Evogene ve Google Cloud, Generatif Molekül Tasarımı için Temel Modeli Açıkladı, Yaşam Bilimi AI’sinde Yeni Bir Çağın Başlangıcını Müjdeledi

Evogene Ltd. ilk sınıf bir generatif AI temel modelini küçük molekül tasarımı için açıkladı, yeni bileşiklerin keşfedilmesinde bir atılım gerçekleştirdi. Açıklanan 10 Haziran 2025’te Google Cloud ile işbirliği içinde, model Evogene’nin ChemPass AI platformunu genişletir ve hem ilaç hem de tarım kimyasında uzun süredir devam eden bir sorunu çözer: birden fazla karmaşık kriteri aynı anda karşılayan yeni moleküller bulma. Bu gelişme, ilaç keşfi ve bitki koruma alanında Ar-Ge’yi hızlandırarak, tek bir tasarım döngüsünde etkinlik, toksisite ve stabilite gibi özelliklerin aynı anda optimize edilmesini sağlayarak ivme kazandırma potansiyeline sahiptir.

Sekansiyel Ekranlamadan Eş Zamanlı Tasarıma

Geleneksel ilaç ve tarım kimyasında bilim adamları genellikle bir faktörü bir seferde test ederler – önce bir bileşiğin çalışıp çalışmadığını kontrol ederler, daha sonra güvenlik ve stabilite için test ederler. Bu adım adım yöntem yavaş, pahalı ve genellikle başarısızlıkla sonuçlanır, birçok vaad edilen bileşiğin daha sonraki aşamalarda kısa düşmesiyle. Ayrıca araştırmacıları tanıdık kimyasal yapılar üzerinde odaklanmaya zorlar, yeniliği sınırlar ve yeni, patentlenebilir ürünler yaratmayı zorlaştırır. Bu eskimiş yaklaşım yüksek maliyetlere, uzun zaman çizelgesine ve düşük bir başarı oranına – pazarın yaklaşık %90’ına ulaşan ilaç adaylarının başarısız olmasına – yol açar.

Generatif AI bu paradigmayı değiştirir. Birer birer filtreleme yerine, AI modelleri birden fazla gereksinimi aynı anda ele alabilir, molekülleri baştan potent, güvenli ve稳 olarak tasarlayabilir. Evogene’nin yeni temel modeli özellikle bu çok parametreli tasarımı mümkün kılmak için oluşturuldu. Bu yaklaşım, ADME ve toksisite gibi hususları ilk tasarıma yükleyerek daha sonraki geliştirme aşamalarında riskleri azaltmayı hedefler.

Pratikte bu, daha az geç aşamada başarısızlık anlamına gelebilir – örneğin, laboratuvar sonuçları harika olan ancak klinik denemelerde yan etkiler nedeniyle başarısız olan daha az ilaç adayı. Kısacası, generatif AI araştırmacılara daha hızlı ve akıllıca yenilik yapma imkanı tanır, başarılı bir molekülün birçok yönünü birbirinden ayrı olarak değil, aynı anda optimize eder.

ChemPass AI’nin İçinde: Generatif Modeller Nasıl Moleküller Tasarlar

Evogene’nin ChemPass AI platformunun kalbinde, devasa bir kimyasal veritabanına eğitilmiş güçlü bir yeni temel model bulunmaktadır. Şirket, dikkatlice hazırlanmış bir veritabanına yaklaşık 40 milyar molekül yapısını dahil etti – bilinen ilaç benzeri bileşiklerin yanı sıra çeşitli kimyasal iskeleler – AI’ye moleküllerin “dilini” öğretmek için. Google Cloud’un Vertex AI altyapısını kullanarak GPU süper bilgisayarlarla, model bu geniş kimyasal kütüphaneden desenler öğrendi, böylece ilaç benzeri moleküllerin nasıl göründüğüne dair withoutöncü bir bilgi birikimine sahip oldu. Bu büyük eğitim rejimi, büyük bir dil modelinin eğitilmesine benzer, ancak AI kimyasal temsiller öğrenir.

Evogene’nin generatif modeli, doğal dil işlemede devrim yaratan GPT modellerine benzer bir transformer nöral ağ mimarisi üzerine inşa edilmiştir. Aslında, sistem ChemPass-GPT olarak adlandırılan, SMILES dizileri (molekül yapılarının metin kodlaması) üzerinde eğitilmiş özel bir AI modelidir. Basitçe söylemek gerekirse, ChemPass-GPT molekülleri cümleler gibi ele alır – her molekülün SMILES dizisi, atomları ve bağlarını tanımlayan bir karakter dizisidir. Transformer modeli, bu kimyasal dilin gramerini öğrenmiştir, böylece yeni moleküller “yazabilir” – GPT’nin cümleler yazdığı gibi, karakter karakter öngörerek. Milyarlarca örnek üzerinde eğitildiği için, model yeni SMILES oluşturabilir, kimyasal olarak geçerli ve ilaç benzeri yapılar karşılık gelir.

