Евоген и Гугл Клауд откривају основни модел за генеративни дизајн молекула, отварајући нову еру у вештачкој интелигенцији у науци о животу

Евоџен Лтдје представио први у класи генеративни модел темеља вештачке интелигенције за дизајн малих молекула, што означава пробој у начину откривања нових једињења. Најавио 10. јуна 2025. године, у сарадњи са Google Cloud-ом, модел проширује Evogene-ову ChemPass AI платформу и решава дугогодишњи изазов у ​​фармацеутској индустрији и пољопривреди: проналажење нових молекула који истовремено испуњавају више сложених критеријума. Овај развој је спреман да убрза истраживање и развој у откривању лекова и заштити усева омогућавајући истовремену оптимизацију својстава попут ефикасности, токсичности и стабилности у једном циклусу дизајнирања.

Од секвенцијалног скрининга до симултаног дизајна

У традиционалним истраживањима лекова и пољопривредних хемикалија, научници обично тестирају један фактор у исто време – прво проверавају да ли једињење делује, а затим касније тестирају безбедност и стабилност. Ова метода корак по корак је спора, скупа и често се завршава неуспехом, при чему многа обећавајућа једињења не успевају у каснијим фазама. Такође, држи истраживаче фокусираним на познате хемијске структуре, ограничавајући иновације и отежавајући стварање нових, патентирајућих производа. Овај застарели приступ доприноси високим трошковима, дугим роковима и ниској стопи успеха – око 90% лекова кандидата не успева пре него што стигну на тржиште.

Генеративна вештачка интелигенција мења ову парадигму. Уместо филтрирања један по један, модели вештачке интелигенције могу да жонглирају вишеструким захтевима одједном, дизајнирајући молекуле да буду снажни, безбедни и стабилни од самог почетка. Евогенов нови основни модел је експлицитно направљен да омогући овај истовремени вишепараметарски дизајн. Овај приступ има за циљ да смањи ризике каснијих фаза развоја тако што ће у почетни дизајн унети разматрања попут ADME и токсичности.

У пракси, то би могло да значи мање неуспеха у каснијим фазама – на пример, мање кандидата за лекове који показују одличне лабораторијске резултате само да би пропали у клиничким испитивањима због нежељених ефеката. Укратко, генеративна вештачка интелигенција омогућава истраживачима да брже и паметније иновирају, истовремено оптимизујући многе аспекте успешног молекула, уместо да се баве сваким од њих изоловано.

Унутар ChemPass AI: Како генеративни модели дизајнирају молекуле

У срцу Евогенове платформе за вештачку интелигенцију ChemPass налази се моћан нови основни модел обучен на огромном хемијском скупу података. Компанија је саставила курирана база података са приближно 40 милијарди молекуларних структура– обухватајући позната једињења слична лековима и разноврсне хемијске скеле – како би научио вештачку интелигенцију „језику“ молекула. ​​Користећи Vertex AI инфраструктуру компаније Google Cloud са GPU суперрачунарством, модел је научио обрасце из ове огромне хемијске библиотеке, дајући му невиђену ширину знања о томе како молекули слични лековима изгледају. Овај масивни режим обуке сличан је обуци великог језичког модела, али уместо људског језика, вештачка интелигенција је научила хемијске репрезентације.

Евогенов генеративни модел је изграђен на архитектури трансформаторске неуронске мреже, сличној ГПТ моделима који су револуционисали обраду природног језика. У ствари, систем се назива ChemPass-GPT, патентирани AI модел обучен на SMILES стринговима (текстуално кодирање молекуларних структура). Једноставно речено, ChemPass-GPT третира молекуле као реченице – SMILES стринг сваког молекула је низ знакова који описују његове атоме и везе. Трансформаторски модел је научио граматику овог хемијског језика, омогућавајући му да „пише“ нове молекуле предвиђајући један знак по један, на исти начин на који GPT може да пише реченице слово по слово. Пошто је обучен на милијардама примера, модел може да генерише нове SMILES-ове који одговарају хемијски валидним структурама сличним лековима.

