Evogene och Google Cloud presenterar grundmodell för generativ molekyl design, banar väg för en ny era inom life-science AI

Evogene Ltd. har presenterat en första i sitt slag generativ AI-grundmodell för design av småmolekyler, vilket markerar ett genombrott i hur nya föreningar upptäcks. Tillkännagivet den 10 juni 2025, i samarbete med Google Cloud, utvidgar modellen Evogenes ChemPass AI-plattform och tacklar en långvarig utmaning inom både läkemedel och jordbruk: att hitta nya molekyler som uppfyller flera komplexa kriterier samtidigt. Denna utveckling är redo att påskynda FoU inom läkemedelsupptäckt och växtskydd genom att möjliggöra samtidig optimering av egenskaper som effektivitet, toxicitet och stabilitet i en enda designcykel.

Från sekventiell screening till samtidig design

I traditionell läkemedels- och jordbrukskemisk forskning testar forskare vanligtvis en faktor i taget – först kontrollerar de om en förening fungerar, sedan testar de senare för säkerhet och stabilitet. Denna steg-för-steg-metod är långsam, dyr och slutar ofta i misslyckande, med många lovande föreningar som inte klarar sig i senare skeden. Det håller också forskare fokuserade på bekanta kemiska strukturer, vilket begränsar innovationen och gör det svårare att skapa nya, patenterbara produkter. Denna föråldrade metod bidrar till höga kostnader, långa tidsramar och en låg framgångsgrad – runt 90% av läkemedelskandidater misslyckas innan de når marknaden.

Generativ AI ändrar på denna paradigm. Istället för att filtrera en i taget kan AI-modeller hantera flera krav samtidigt, designa molekyler som är potenta, säkra och stabila från början. Evogenes nya grundmodell byggdes explicit för att möjliggöra denna samtidiga multi-parametriska design. Denna metod syftar till att minska risken i senare utvecklingsskeden genom att lägga till hänsyn till faktorer som ADME och toxicitet i den initiala designen.

I praktiken kan det innebära färre sena misslyckanden – till exempel färre läkemedelskandidater som visar bra laboratorieresultat men misslyckas i kliniska prövningar på grund av bieffekter. Sammanfattningsvis tillåter generativ AI forskare att innovativa snabbare och smartare, samtidigt optimera för de många aspekterna av en lyckad molekyl snarare än att tackla var och en i isolering.

Inuti ChemPass AI: Hur generativa modeller designar molekyler

I hjärtat av Evogenes ChemPass AI-plattform finns en kraftfull ny grundmodell som tränats på en enorm kemisk dataset. Företaget har samlat en kuraterad databas med cirka 40 miljarder molekylära strukturer – som omfattar kända läkemedelsliknande föreningar och diversa kemiska ramverk – för att lära AI “språket” för molekyler. Med hjälp av Google Clouds Vertex AI-infrastruktur med GPU-superdatorer lärde sig modellen mönster från denna enorma kemiska bibliotek, vilket gav den en utan motstycke bred kunskap om vad läkemedelsliknande molekyler ser ut som. Denna massiva träningsregim är liknande tränandet av ett stort språkmodell, men istället för mänskligt språk lärde sig AI kemiska representationer.

Evogenes generativa modell bygger på transformer-neuronnätverksarkitektur, liknande GPT-modellerna som revolutionerade naturlig språkbehandling. Faktum är att systemet kallas ChemPass-GPT, en proprietär AI-modell tränad på SMILES-strängar (en textkodning av molekylära strukturer). I enkla termer behandlar ChemPass-GPT molekyler som meningar – varje molekyls SMILES-sträng är en sekvens av tecken som beskriver dess atomer och bindningar. Transformer-modellen har lärt sig grammatiken i detta kemiska språk, vilket möjliggör att den kan “skriva” nya molekyler genom att förutsäga ett tecken i taget, på samma sätt som GPT kan skriva meningar bokstav för bokstav. Eftersom den tränades på miljarder exempel kan modellen generera nya SMILES som motsvarar kemiskt giltiga, läkemedelsliknande strukturer.

