Evogene și Google Cloud dezvăluie modelul de bază pentru proiectarea generativă a moleculelor, inițiind o nouă eră în inteligența artificială din științele vieții

Evogene Ltd.a dezvăluit o premieră din clasa sa model de fundație generativ al inteligenței artificiale pentru proiectarea moleculelor mici, marcând un progres în modul în care sunt descoperiți noi compuși. anunţat Pe 10 iunie 2025, în colaborare cu Google Cloud, modelul extinde platforma de inteligență artificială ChemPass a Evogene și abordează o provocare de lungă durată atât în ​​industria farmaceutică, cât și în agricultură: găsirea de molecule noi care să îndeplinească simultan mai multe criterii complexe. Această dezvoltare este pregătită să accelereze cercetarea și dezvoltarea în descoperirea medicamentelor și protecția culturilor, permițând optimizarea simultană a unor proprietăți precum eficacitatea, toxicitatea și stabilitatea într-un singur ciclu de proiectare.

De la screening secvențial la design simultan

În cercetarea tradițională în domeniul medicamentelor și al chimiei agricole, oamenii de știință testează de obicei câte un factor pe rând - mai întâi verificând dacă un compus funcționează, apoi testând siguranța și stabilitatea. Această metodă pas cu pas este lentă, costisitoare și adesea se termină cu un eșec, mulți compuși promițători nefiind la înălțime în etapele ulterioare. De asemenea, îi menține pe cercetători concentrați pe structuri chimice familiare, limitând inovația și îngreunând crearea de produse noi, brevetabile. Această abordare învechită contribuie la costuri ridicate, termene lungi de realizare și o rată scăzută de succes - în jur... 90% dintre candidații la medicamente eșuează înainte de a ajunge pe piață.

IA generativă schimbă această paradigmă. În loc de filtrare individuală, modelele de IA pot gestiona mai multe cerințe simultan, proiectând molecule care să fie puternice, sigure și stabile de la început. Noul model de bază al Evogene a fost construit în mod explicit pentru a permite acest design simultan cu mai mulți parametri. Această abordare își propune să reducă riscurile din fazele ulterioare ale dezvoltării prin includerea în avans a considerațiilor precum ADME și toxicitatea în designul inițial.

În practică, ar putea însemna mai puține eșecuri în stadii avansate – de exemplu, mai puțini candidați la medicamente care prezintă rezultate de laborator excelente, doar pentru a eșua în studiile clinice din cauza efectelor secundare. Pe scurt, inteligența artificială generativă permite cercetătorilor să inoveze mai rapid și mai inteligent, optimizând simultan multiplele fațete ale unei molecule de succes, în loc să abordeze fiecare aspect separat.

În interiorul ChemPass AI: Cum modelele generative proiectează molecule

În centrul platformei de inteligență artificială ChemPass de la Evogene se află un nou model de fundație puternic, antrenat pe un set enorm de date chimice. Compania a asamblat un bază de date curatoriată cu aproximativ 40 de miliarde de structuri moleculare– care cuprinde compuși cunoscuți asemănători medicamentelor și diverse structuri chimice – pentru a preda inteligenței artificiale „limbajul” moleculelor. Folosind infrastructura Vertex AI a Google Cloud cu supercomputer GPU, modelul a învățat tipare din această vastă bibliotecă chimică, oferindu-i o gamă largă de cunoștințe fără precedent despre cum arată moleculele asemănătoare medicamentelor. Acest regim masiv de antrenament este similar cu antrenarea unui model lingvistic extins, dar în loc de limbaj uman, inteligența artificială a învățat reprezentări chimice.

Modelul generativ al Evogene este construit pe o arhitectură de rețea neuronală de tip transformator, similară modelelor GPT care au revoluționat procesarea limbajului natural. De fapt, sistemul este denumit ChemPass-GPT, un model de inteligență artificială proprietar, antrenat pe șiruri SMILES (o codificare textuală a structurilor moleculare). În termeni simpli, ChemPass-GPT tratează moleculele ca pe propoziții - șirul SMILES al fiecărei molecule este o secvență de caractere care descrie atomii și legăturile sale. Modelul transformatorului a învățat gramatica acestui limbaj chimic, permițându-i să „scrie” molecule noi prin prezicerea unui caracter pe rând, în același mod în care GPT poate scrie propoziții literă cu literă. Deoarece a fost antrenat pe miliarde de exemple, modelul poate genera SMILES noi care corespund unor structuri chimic valide, asemănătoare medicamentelor.