Bu dizi tabanlı generatif yaklaşım, transformerlerin karmaşık desenleri yakalama gücünden yararlanmaktadır. Böyle büyük ve kimyasal olarak çeşitli bir veritabanı üzerinde eğitilerek, ChemPass AI daha önceki AI modellerinin karşılaştığı sorunları aşar – küçük veri setlerinden kaynaklanan önyargı veya geçersiz moleküllerin üretilmesi. Temel modelin performansı, kimya için uygulanan geleneksel bir GPT modelinin performansını alreadyalready aşmaktadır: iç testler, tüm tasarım kriterlerini karşılayan yeni moleküllerin üretimi için yaklaşık %90 doğruluk gösterdi, geleneksel bir GPT tabanlı model için yaklaşık %29 doğruluk vardı.

ChemPass AI’nin daha geniş AI araç setinin bir parçası olarak, diğer mimariler de bulunmaktadır, örneğin graf nöral ağları (GNN’ler). Moleküller doğal olarak grafiklerdir – atomlar düğümler olarak, bağlar kenarlar olarak – ve GNN’ler bu yapılarda doğrudan akıl yürütme yapabilir. Modern ilaç tasarımında, GNN’ler thường olarak özellikler öngörlemek veya atomları birer birer inşa ederek moleküller oluşturmak için kullanılır. Bu grafik tabanlı yaklaşım, dizin modellerini tamamlar; Örneğin, Evogene’nin platformu ayrıca 3D sanal ekranlama için DeepDock gibi araçları içerir, bunlar muhtemelen yapı tabanlı bir bağlamda molekül bağlanmasını değerlendirmek için derin öğrenmeyi kullanır. ChemPass AI, dizin modellerini (yaratıcılık ve yenilik için harika) grafik tabanlı modellerle (yapısal doğruluk ve özellik öngörüsü için harika) birleştirerek, üretilen bileşiklerin yalnızca kağıt üzerinde değil, aynı zamanda kimyasal olarak sağlam ve pratikte etkili olmasını sağlar. AI’nin tasarım döngüsü, aday yapıları oluşturabilir ve ardından kriterler gibi toksisite veya sentetik uygulanabilirlik için öngörme modelleri aracılığıyla değerlendirebilir, böylece her öneriyi iyileştirerek bir geri bildirim döngüsü oluşturur.

Çok Amaçlı Optimizasyon: Etkinlik, Toksisite, Stabilite Hepsi Bir Arada

ChemPass AI’nin öne çıkan bir özelliği, yerleşik çok amaçlı optimizasyon yeteneğidir. Klasik ilaç keşfi genellikle bir özelliğe odaklanır, ancak ChemPass birden fazla amacı aynı anda ele almayı amaçlar. Bu, generatif modeli birden fazla kısıtlamayı karşılamak üzere yönlendiren gelişmiş makine öğrenimi teknikleri aracılığıyla gerçekleştirilir. Eğitimde Evogene, bir molekülün belirli bir hedefi güçlü bir şekilde aktive etmesi, belirli toksik motiflerden kaçınması ve iyi biyoyararlanım sahibi olması gibi özellik gereksinimlerini dayatabilir ve model bu kurallar altında kimyasal alanı gezinmeyi öğrenir. ChemPass-GPT sistemi, ayrıca “kısıtlamaya dayalı üretim” ermöglicht, yani yalnızca belirli istenilen özelliklere sahip moleküller önermesini sağlayabilir.