ovo генеративни приступ заснован на секвенци користи снагу трансформатора у снимању сложених образаца. Обучавањем на тако огромном и хемијски разноврсном скупу података, ChemPass AI превазилази проблеме са којима су се суочавали ранији AI модели, попут пристрасности из малих скупова података или генерисања сувишних или неважећих молекула. ​​Перформансе основног модела већ далеко надмашују генерички GPT примењен на хемију: интерни тестови су показали око 90% прецизности у производњи нових молекула који испуњавају све критеријуме дизајна, у поређењу са ~29% прецизности за традиционални модел заснован на GPT-уevogene.comУ практичном смислу, ово значи да скоро сви молекули које ChemPass AI сугерише нису само нови, већ и испуњавају свој циљни профил, што је запањујуће побољшање у односу на основне генеративне технике.

Иако Евогенов примарни генеративни мотор користи трансформатор на линеарним СМИЛЕС-овима, вреди напоменути да шири АИ алат укључује и друге архитектуре попут графичке неуронске мреже (ГНН)Молекули су природно графови – са атомима као чворовима и везама као ивицама – и ГНН-ови могу директно да размишљају о овим структурама. У модерном дизајну лекова, ГНН-ови се често користе за предвиђање својстава или чак генерисање молекула тако што их граде атом по атом. Овај приступ заснован на графовима допуњује моделе секвенци; на пример, платформа Евогена такође укључује алате попут ДеепДока за 3Д виртуелни скрининг, који вероватно користи дубоко учење за процену везивања молекула у контексту заснованом на структури. Комбиновањем модела секвенци (одличних за креативност и новину) са моделима заснованим на графовима (одличних за структурну тачност и предвиђање својстава), ChemPass AI осигурава да његова генерисана једињења нису само нова на папиру, већ и хемијски исправна и ефикасна у пракси. Петља дизајна вештачке интелигенције може да генерише кандидате за структуре, а затим их процени путем предиктивних модела – неки могу бити засновани на ГНН-овима – за критеријуме попут токсичности или синтетичке изводљивости, стварајући циклус повратних информација који усавршава сваки предлог.

Вишециљна оптимизација: потенција, токсичност, стабилност Све одједном

Издвојена карактеристика ChemPass AI-а је његова уграђена способност за вишециљну оптимизацију. Класично откривање лекова често оптимизује једно својство истовремено, али ChemPass је пројектован да истовремено решава многе циљеве. То се постиже напредним техникама машинског учења које воде генеративни модел ка задовољавању вишеструких ограничења. Током обуке, Evogene може да наметне захтеве за својства – као што је молекул који мора снажно да активира одређену мету, да избегава одређене токсичне мотиве и да има добру биодоступност – а модел учи да се креће кроз хемијски простор под тим правилима. ChemPass-GPT систем чак омогућава „генерисање засновано на ограничењима“, што значи да му се може наложити да од самог почетка предложи само молекуле који испуњавају одређена жељена својства.

Како вештачка интелигенција постиже овај чин вишепараметарског балансирања? Један приступ је учење више задатака, где модел не само да генерише молекуле већ и предвиђа њихова својства користећи научене предикторе, прилагођавајући генерисање у складу са тим. Још један моћан приступ је учење са појачањем (РЛ)У радном току побољшаном помоћу RL-а, генеративни модел се понаша као агент који „игра игру“ дизајна молекула: предлаже молекул, а затим добија награду на основу тога колико добро тај молекул испуњава циљеве (потенција, недостатак токсичности итд.). Током многих итерација, модел прилагођава своју стратегију генерисања како би максимизирао ову награду. Ова метода је успешно коришћена у другим системима за дизајн лекова вођеним вештачком интелигенцијом – истраживачи су показали да Алгоритми учења са појачањем могу водити генеративне моделе да производе молекуле са пожељним својствимаУ суштини, вештачка интелигенција се може тренирати функцијом награђивања која обухвата више циљева, на пример давање поена за предвиђену ефикасност и одузимање поена за предвиђену токсичност. Модел затим оптимизује своје „потезе“ (додавање или уклањање атома, промену функционалних група) како би постигао највиши резултат, ефикасно учећи компромисе потребне за задовољавање свих критеријума.

