Evogene și Google Cloud prezintă modelul de bază pentru proiectarea generativă a moleculelor, deschizând o nouă eră în domeniul științelor vieții bazate pe IA

Evogene Ltd. a prezentat un model de bază de IA generativ de clasă unică pentru proiectarea moleculelor mici, marcând o descoperire în modul în care sunt descoperite noi compuși. Anunțat pe 10 iunie 2025, în colaborare cu Google Cloud, modelul extinde platforma ChemPass AI a Evogene și abordează o provocare de lungă durată atât în farmaceutice, cât și în agricultură: găsirea de molecule noi care îndeplinesc simultan multiple criterii complexe. Acestă dezvoltare este pregătită să accelereze cercetarea și dezvoltarea în descoperirea de medicamente și protecția culturilor prin permiterea optimizării simultane a proprietăților precum eficacitatea, toxicitatea și stabilitatea într-un singur ciclu de proiectare.

De la selecția secvențială la proiectarea simultană

În cercetarea tradițională a medicamentelor și a chimicalelor agricole, oamenii de știință testează de obicei un factor la un moment dat – mai întâi verifică dacă un compus funcționează, apoi testează ulterior pentru siguranță și stabilitate. Această metodă pas cu pas este lentă, scumpă și adesea se încheie cu eșec, multe compuși promițători nu reușind să treacă de etapele ulterioare. De asemenea, această abordare învechită limitează inovația și face mai greu să se creeze produse noi și brevetabile. Această abordare contribuie la costuri ridicate, termene lungi și un nivel scăzut de succes – aproximativ 90% din candidații la medicamente eșuează înainte de a ajunge pe piață.

IA generativă schimbă acest paradigme. În loc de filtrare secvențială, modelele de IA pot manipula multiple cerințe simultan, proiectând molecule pentru a fi puternice și sigure și stabile de la început. Noul model de bază al Evogene a fost construit în mod explicit pentru a permite această proiectare multi-parametrică simultană. Această abordare are ca scop să reducă riscurile din fazele ulterioare ale dezvoltării prin încărcarea considerentelor precum ADME și toxicitatea în proiectarea inițială.

În practică, poate însemna mai puține eșecuri în fazele târzii – de exemplu, mai puțini candidați la medicamente care arată rezultate excelente în laborator, dar eșuează în teste clinice din cauza efectelor secundare. În esență, IA generativă permite cercetătorilor să inoveze mai rapid și mai inteligent, optimizând în paralel multiple aspecte ale unei molecule de succes, în loc de a aborda fiecare în mod izolat.

În interiorul ChemPass AI: Cum modelele generative proiectează molecule

La baza platformei ChemPass AI a Evogene se află un puternic model de bază nou, instruit pe un enorm set de date chimice. Compania a adunat o bază de date curată de aproximativ 40 de miliarde de structuri moleculare – care cuprinde compuși cunoscuți și diverse schelete chimice – pentru a învăța IA “limbajul” moleculelor. Utilizând infrastructura Vertex AI a Google Cloud cu supercalculatoare GPU, modelul a învățat modele din această vastă bibliotecă chimică, dându-i o cunoaștere fără precedent despre ce arată moleculele asemănătoare medicamentelor. Acest antrenament masiv este similar cu antrenarea unui model de limbaj mare, dar în loc de limbaj uman, IA a învățat reprezentări chimice.

Modelul generativ al Evogene se bazează pe arhitectura de rețea neurală transformer, similară cu modelele GPT care au revoluționat procesarea limbajului natural. De fapt, sistemul este denumit ChemPass-GPT, un model de IA proprietar instruit pe șiruri SMILES (o codificare text a structurilor moleculare). În termeni simpli, ChemPass-GPT tratează moleculele ca propoziții – fiecare șir SMILES al unei molecule este o secvență de caractere care descrie atomii și legăturile sale. Modelul transformer a învățat gramatica acestui limbaj chimic, permițându-i să “scrie” molecule noi prin prezicerea unui caracter la un moment dat, în același mod în care GPT poate scrie propoziții literă cu literă. Deoarece a fost instruit pe miliarde de exemple, modelul poate genera șiruri SMILES noi care corespund unor structuri valabile și asemănătoare medicamentelor.