Acest abordare generativă bazată pe secvențe valorifică puterea transformatoarelor în captarea modelelor complexe. Prin antrenamentul pe un set de date atât de vast și divers din punct de vedere chimic, ChemPass AI depășește problemele cu care se confruntau modelele AI anterioare, cum ar fi prejudecățile cauzate de seturi de date mici sau generarea de molecule redundante sau nevalide. Performanța modelului fundamental depășește deja cu mult un GPT generic aplicat chimiei: testele interne au arătat aproximativ 90% precizie în producerea de molecule noi care îndeplinesc toate criteriile de proiectare, față de o precizie de ~29% pentru un model tradițional bazat pe GPTevogene.comÎn termeni practici, aceasta înseamnă că aproape toate moleculele sugerate de ChemPass AI nu sunt doar noi, ci și își ating profilul țintă, o îmbunătățire izbitoare față de tehnicile generative de bază.

Deși motorul generativ principal al Evogene folosește un transformator pe SMILES liniare, merită menționat că setul de instrumente AI mai larg include și alte arhitecturi, cum ar fi rețele neuronale grafice (GNN)Moleculele sunt în mod natural grafuri – cu atomi ca noduri și legături ca muchii – iar rețelele neuronale genealogice (GNN) pot raționa direct pe baza acestor structuri. În proiectarea modernă a medicamentelor, GNN-urile sunt adesea folosite pentru a prezice proprietăți sau chiar pentru a genera molecule construindu-le atom cu atom. Această abordare bazată pe grafuri completează modelele de secvențe; de ​​exemplu, platforma Evogene încorporează și instrumente precum DeepDock pentru screening virtual 3D, care utilizează probabil învățarea profundă pentru a evalua legarea moleculelor într-un context bazat pe structură. Prin combinarea modelelor de secvențe (excelente pentru creativitate și noutate) cu modele bazate pe grafuri (excelente pentru acuratețea structurală și predicția proprietăților), ChemPass AI se asigură că compușii generați nu sunt doar noi pe hârtie, ci și solidi din punct de vedere chimic și eficienți în practică. Bucla de proiectare a IA ar putea genera structuri candidate și apoi le-ar putea evalua prin intermediul unor modele predictive – unele posibil bazate pe GNN – pentru criterii precum toxicitatea sau fezabilitatea sintetică, creând un ciclu de feedback care rafinează fiecare sugestie.

Optimizare multi-obiectiv: Potență, Toxicitate, Stabilitate Dintr-o dată

O caracteristică remarcabilă a ChemPass AI este capacitatea sa încorporată de optimizare multi-obiectiv. Descoperirea clasică a medicamentelor optimizează adesea o proprietate pe rând, dar ChemPass a fost conceput pentru a gestiona mai multe obiective simultan. Acest lucru se realizează prin tehnici avansate de învățare automată care ghidează modelul generativ către satisfacerea mai multor constrângeri. În timpul antrenamentului, Evogene poate impune cerințe privind proprietățile - cum ar fi o moleculă care trebuie să activeze puternic o anumită țintă, să evite anumite motive toxice și să aibă o biodisponibilitate bună - iar modelul învață să navigheze în spațiul chimic în conformitate cu aceste reguli. Sistemul ChemPass-GPT permite chiar și „generarea bazată pe constrângeri”, ceea ce înseamnă că poate fi instruit să propună doar molecule care îndeplinesc proprietăți specifice dorite de la bun început.

Cum realizează inteligența artificială acest act de echilibrare a mai multor parametri? O abordare este învățarea multi-task, în care modelul nu doar generează molecule, ci și prezice proprietățile acestora folosind predictori învățați, ajustând generarea în consecință. O altă abordare puternică este învățare prin întărire (RL)Într-un flux de lucru îmbunătățit prin RL, modelul generativ acționează ca un agent care „joacă un joc” de proiectare a moleculelor: propune o moleculă și apoi primește un scor de recompensă bazat pe cât de bine îndeplinește molecula respectivă obiectivele (potență, lipsa toxicității etc.). De-a lungul mai multor iterații, modelul își modifică strategia de generare pentru a maximiza această recompensă. Această metodă a fost utilizată cu succes în alte sisteme de proiectare a medicamentelor bazate pe inteligență artificială - cercetătorii au demonstrat că algoritmii de învățare prin consolidare pot ghida modelele generative pentru a produce molecule cu proprietăți doriteÎn esență, inteligența artificială poate fi antrenată cu o funcție de recompensă care încapsulează obiective multiple, de exemplu acordarea de puncte pentru eficacitatea prezisă și scăderea de puncte pentru toxicitatea prezisă. Modelul își optimizează apoi „mișcările” (adăugarea sau eliminarea atomilor, modificarea grupurilor funcționale) pentru a obține cel mai mare scor, învățând efectiv compromisurile necesare pentru a satisface toate criteriile.