Евоген није открио тачну патентирану суштину вишециљног механизма ChemPass AI, али је из њихових резултата јасно да такве стратегије делују. Чињеница је да свако генерисано једињење „истовремено испуњава основне параметре“ попут ефикасности, синтетизације и безбедности. Предстојећа верзија 2.0 ChemPass AI ће ово погурати даље – развија се како би омогућила још флексибилније подешавање више параметара, укључујући кориснички дефинисане критеријуме прилагођене специфичним терапијским областима или захтевима усева. Ово сугерише да би модел следеће генерације могао да омогући истраживачима да повећају или смање важност одређених фактора (на пример, давање приоритета пенетрацији мозга за неуролошки лек или биоразградивости у животној средини за пестицид) и да ће AI прилагодити своју стратегију дизајна у складу са тим. Интегришући такве вишециљне могућности, ChemPass AI може да дизајнира молекуле који погађају идеалну тачку на бројним метрикама перформанси истовремено, што је практично немогуће са традиционалним методама.

Скок изнад традиционалних метода истраживања и развоја

Појава генеративног модела ChemPass AI-ја истиче шири помак у истраживању и развоју у области биолошких наука: прелазак са мукотрпних радних процеса заснованих на покушајима и грешкама на Креативност и прецизност проширене вештачком интелигенцијомЗа разлику од људских хемичара, који имају тенденцију да се држе познатих хемијских серија и полако понављају, вештачка интелигенција може да замисли милијарде могућности и да се упусти у неистражених 99.9% хемијског простора. Ово отвара врата проналажењу ефикасних једињења која не личе ни на шта што смо раније видели – кључно за лечење болести новом хемијом или сузбијање штеточина и патогена који су развили отпорност на постојеће молекуле. Штавише, разматрањем патентабилност Од самог почетка, генеративна вештачка интелигенција помаже у избегавању претрпаних подручја интелектуалне својине. Евоџен експлицитно има за циљ да произведе молекуле који стварају нову интелектуалну својину, што је важна конкурентска предност.

Предности у односу на традиционалне приступе могу се сумирати на следећи начин:

• Паралелна оптимизација вишеструких особина: Вештачка интелигенција паралелно процењује многе параметре, дизајнирајући молекуле који задовољавају критеријуме потенције, безбедности и друге критеријуме. Традиционални развојни процеси, насупрот томе, често откривају проблем токсичности тек након година рада на иначе обећавајућем леку. Превентивним филтрирањем таквих проблема, кандидати дизајнирани помоћу вештачке интелигенције имају веће шансе за успех у скупим каснијим испитивањима.

• Проширење хемијске разноликости: Генеративни модели нису ограничени на постојеће библиотеке једињења. ChemPass AI може да створи структуре које никада раније нису направљене, а за које се предвиђа да ће бити ефикасне. Ово генерација вођена новинама избегава поновно измишљање топле воде (или молекула) и помаже у стварању диференцираних производа са новим начинима деловања. Традиционалне методе често доводе до једињења која „и ја такође“ нуде мало новости.

• Брзина и скала: Оно што тим хемичара може да постигне синтезом и тестирањем за годину дана, вештачка интелигенција може да симулира за неколико дана. Платформа за дубоко учење вештачке интелигенције ChemPass може брзо да скринира десетине милијарди једињења и генерише стотине нових идеја у једном покушају. Ово драматично скраћује временски оквир открића, фокусирајући експерименте у влажној лабораторији само на најперспективније кандидате идентификоване in silico.