Acest abordare generativă bazată pe secvențe valorifică puterea transformatorilor în capturarea modelelor complexe. Prin antrenarea pe un astfel de set de date enorm și chimic divers, ChemPass AI depășește problemele cu care s-au confruntat modelele de IA anterioare, cum ar fi bias-ul din seturile de date mici sau generarea de molecule redundante sau invalide. Performanța modelului de bază depășește deja cu mult o GPT generică aplicată chimiei: testele interne au arătat o precizie de aproximativ 90% în producerea de molecule noi care îndeplinesc toate criteriile de proiectare, față de aproximativ 29% precizie pentru un model GPT tradițional bazat pe chimieevogene.com. În termeni practici, acest lucru înseamnă că aproape toate moleculele sugerate de ChemPass AI nu numai că sunt noi, dar și corespund profilului lor țintă, o îmbunătățire remarcabilă față de tehnici generative de bază.

În timp ce motorul generativ principal al Evogene utilizează un transformer pe șiruri SMILES liniare, este important de remarcat că setul de instrumente AI mai larg include și alte arhitecturi, cum ar fi rețelele neuronale grafice (GNN). Moleculele sunt în mod natural grafice – cu atomi ca noduri și legături ca muchii – și GNN pot raționa direct pe aceste structuri. În proiectarea modernă de medicamente, GNN sunt adesea utilizate pentru a prezice proprietăți sau chiar pentru a genera molecule prin construirea lor atom cu atom. Această abordare bazată pe grafice completează modelele secvențiale; de exemplu, platforma Evogene include și instrumente precum DeepDock pentru screening virtual 3D, care probabil utilizează învățarea profundă pentru a evalua legarea moleculelor într-un context bazat pe structură. Prin combinarea modelelor secvențiale (bune pentru creativitate și noutate) cu modelele bazate pe grafice (bune pentru acuratețea structurală și predicția proprietăților), ChemPass AI asigură că compușii generați sunt nu numai noi pe hârtie, ci și chimic valabili și eficienți în practică. Bucla de proiectare a IA poate genera structuri de candidați și apoi le poate evalua prin modele predictive – unele posibil bazate pe GNN – pentru criterii precum toxicitatea sau fezabilitatea sintetică, creând un ciclu de feedback care rafinează fiecare sugestie.

Optimizarea multi-obiectivă: Putere, toxicitate, stabilitate Toate deodată

O caracteristică deosebită a ChemPass AI este capacitatea sa încorporată de optimizare multi-obiectivă. Descoperirea clasică de medicamente optimizează de obicei o proprietate la un moment dat, dar ChemPass a fost proiectat pentru a gestiona multiple obiective simultan. Acest lucru se realizează prin tehnici avansate de învățare automată care îndrumă modelul generativ către satisfacerea mai multor constrângeri. În timpul antrenamentului, Evogene poate impune cerințe de proprietate – cum ar fi faptul că o moleculă trebuie să activeze un anumit țintă puternic, să evite anumite motive toxice și să aibă o bună bio disponibilitate – și modelul învață să navigheze spațiul chimic sub aceste reguli. Sistemul ChemPass-GPT permite chiar și “generarea bazată pe constrângeri”, ceea ce înseamnă că poate fi instruit să propună numai molecule care îndeplinesc anumite proprietăți dorite de la început.

Cum reușește IA să realizeze acest echilibru multi-parametric? O abordare este învățarea multi-task, în care modelul nu numai că generează molecule, dar și prezice proprietățile lor utilizând predictorii învățați, ajustând generarea în consecință. O altă abordare puternică este învățarea 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 molecula îndeplinește obiectivele (putere, lipsă de toxicitate, etc.). Pe parcursul mai multor iterații, modelul ajustează strategia sa de generare pentru a maximiza această recompensă. Această metodă a fost utilizată cu succes în alte sisteme de proiectare de medicamente bazate pe IA – cercetătorii au demonstrat că algoritmii de învățare prin întărire pot ghida modelele generative pentru a produce molecule cu proprietăți dorite. În esență, IA poate fi antrenată cu o funcție de recompensă care încorporează multiple obiective, de exemplu, oferind puncte pentru eficacitatea prezisă și scăzând puncte pentru toxicitatea prezisă. Modelul optimizează apoi “mișcările” sale (adăugarea sau eliminarea atomilor, modificarea grupurilor funcționale) pentru a obține cel mai mare punctaj, efectiv învățând compromisurile necesare pentru a satisface toate criteriile.