Denna sekvensbaserade generativa tillvägagångssätt utnyttjar styrkan hos transformer i att fånga komplexa mönster. Genom att träna på en sådan enorm och kemiskt diversifierad dataset övervinner ChemPass AI problem som tidigare AI-modeller stod inför, som bias från små dataset eller generering av redundanta eller ogiltiga molekyler. Grundmodellens prestanda överträffar redan en generisk GPT som tillämpas på kemi: interna tester visade cirka 90% precision i att producera nya molekyler som uppfyller alla designkriterier, jämfört med ~29% precision för en traditionell GPT-baserad modellevogene.com. I praktiken innebär detta att nästan alla molekyler som ChemPass AI föreslår inte bara är nya utan också träffar deras målprofil, en slående förbättring jämfört med baslinjen för generativa tekniker.

Medan Evogenes primära generativa motor använder en transformer på linjära SMILES, är det värt att notera att den bredare AI-verktygslådan innehåller andra arkitekturer som grafneuronnätverk (GNN). Molekyler är naturligt grafer – med atomer som noder och bindningar som kanter – och GNN kan direkt resonera på dessa strukturer. I modern läkemedelsdesign används GNN ofta för att förutsäga egenskaper eller till och med generera molekyler genom att bygga dem atom för atom. Denna grafbaserade tillvägagångssätt kompletterar sekvensmodeller; till exempel innehåller Evogenes plattform också verktyg som DeepDock för 3D-virtuell screening, som troligen använder djupinlärning för att bedöma molekylbindning i en strukturbaserad kontext. Genom att kombinera sekvensmodeller (bra för kreativitet och nyhet) med grafbaserade modeller (bra för strukturmässig noggrannhet och egenskapsförutsägelse) ser till att ChemPass AI genererar föreningar som inte bara är nya på papperet utan också kemiskt sunda och effektiva i praktiken. AI:s designloop kan generera kandidatstrukturer och sedan utvärdera dem via prediktionsmodeller – vissa möjligtvis GNN-baserade – för kriterier som toxicitet eller syntetisk genomförbarhet, skapar en återkopplingscykel som finslipar varje förslag.

Multi-objekt-optimisering: Effektivitet, toxicitet, stabilitet alla på en gång

En utmärkande funktion i ChemPass AI är dess inbyggda förmåga till multi-objekt-optimisering. Klassisk läkemedelsupptäckt optimerar ofta en egenskap i taget, men ChemPass konstruerades för att hantera många mål samtidigt. Detta uppnås genom avancerad maskinlärningsteknik som vägleder den generativa modellen mot att tillfredsställa flera begränsningar. Under träning kan Evogene införa egenskapskrav – som att en molekyl måste aktivera ett visst mål starkt, undvika vissa toxiska motiv och ha bra biotillgänglighet – och modellen lär sig att navigera kemiskt utrymme under dessa regler. ChemPass-GPT-systemet möjliggör till och med “begränsningsbaserad generering”, vilket innebär att det kan instrueras att endast föreslå molekyler som uppfyller specifika önskade egenskaper från början.

Hur åstadkommer AI denna multi-parametriska balansakt? En tillvägagångssätt är multi-uppgiftslärande, där modellen inte bara genererar molekyler utan också förutsäger deras egenskaper med hjälp av lärd förutsägare, justerar generationen därefter. Ett annat kraftfullt tillvägagångssätt är förstärkt lärande (RL). I en RL-förbättrad arbetsflöde fungerar den generativa modellen som en “agent” som “spelar ett spel” av molekyl design: den föreslår en molekyl och får sedan en belöningspoäng baserat på hur väl den molekylen uppfyller målen (effektivitet, brist på toxicitet etc.). Över många iterationer justerar modellen sin genereringsstrategi för att maximera denna belöning. Denna metod har använts med framgång i andra AI-drivna läkemedelsdesignsystem – forskare har visat att förstärkt lärande algoritmer kan vägleda generativa modeller att producera molekyler med önskade egenskaper. I själva verket kan AI tränas med en belöningsfunktion som omfattar flera mål, till exempel ge poäng för förutsagd effektivitet och dra av poäng för förutsagd toxicitet. Modellen optimerar sedan sina “drag” (lägga till eller ta bort atomer, ändra funktionella grupper) för att nå den högsta poängen, effektivt lärande de kompromisser som behövs för att tillfredsställa alla kriterier.