AI bu çok parametreli dengeyi nasıl gerçekleştirir? Bir yaklaşım, modelin yalnızca moleküller üretilmesi değil, aynı zamanda özelliklerini öğrenilmiş öngörücüler kullanarak öngörerek, üretimine göre ayarlamasıdır. Bir başka güçlü yaklaşım, pekiştirme öğrenimi (RL). RL güçlendirilmiş bir iş akışında, generatif model bir “molekül tasarımı oyunu” oynar: bir molekül önerir ve sonra hedeflere (etkinlik, toksisite vb.) ne kadar iyi uyduğunu temel alan bir ödül puanı alır. Birçok yineleme sonra, model ödülü en üst düzeye çıkarmak için üretim stratejisini ayarlar. Bu yöntem, diğer AI destekli ilaç tasarım sistemlerinde başarıyla kullanılmıştır – araştırmacılar, pekiştirme öğrenimi algoritmalarının, öngörülen özelliklere sahip moleküller üretecek şekilde generatif modelleri yönlendirebileceğini göstermiştir. Aslında, AI bir ödül fonksiyonu ile eğitilebilir, bu fonksiyon birden fazla hedefi kapsar, örneğin öngörülen etkinlik için puan verir ve öngörülen toksisite için puanı düşürür. Model daha sonra “hamlelerini” (atomları eklemek veya çıkarmak, fonksiyonel grupları değiştirmek) en yüksek puanı elde etmek için optimize eder, böylece tüm kriterleri karşılamak için gereken ticaretleri öğrenir.

Evogene, ChemPass AI’nin çok amaçlı motorunun arkasındaki kesin, özel “sos”u açıklamadı, ancak sonuçlarından bu stratejilerin çalıştığı açık. Her üretilen bileşiğin “esansiyel parametreleri aynı anda karşılaması” gibi. Yaklaşan ChemPass AI sürüm 2.0 bunu daha da ileri götürecek – spesifik terapötik alanlara veya bitki gereksinimlerine uyarlanabilen, kullanıcı tarafından tanımlanan kriterleri içerecek şekilde geliştiriliyor. Bu, bir sonraki modelin, araştırmacıların belirli faktörlerin önemini artırıp azaltmasına izin vereceğini, AI’nin tasarım stratejisini buna göre ayarlayacağını ima ediyor. ChemPass AI, birden fazla performans ölçütlerini aynı anda karşılayan moleküller tasarlayabildiği için, geleneksel yöntemlerle neredeyse imkansız bir başarıya ulaşır.

Geleneksel Ar-Ge Yöntemlerinden Bir sıçrama

ChemPass AI’nin generatif modelinin ortaya çıkışı, yaşam bilimi Ar-Ge’sinde daha geniş bir değişimi vurgulamaktadır: emek yoğun deneme-yanılma iş akışlarından AI destekli yaratıcılık ve hassasiyete doğru geçiş. İnsan kimyagerlerin aksine, AI milyarlarca olasılığı kavrayabilir ve keşfedilmemiş %99.9’luk kimyasal alanı keşfedebilir. Bu, daha önce görülmemiş etkili bileşiklerin bulunmasına kapı açar – yeni kimya ile hastalıkları tedavi etmek veya pestlere ve patojenlere karşı direnci yenmek için hayati önem taşır. Ayrıca, patentlenebilirlikten baştan itibaren bahsetmek, generatif AI’nin tıkanmış fikri mülkiyet alanlarını önler, Evogene’nin taze IP oluşturmak için moleküller üretmeyi amaçlar, bu da önemli bir rekabet avantajıdır.

Geleneksel yaklaşımlar üzerindeki avantajlar şöyle özetlenebilir:

• Paralel Çoklu Özellik Optimizasyonu: AI, birçok parametreyi paralel olarak değerlendirir, etkili, güvenli ve diğer kriterleri karşılayan moleküller tasarlar. Geleneksel boru hatları, genellikle ancak yıllar süren bir ilaç çalışması sonra, bir başka şekilde vaad edilen bir ilacın bir toksisite sorunuyla karşılaştığını keşfeder. Bu sorunları önceden filtreleyerek, AI tasarımı adayları daha sonraki pahalı denemelerde daha iyi bir şansla başarısız olma riskini azaltır.

• Kimyasal Çeşitliliği Genişletme: Generatif modeller mevcut bileşik kütüphanelerine sınırlı değildir. ChemPass AI, daha önce yapılmamış ancak etkili olduğu öngörülen yapılar oluşturabilir. Bu yenilikçi üretim tekerleği yeniden icat etmemeyi ve yeni modlar oluşturmayı sağlar. Geleneksel yöntemler genellikle “me-too” bileşiklerine yol açar, bunlar yenilik getirmez.

• Hız ve Ölçek: Bir grup kimyagerin sentez ve test yoluyla bir yıl içinde başarmayı umabileceği şey, AI tarafından günlerce simüle edilebilir. ChemPass AI’nin derin öğrenme platformu, milyarlarca bileşiği hızlı bir şekilde sanal olarak ekranlayabilir ve tek bir çalışmada yüzlerce yeni fikir üretebilir. Bu, keşif zaman çizelgesini dramatik bir şekilde sıkıştırır, yalnızca AI tarafından in silico tanımlanan en umut verici adaylar üzerinde laboratuvar deneylerine odaklanmayı sağlar.