Evogene nu a dezvăluit exact ingredientul proprietar din spatele motorului multi-obiectiv al ChemPass AI, dar din rezultatele lor este clar că astfel de strategii funcționează. Faptul că fiecare compus generat „îndeplinește simultan parametrii esențiali”, cum ar fi eficacitatea, sintetizabilitatea și siguranța. Viitoarea versiune 2.0 a ChemPass AI va duce acest lucru mai departe - este dezvoltată pentru a permite o reglare multi-parametri și mai flexibilă, inclusiv criterii definite de utilizator, adaptate la anumite domenii terapeutice sau cerințe ale culturilor. Acest lucru sugerează că modelul de generație următoare ar putea permite cercetătorilor să ajusteze importanța anumitor factori (de exemplu, prioritizarea penetranței creierului pentru un medicament neurologic sau biodegradabilității în mediu pentru un pesticid), iar IA își va ajusta strategia de proiectare în consecință. Prin integrarea unor astfel de capabilități multi-obiectiv, ChemPass AI poate proiecta molecule care ating punctul optim la numeroase indicatori de performanță simultan, o performanță practic imposibilă cu metodele tradiționale.

Un salt dincolo de metodele tradiționale de cercetare și dezvoltare

Apariția modelului generativ ChemPass AI evidențiază o schimbare mai amplă în cercetarea și dezvoltarea în științele vieții: trecerea de la fluxuri de lucru laborioase de tip încercare și eroare la Creativitate și precizie augmentate de inteligență artificialăSpre deosebire de chimiștii umani, care tind să se limiteze la serii chimice cunoscute și să iterateze lent, o inteligență artificială poate explora miliarde de posibilități și se poate aventura în cele 99.9% neexplorate ale spațiului chimic. Acest lucru deschide calea către găsirea unor compuși eficienți care nu seamănă cu nimic din ceea ce am văzut până acum – cruciali pentru tratarea bolilor cu chimie nouă sau pentru combaterea dăunătorilor și agenților patogeni care au dezvoltat rezistență la moleculele existente. Mai mult, luând în considerare... brevetabilitatea Încă de la început, inteligența artificială generativă ajută la evitarea zonelor aglomerate legate de proprietatea intelectuală. Evogene își propune în mod explicit să producă molecule care să genereze o nouă proprietate intelectuală, un avantaj competitiv important.

Avantajele față de abordările tradiționale pot fi rezumate după cum urmează:

• Optimizare paralelă multi-trăsătură: Inteligența artificială evaluează mulți parametri în paralel, proiectând molecule care îndeplinesc criterii de potență, siguranță și alte criterii. În schimb, proiectele tradiționale descoperă adesea o problemă de toxicitate doar după ani de muncă la un medicament altfel promițător. Prin filtrarea preventivă a unor astfel de probleme, candidații concepuți de inteligența artificială au șanse mai mari de succes în studiile ulterioare costisitoare.

• Extinderea diversității chimice: Modelele generative nu se limitează la bibliotecile de compuși existente. ChemPass AI poate evoca structuri care nu au mai fost create până acum, dar despre care se preconizează că sunt eficiente. Acest lucru generația condusă de noutate evită reinventarea roții (sau a moleculei) și ajută la crearea de produse diferențiate cu noi moduri de acțiune. Metodele tradiționale duc adesea la compuși „me-too” care oferă puțină noutate.

• Viteză și scară: Ceea ce o echipă de chimiști ar putea realiza prin sinteză și testare într-un an, o inteligență artificială poate simula în câteva zile. Platforma de învățare profundă ChemPass AI poate analiza practic rapid zeci de miliarde de compuși și poate genera sute de idei noi într-o singură rulare. Acest lucru comprimă dramatic calendarul descoperirilor, concentrând experimentele de laborator doar pe cei mai promițători candidați identificați in silico.