Evogene har inte avslöjat den exakta proprietära såsen bakom ChemPass AI:s multi-objekt-motor, men det är tydligt från deras resultat att sådana strategier är i bruk. Det faktum att varje genererad förening “samtidigt uppfyller väsentliga parametrar” som effektivitet, syntetiserbarhet och säkerhet. Den kommande ChemPass AI-version 2.0 kommer att driva detta längre – den utvecklas för att tillåta ännu mer flexibel multi-parametrisk justering, inklusive användardefinierade kriterier anpassade till specifika terapeutiska områden eller växtkrav. Detta antyder att nästa generationsmodell kan låta forskare justera upp eller ner viktningen av vissa faktorer (till exempel prioritera hjärnpenetrans för en neurologisk läkemedelskandidat eller miljömässig nedbrytbarhet för ett bekämpningsmedel) och AI justerar sin designstrategi därefter. Genom att integrera sådana multi-objekt-förmågor kan ChemPass AI designa molekyler som träffar den optimala punkten på flera prestandamått samtidigt, en bedrift som praktiskt taget är omöjlig med traditionella metoder.

Ett språng bortom traditionella FoU-metoder

Tillkommelsen av ChemPass AI:s generativa modell lyfter fram en bredare förändring inom life-science FoU: övergången från mödosamma trial-and-error-arbetsflöden till AI-förstärkt kreativitet och precision. Till skillnad från mänskliga kemister, som tenderar att hålla fast vid kända kemiska serier och iterera långsamt, kan en AI utforska miljarder möjligheter och gå in i det outforskade 99,9% av kemiskt utrymme. Detta öppnar dörren för att hitta effektiva föreningar som inte liknar något vi har sett tidigare – avgörande för att behandla sjukdomar med ny kemisk eller tackla skadedjur och patogener som har utvecklat resistens mot befintliga molekyler. Dessutom, genom att överväga patentabilitet från början, hjälper generativ AI till att producera molekyler som skapar ny immateriell äganderätt, en viktig konkurrensfördel.

Fördelarna med traditionella tillvägagångssätt kan sammanfattas enligt följande:

• Parallell multi-egenskaps-optimisering: AI utvärderar många parametrar parallellt, designar molekyler som uppfyller effektivitet, säkerhet och andra kriterier. Traditionella rörledningar upptäcker ofta en toxicitetsfråga först efter år av arbete på ett annars lovande läkemedel. Genom att förvänta sig sådana frågor i förväg har AI-designade kandidater en bättre chans att lyckas i dyra senare prövningar.

• Utvidgning av kemisk mångfald: Generativa modeller är inte begränsade till befintliga föreningsbibliotek. ChemPass AI kan framkalla strukturer som aldrig har tillverkats tidigare, men som förutsägs vara effektiva. Denna nyhetsdriven generering undviker att återuppfinna hjulet (eller molekylen) och hjälper till att skapa differentierade produkter med nya verkningsmekanismer. Traditionella metoder leder ofta till “me-too”-föreningar som erbjuder lite nyhet.

• Hastighet och skala: Vad ett team av kemister kan uppnå via syntes och testning under ett år kan en AI simulera på dagar. ChemPass AI:s djupinlärningsplattform kan virtuellt skanna tiotals miljarder föreningar snabbt och generera hundratals nya idéer i en enda körning. Detta komprimerar dramatiskt upptäckts-tidsramen, fokuserar våta laboratorie-experiment endast på de mest lovande kandidaterna identifierade in silico.

