pontos para eficácia prevista e subtraindo pontos para toxicidade prevista. O modelo então otimiza seus “movimentos” (adicionando ou removendo átomos, alterando grupos funcionais) para obter a pontuação mais alta, efetivamente aprendendo os compromissos necessários para atender a todos os critérios.

A Evogene não divulgou a receita exata por trás do motor multi-objetivo do ChemPass AI, mas está claro a partir de seus resultados que tais estratégias estão em ação. O fato de que cada composto gerado “atende simultaneamente a parâmetros essenciais” como eficácia, sintetizabilidade e segurança. A próxima versão do ChemPass AI 2.0 irá mais longe — está sendo desenvolvida para permitir ainda mais flexibilidade na otimização multi-parâmetro, incluindo critérios definidos pelo usuário adaptados a áreas terapêuticas ou requisitos de culturas específicas. Isso sugere que o modelo de próxima geração poderia permitir que os pesquisadores ajustassem o nível de importância de certos fatores (por exemplo, priorizando a penetração no cérebro para um medicamento neurológico ou biodegradabilidade ambiental para um pesticida) e a IA ajustaria sua estratégia de design de acordo. Ao integrar essas capacidades multi-objetivo, o ChemPass AI pode projetar moléculas que atendam ao ponto ideal em vários métricas de desempenho ao mesmo tempo, uma façanha praticamente impossível com métodos tradicionais.

Um Salto Além dos Métodos de P&D Tradicionais

O advento do modelo gerativo do ChemPass AI destaca uma mudança mais ampla nos métodos de P&D em ciências da vida: a transição de fluxos de trabalho baseados em tentativa e erro para criatividade e precisão aumentadas por IA. Ao contrário dos químicos humanos, que tendem a se ater a séries químicas conhecidas e iterar lentamente, uma IA pode considerar bilhões de possibilidades e aventurar-se no 99,9% inexplorado do espaço químico. Isso abre a porta para a descoberta de compostos eficazes que não se assemelham a nada que já vimos antes — crucial para tratar doenças com química nova ou lidar com pragas e patógenos que desenvolveram resistência a moléculas existentes. Além disso, ao considerar patentabilidade desde o início, a inteligência artificial gerativa ajuda a evitar áreas de propriedade intelectual lotadas. A Evogene explicitamente visa produzir moléculas que criem novas propriedades intelectuais, uma vantagem competitiva importante.

Os benefícios sobre as abordagens tradicionais podem ser resumidos como segue:

• Otimização Paralela de Múltiplos Traços: A IA avalia muitos parâmetros em paralelo, projetando moléculas que atendem à potência, segurança e outros critérios. Os pipelines tradicionais, em contraste, frequentemente descobrem apenas um problema de toxicidade após anos de trabalho em uma droga promissora. Ao filtrar previamente esses problemas, os candidatos projetados por IA têm uma melhor chance de sucesso em ensaios posteriores caros.

• Expansão da Diversidade Química: Os modelos gerativos não são limitados a bibliotecas de compostos existentes. O ChemPass AI pode conjurar estruturas que nunca foram feitas antes, mas são previstas para ser eficazes. Esta geração orientada por novidade evita reinventar a roda (ou a molécula) e ajuda a criar produtos diferenciados com novos modos de ação. Métodos tradicionais frequentemente levam a compostos “me-too” que oferecem pouca novidade.

• Velocidade e Escala: O que uma equipe de químicos pode alcançar por meio de síntese e teste em um ano, uma IA pode simular em dias. A plataforma de aprendizado profundo do ChemPass AI pode realizar triagem virtual de dezenas de bilhões de compostos rapidamente e gerar centenas de ideias novas em uma única execução. Isso comprime dramaticamente o cronograma de descoberta, focando experimentos de laboratório apenas nos candidatos mais promissores identificados in silico.

• Conhecimento Integrado: Modelos de IA como o ChemPass incorporam vastas quantidades de conhecimento químico e biológico (por exemplo, relações estrutura-atividade conhecidas, alertas de toxicidade, regras de propriedades farmacêuticas) em seu treinamento. Isso significa que cada design de molécula se beneficia de uma amplitude de dados anteriores que nenhum especialista humano poderia manter em sua mente. O design tradicional depende da experiência de químicos medicinais — valiosa, mas limitada à memória e viés humanos — enquanto a IA pode capturar padrões em milhões de experimentos e famílias químicas diversas.

Em termos práticos, para a indústria farmacêutica, isso pode levar a taxas de sucesso mais altas em ensaios clínicos e redução de custos de desenvolvimento, pois menos recursos são desperdiçados em compostos condenados. Na agricultura, significa a criação mais rápida de soluções de proteção de culturas mais seguras e sustentáveis — por exemplo, um herbicida que é letal para ervas daninhas, mas benigno para organismos não alvo e se decompõe inofensivamente no ambiente. Ao otimizar eficácia e segurança ambiental juntas, a IA pode ajudar a entregar “eficazes, sustentáveis e proprietários” produtos químicos agrícolas, abordando desafios regulamentares e de resistência de uma vez.

Parte de uma Caixa de Ferramentas de IA Mais Amplia na Evogene

Enquanto o ChemPass AI rouba a cena para o projeto de moléculas pequenas, ele faz parte dos três “motores de tecnologia” impulsionados por IA da Evogene, adaptados para diferentes domínios. A empresa tem MicroBoost AI focado em microrganismos, ChemPass AI em química e GeneRator AI em elementos genéticos. Cada motor aplica análise de grandes dados e aprendizado de máquina ao seu campo respectivo.

Esta ecossistema integrado de motores de IA destaca a estratégia da Evogene como uma empresa de ciências da vida “primeira em IA”. Eles visam revolucionar a descoberta de produtos em todo o tabuleiro — seja formulando um medicamento, um bioestimulante ou uma cultura resistente à seca — aproveitando a computação para navegar a complexidade biológica. Os motores compartilham uma filosofia comum: usar aprendizado de máquina de ponta para aumentar a probabilidade de sucesso em P&D e reduzir tempo e custo.

Perspectiva: A Descoberta Impulsionada por IA Chega à Idade Adulta

A inteligência artificial gerativa está transformando a descoberta de moléculas, mudando o papel da IA de assistente para colaborador criativo. Em vez de testar uma ideia de cada vez, os cientistas agora podem usar a IA para projetar compostos completamente novos que atendam a vários objetivos — potência, segurança, estabilidade e mais — em um único passo.

Este futuro já está se desenrolando. Uma equipe farmacêutica pode solicitar uma molécula que atinja um alvo específico, evite o cérebro e seja disponível por via oral — a IA pode entregar candidatos sob demanda. Na agricultura, os pesquisadores poderiam gerar controles de pragas ecológicos personalizados para restrições regulamentares e ambientais.

O modelo de fundação recente da Evogene, desenvolvido com a Google Cloud, é um exemplo desta mudança. Ele permite a otimização multi-parâmetro e abre novas áreas do espaço químico. À medida que versões futuras permitem mais personalização, esses modelos se tornarão ferramentas essenciais em toda a área de ciências da vida.

Crucialmente, o impacto depende da validação no mundo real. À medida que as moléculas geradas por IA são testadas e refinadas, os modelos melhoram — criando um poderoso loop de feedback entre computação e experimentação.

Esta abordagem gerativa não está limitada a drogas ou pesticidas. Ela logo pode impulsionar avanços em materiais, alimentos e sustentabilidade — oferecendo descoberta mais rápida e inteligente em indústrias anteriormente limitadas pela tentativa e erro.