• Интегрисано знање: Модели вештачке интелигенције попут ChemPass-а укључују огромне количине хемијског и биолошког знања (нпр. познате односе структуре и активности, упозорења о токсичности, правила својстава сличних лековима) у своју обуку. То значи да сваки дизајн молекула има користи од широког спектра претходних података које ниједан људски стручњак не би могао да држи у глави. Традиционални дизајн се ослања на искуство медицинских хемичара – вредно, али ограничено људским памћењем и пристрасношћу – док вештачка интелигенција може да ухвати обрасце у милионима експеримената и разноврсним хемијским породицама.

У практичном смислу, за фармацеутску индустрију ово би могло довести до веће стопе успеха у клиничким испитивањима и смањења трошкова развоја, јер се мање ресурса троши на једињења осуђена на пропаст. У пољопривреди то значи брже стварање безбеднијих, одрживијих решења за заштиту усева – на пример, хербицида који је смртоносан за коров, али бенигни за организме који нису циљани и који се безопасно разлаже у животној средини. Оптимизацијом ефикасности и безбедности животне средине заједно, вештачка интелигенција може помоћи у испоруци „ефикасних, одрживих и патентираних“ пољопривредних хемикалија, решавајући регулаторне изазове и изазове отпорности одједном.

Део ширег пакета алата за вештачку интелигенцију у Евогену

Иако ChemPass AI краде пажњу за дизајн малих молекула, он је део Evogene-овог трија „технолошких мотора“ покретаних AI, прилагођених различитим доменима. Компанија је MicroBoost AI фокусирајући се на микробе, ChemPass AI о хемији, и Генератор вештачке интелигенције на генетским елементима. Сваки мотор примењује аналитику великих података и машинско учење у својој области.

Овај интегрисани екосистем вештачке интелигенције наглашава стратегију компаније Evogene као компаније за науку о животу која је „прво усмерена на вештачку интелигенцију“. Циљ им је да револуционишу откривање производа на свим нивоима – било да је у питању формулисање лека, биостимуланса или усева отпорног на сушу – тако што ће… коришћење рачунарства за сналажење у биолошкој сложеностиМеханизми деле заједничку филозофију: користе најсавременије машинско учење како би повећали вероватноћу успеха истраживања и развоја и смањили време и трошкове.

Перспектива: Открића вођена вештачком интелигенцијом сазревају

Генеративна вештачка интелигенција трансформише откривање молекула, померајући улогу вештачке интелигенције од асистента до креативног сарадника. Уместо тестирања једне идеје у исто време, научници сада могу да користе вештачку интелигенцију за дизајнирање потпуно нових једињења која испуњавају више циљева – потенцију, безбедност, стабилност и још много тога – у једном кораку.

Ова будућност се већ одвија. Фармацеутски тим би могао да затражи молекул који циља одређени протеин, избегава мозак и доступан је орално – вештачка интелигенција може да испоручи кандидате по потреби. У пољопривреди, истраживачи би могли да генеришу еколошки прихватљиве контроле штеточина прилагођене регулаторним и еколошким ограничењима.

Евогенов недавно развијен основни модел, развијен помоћу Google Cloud-а, један је пример ове промене. Он омогућава дизајн са више параметара и отвара нова подручја хемијског простора. Како будуће верзије буду омогућавале још већу прилагођавање, ови модели ће постати неопходни алати у свим природним наукама.

Кључно је да утицај зависи од валидације у стварном свету. Како се молекули генерисани вештачком интелигенцијом тестирају и усавршавају, модели се побољшавају — стварајући снажну повратну спрегу између рачунања и експериментисања.

Овај генеративни приступ није ограничен само на лекове или пестициде. Ускоро би могао да доведе до продора у материјалима, храни и одрживости – нудећи бржа, паметнија открића у свим индустријама које су некада биле ограничене методом покушаја и грешака.