• Integrerad kunskap: AI-modeller som ChemPass inkorporerar stora mängder kemisk och biologisk kunskap (t.ex. kända struktur-aktivitetsförhållanden, toxicitetsvarningar, läkemedelsliknande egenskapsregler) i sin utbildning. Detta innebär att varje molekyl design får nytta av en bredd av tidigare data som ingen enskild mänsklig expert kunde ha i sitt huvud. Traditionell design förlitar sig på erfarenheten hos medicinalkemister – värdefull men begränsad till mänskligt minne och bias – medan AI kan fånga mönster över miljoner experiment och olika kemiska familjer.

I praktiken kan detta för läkemedelsindustrin leda till högre framgångsgrader i kliniska prövningar och minskade utvecklingskostnader, eftersom färre resurser slösas bort på dömda föreningar. Inom jordbruk innebär det snabbare skapande av säkrare, mer hållbara växtskyddslösningar – till exempel ett herbicid som är dödligt för ogräs men ofarligt för icke-målorganismer och bryts ner ofarligt i miljön. Genom att optimera effektivitet och miljösäkerhet samtidigt kan AI hjälpa till att leverera “effektiva, hållbara och patenterbara” agrokemikalier, som hanterar regulatoriska och resistensutmaningar på en gång.

Del av en bredare AI-verktygslåda på Evogene

Medan ChemPass AI stjäl strålkastarljuset för design av småmolekyler är det en del av Evogenes trio av AI-drivna “teknikmotorer” anpassade till olika domäner. Företaget har MicroBoost AI som fokuserar på mikrober, ChemPass AI på kemi och GeneRator AI på genetiska element. Varje motor använder big data-analytik och maskinlärning till sitt respektive område.

Denna integrerade ekosystem av AI-motorer understryker Evogenes strategi som ett “AI-först” life science-företag. De syftar till att revolutionera produktupptäckt över hela linjen – vare sig det är att formulera ett läkemedel, en bio-stimulant eller en torktålig gröda – genom att använda beräkning för att navigera biologisk komplexitet. Motorerna delar en gemensam filosofi: använda avancerad maskinlärning för att öka sannolikheten för FoU-succes och minska tid och kostnad.

Utsikt: AI-driven upptäckt kommer av åldern

Generativ AI förändrar molekylupptäckt, skiftar AI:s roll från assistent till kreativ samarbetspartner. Istället för att testa en idé i taget kan forskare nu använda AI för att designa helt nya föreningar som uppfyller flera mål – effektivitet, säkerhet, stabilitet och mer – i ett enda steg.

Denna framtid utvecklas redan. Ett läkemedelsteam kan begära en molekyl som riktar sig till ett specifikt protein, undviker hjärnan och är muntligt tillgängligt – AI kan leverera kandidater på begäran. Inom jordbruk kan forskare generera miljövänliga skadedjursbekämpningsmedel anpassade till regulatoriska och miljömässiga begränsningar.

Evogenes nyligen utvecklade grundmodell, utvecklad med Google Cloud, är ett exempel på denna förändring. Den möjliggör multi-parametrisk design och öppnar nya områden av kemiskt utrymme. När framtida versioner tillåter ännu mer anpassning kommer dessa modeller att bli essentiella verktyg inom life science.

Avgörande är att påverkan beror på verkliga valideringar. När AI-genererade molekyler testas och finslipas, förbättras modellerna – skapar en kraftfull återkopplingscykel mellan beräkning och experiment.

Denna generativa tillvägagångssätt är inte begränsad till läkemedel eller bekämpningsmedel. Det kan snart driva genombrott inom material, livsmedel och hållbarhet – erbjuda snabbare, smartare upptäckt över hela industrin som tidigare var begränsad av trial and error.