• Entegre Bilgi: AI modelleri gibi ChemPass, kimyasal ve biyolojik bilgilerini (örneğin, bilinen yapı-aktivite ilişkileri, toksisite uyarıları, ilaç benzeri özellik kuralları) eğitiminde entegre eder. Bu, her molekül tasarımının, hiçbir insan uzmanın başaramayacağı bir veri birikiminden faydalanması anlamına gelir. Geleneksel tasarım, değerli ancak insan hafızası ve önyargı ile sınırlı olan ilaç kimyagerlerinin deneyimine dayanır, oysa AI, milyonlarca deney ve çeşitli kimyasal aileler boyunca desenleri yakalayabilir.

Pratik olarak, bu, ilaç için klinik denemelerde daha yüksek başarı oranlarına ve azaltılmış geliştirme maliyetlerine yol açabilir, çünkü daha az kaynak, başarısızlığa mahkûm bileşiklere harcanır. Tarımda, daha hızlı, daha güvenli ve daha sürdürülebilir bitki koruma çözümlerinin yaratılması anlamına gelir – örneğin, yalnızca yabani otları öldüren, hedef dışı organizmalara zararsız olan ve çevreye zararsız bir şekilde parçalanan bir herbisit. AI, birlikte etkinliği ve çevresel güvenliği optimize ederek, düzenleyici ve direnç sorunlarını aynı anda ele alarak “etkili, sürdürülebilir ve özgün” tarım kimyasalları sunabilir.

Evogene’deki Daha Geniş AI Araç Setinin Bir Parçası

ChemPass AI küçük molekül tasarımı için ön plana çıkarken, Evogene’nin üç AI güçlü “teknoloji motorundan” biridir, her biri farklı alanlara uyarlanmıştır. Şirket, MicroBoost AI ile mikroplara, ChemPass AI ile kimyasallara ve GeneRator AI ile genetik öğelere odaklanmaktadır. Her motor, ilgili alanına büyük veri analitiği ve makine öğrenimi uygular.

Bu entegre AI motorları ekosistemi, Evogene’nin “AI-öncelikli” bir yaşam bilimi şirketi olarak stratejisinin altını çizer. Ürün keşfini – bir ilacı, biyo-stimülanı veya kuraklığa dayanıklı bir mahsulü formüle etmeyi – biyolojik karmaşıklığı gezinmek için hesaplama kullanarak devrimleştirme hedeflemektedir. Motorlar, ortak bir felsefeyi paylaşırlar: Ar-Ge başarısı olasılığını artırmak ve zamanı ve maliyeti azaltmak için en son makine öğrenimi teknolojisini kullanmak.

Çıkış: AI Sürüklenen Keşif Yetişkinlik Çağında

Generatif AI, molekül keşfini dönüştürüyor, AI’nin rolünü asistanlıktan yaratıcı ortaklığa dönüştürüyor. Artık bilim adamları, AI’yi kullanarak, birden fazla hedefi – etkinlik, güvenlik, stabilite ve daha fazlası – aynı anda karşılayan tamamen yeni bileşikler tasarlayabilir.

Bu gelecek zaten gerçekleşiyor. Bir ilaç ekibi, belirli bir proteini hedef alan, beyine ulaşmayan ve oral olarak uygulanabilen bir molekül isteyebilir – AI, talebe uygun adaylar sunabilir. Tarımda, araştırmacılar, düzenleyici ve çevresel kısıtlamalara uyumlu, çevre dostu haşere kontrolü oluşturabilir.

Evogene’nin yakın zamanda geliştirilen temel modeli, Google Cloud ile işbirliği içinde, bu değişimin bir örneğidir. Çok parametreli tasarımı sağlar ve yeni kimyasal alanlar açar. Gelecek sürümler, daha fazla özelleştirmeye izin verdiği medida, yaşam bilimi boyunca temel araçlar haline gelecektir.

Kritik olarak, etki, gerçek dünya doğrulamasına bağlıdır. AI tarafından üretilen moleküller test edilip rafine edildiğinde, modeller gelişir – hesaplamayla deneysel bir geri bildirim döngüsü oluşturur.

Bu generatif yaklaşım, ilaçlar veya pestisitlerle sınırlı değildir. Yakında malzemeler, gıda ve sürdürülebilirlik alanlarında atılımlara yol açabilir – daha hızlı, daha akıllı keşif sunarak, bir zamanlar deneme-yanılma ile sınırlı endüstrileri dönüştürebilir.