• Cunoștințe integrate: Modelele de inteligență artificială precum ChemPass încorporează cantități vaste de cunoștințe chimice și biologice (de exemplu, relații structură-activitate cunoscute, alerte de toxicitate, reguli de proprietate similare medicamentelor) în procesul lor de antrenament. Aceasta înseamnă că fiecare proiect de moleculă beneficiază de o gamă largă de date anterioare pe care niciun expert uman nu le-ar putea avea în minte. Proiectarea tradițională se bazează pe experiența chimiștilor medicinali - valoroasă, dar limitată de memoria și prejudecățile umane - în timp ce inteligența artificială poate capta modele în milioane de experimente și diverse familii chimice.

În termeni practici, pentru industria farmaceutică, acest lucru ar putea duce la rate de succes mai mari în studiile clinice și la costuri de dezvoltare reduse, deoarece se irosesc mai puține resurse pentru compuși sortiți eșecului. În agricultură, aceasta înseamnă crearea mai rapidă a unor soluții de protecție a culturilor mai sigure și mai sustenabile - de exemplu, un erbicid care este letal pentru buruieni, dar benign pentru organismele nevizate și se descompune inofensiv în mediu. Prin optimizarea simultană a eficacității și a siguranței mediului, inteligența artificială poate ajuta la furnizarea de substanțe chimice agricole „eficiente, sustenabile și brevetate”, abordând simultan provocările de reglementare și de rezistență.

Parte a unui set mai amplu de instrumente AI la Evogene

Deși ChemPass AI fură lumina reflectoarelor pentru designul de molecule mici, face parte din trioul de „motoare tehnologice” bazate pe inteligență artificială al Evogene, adaptate la diferite domenii. Compania a MicroBoost AI concentrându-se pe microbi, ChemPass AI despre chimie și Generator AI pe elemente genetice. Fiecare motor aplică analize de big data și învățare automată în domeniul său respectiv.

Acest ecosistem integrat de motoare AI subliniază strategia Evogene ca o companie de științe biologice „AI-first”. Aceștia își propun să revoluționeze descoperirea de produse în toate domeniile – fie că este vorba de formularea unui medicament, a unui biostimulant sau a unei culturi tolerante la secetă – prin valorificarea calculului pentru a naviga prin complexitatea biologicăMotoarele au o filozofie comună: utilizează învățarea automată de ultimă generație pentru a crește probabilitatea de succes a cercetării și dezvoltării și pentru a reduce timpul și costurile.

Perspectivă: Descoperirea bazată pe inteligență artificială ajunge la maturitate

Inteligența artificială generativă transformă descoperirea moleculelor, schimbând rolul inteligenței artificiale de la asistent la colaborator creativ. În loc să testeze o idee pe rând, oamenii de știință pot folosi acum inteligența artificială pentru a proiecta compuși complet noi care îndeplinesc obiective multiple - potență, siguranță, stabilitate și multe altele - într-un singur pas.

Acest viitor este deja în desfășurare. O echipă farmaceutică ar putea solicita o moleculă care vizează o anumită proteină, evită creierul și este disponibilă oral - inteligența artificială poate oferi candidați la cerere. În agricultură, cercetătorii ar putea genera metode ecologice de combatere a dăunătorilor, adaptate la constrângerile de reglementare și de mediu.

Recentul model de fundație al Evogene, dezvoltat cu Google Cloud, este un exemplu al acestei schimbări. Acesta permite proiectarea cu parametri multipli și deschide noi domenii în domeniul chimic. Pe măsură ce versiunile viitoare permit și mai multă personalizare, aceste modele vor deveni instrumente esențiale în științele vieții.

Un aspect crucial este că impactul depinde de validarea în lumea reală. Pe măsură ce moleculele generate de inteligența artificială sunt testate și rafinate, modelele se îmbunătățesc, creând o buclă de feedback puternică între calcul și experimentare.

Această abordare generativă nu se limitează la medicamente sau pesticide. Ar putea conduce în curând la descoperiri inovatoare în domeniul materialelor, alimentelor și sustenabilității, oferind descoperiri mai rapide și mai inteligente în industrii care odinioară erau constrânse de încercări și erori.