Evogene nu a dezvăluit exact “sosul” proprietar din spatele motorului multi-obiectiv al ChemPass AI, dar este clar din rezultatele lor că astfel de strategii sunt la lucru. Faptul că fiecare moleculă generată “îndeplinește simultan parametrii esențiali” precum eficacitatea, sintetizabilitatea și siguranța. Versiunea viitoare a ChemPass AI 2.0 va duce acest lucru mai departe – este dezvoltată pentru a permite o reglare multi-parametrică și mai flexibilă, inclusiv criterii definite de utilizator, adaptate unor domenii terapeutice sau cerințe specifice culturilor. Acest lucru sugerează că modelul de următoare generație va permite cercetătorilor să ajusteze importanța anumitor factori (de exemplu, prioritatea penetrării creierului pentru un medicament neurologic sau biodegradabilitatea mediului pentru un pesticid) și IA va ajusta strategia de proiectare în consecință. Prin integrarea acestor capacități multi-obiective, ChemPass AI poate proiecta molecule care ating punctul dulce pe multiple metrici de performanță deodată, o realizare practic imposibilă cu metodele tradiționale.

Un salt peste metodele tradiționale de C&D

Apariția modelului generativ al ChemPass AI subliniază o schimbare mai largă în domeniul cercetării și dezvoltării științelor vieții: trecerea de la fluxurile de lucru bazate pe încercări și erori la creativitate și precizie îmbunătățite de IA. În contrast cu chimistii care tind să se concentreze pe serii chimice cunoscute și să iterateze lent, o IA poate explora miliarde de posibilități și poate explora 99,9% din spațiul chimic neexplorat. Acest lucru deschide calea către găsirea de compuși eficienți care nu semănă cu nimic ceea ce am văzut anterior – esențial pentru tratarea bolilor cu chimie nouă sau pentru abordarea dăunătorilor și patogenilor care au dezvoltat rezistență la moleculele existente. Mai mult, prin considerarea brevetabilității de la început, IA generativă ajută la evitarea zonelor aglomerate de proprietate intelectuală. Evogene își propune în mod explicit să producă molecule care să taie drumul spre noi brevete, un avantaj competitiv important.

Beneficiile față de abordările tradiționale pot fi rezumate astfel:

• Optimizarea multi-trăsătură paralelă: IA evaluează multiple parametri în paralel, proiectând molecule care satisfac puterea, siguranța și alte criterii. Pipeline-urile tradiționale, în contrast, descoperă adesea o problemă de toxicitate abia după ani de muncă pe un medicament promițător. Prin filtrarea preventivă a unor astfel de probleme, candidații proiectați de IA au șanse mai bune de a reuși în teste costisitoare ulterioare.

• Extinderea diversității chimice: Modelele generative nu sunt limitate la biblioteci de compuși existente. ChemPass AI poate crea structuri care nu au fost niciodată realizate, dar care sunt prezise a fi eficiente. Această generare bazată pe noutate evită reinventarea roții (sau a moleculei) și ajută la crearea de produse diferențiate cu moduri de acțiune noi. Metodele tradiționale duc adesea la compuși “me-too” care oferă puțină noutate.

• Viteză și scară: Ceea ce o echipă de chimisti ar putea realiza prin sinteză și testare într-un an, o IA poate simula în câteva zile. Platforma de învățare profundă a ChemPass AI poate efectua screening virtual rapid pe miliarde de compuși și poate genera sute de idei noi într-o singură execuție. Acest lucru comprimă dramatic timeline-ul de descoperire, concentrând experimentele din laborator doar pe cei mai promițători candidați identificați in silico.

• Cunoaștere integrată: Modelele de IA precum ChemPass incorporează cantități uriașe de cunoașterea chimică și biologică (de exemplu, relații cunoscute structură-activitate, alerte de toxicitate, reguli de proprietate asemănătoare medicamentelor) în procesul de antrenament. Acest lucru înseamnă că fiecare proiectare de moleculă beneficiază de o lărgime de cunoaștere anterioară pe care niciun expert uman nu o poate stăpâni. Proiectarea tradițională se bazează pe experiența chimistului medicinal – valoroasă, dar limitată la memoria și prejudecățile umane – în timp ce IA poate capta modele de-a lungul milioanelor de experimente și familii chimice diverse.

În termeni practici, pentru industria farmaceutică, acest lucru poate duce la rate de succes mai mari în teste clinice și la costuri de dezvoltare reduse, deoarece se evită irosirea de resurse pe compuși sortiți eșecului. În agricultură, înseamnă crearea mai rapidă a soluțiilor de protecție a culturilor mai sigure și mai durabile – de exemplu, un erbicid care este letal pentru buruieni, dar inofensiv pentru organisme nețintă și se descompune inofensiv în mediu. Prin optimizarea simultană a eficacității și siguranței mediului, IA poate ajuta la livrarea de “eficiente, durabile și proprietare” soluții agro-chimice, abordând provocările reglementare și de rezistență deodată.

Parte a unui set de instrumente AI mai larg la Evogene

În timp ce ChemPass AI atrage atenția pentru proiectarea moleculelor mici, face parte dintr-un trio de “motoare tehnice” alimentate de IA, specializate în domenii diferite, de la Evogene. Compania are MicroBoost AI axat pe microorganisme, ChemPass AI pe chimie și GeneRator AI pe elemente genetice. Fiecare motor aplică analiza de date mari și învățarea automată în domeniul său respectiv.

Acest ecosistem integrat de motoare IA subliniază strategia Evogene ca o companie “IA-primă” în științele vieții. Ei își propun să revoluționeze descoperirea de produse pe scară largă – fie că este vorba de formularea unui medicament, a unui biostimulant sau a unei culturi rezistente la secetă – prin harnessing computation pentru a naviga complexitatea biologică. Motoarele împărtășesc o filozofie comună: utilizarea învățării automate de ultimă generație pentru a crește probabilitatea de succes în C&D și a reduce timpul și costurile.

Perspectivă: Descoperirea condusă de IA ajunge la maturitate

IA generativă transformă descoperirea moleculelor, schimbând rolul IA de la asistent la colaborator creativ. În loc de a testa o idee la un moment dat, oamenii de știință pot utiliza acum IA pentru a proiecta molecule complet noi care îndeplinesc multiple obiective – putere, siguranță, stabilitate și multe altele – într-un singur pas.

Acest viitor se desfășoară deja. O echipă farmaceutică ar putea solicita o moleculă care țintește un anumit protein, evită creierul și este disponibilă oral – IA poate livra candidați la cerere. În agricultură, cercetătorii ar putea genera controlori de dăunători eco-prietenoși, adaptați la constrângerile și cerințele de reglementare.

Modelul de bază recent al Evogene, dezvoltat împreună cu Google Cloud, este un exemplu al acestei schimbări. Acesta permite proiectarea multi-parametrică și deschide noi zone ale spațiului chimic. Pe măsură ce versiunile viitoare permit o personalizare și mai mare, aceste modele vor deveni instrumente esențiale în științele vieții.

În mod esențial, impactul depinde de validarea în lumea reală. Pe măsură ce moleculele generate de IA sunt testate și rafinate, modelele se îmbunătățesc – creând un puternic ciclu de feedback între calcul și experimentare.

Acestă abordare generativă nu este limitată la medicamente sau pesticide. Ea ar putea în curând conduce la descoperiri în materiale, alimente și durabilitate – oferind o descoperire mai rapidă și mai inteligentă în industrii care au fost anterior limitate de încercări și erori.