Evogene và Google Cloud Ra Mắt Mô Hình Cơ Bản Cho Thiết Kế Phân Tử Tạo Sinh, Khơi Dậy Một Kỷ Nguyên Mới Trong AI Khoa Học Đời Sống

Evogene Ltd. đã ra mắt một mô hình cơ bản tạo sinh AI đầu tiên cho thiết kế phân tử nhỏ, đánh dấu một bước đột phá trong cách phát hiện các hợp chất mới. Được công bố vào ngày 10 tháng 6 năm 2025, trong sự hợp tác với Google Cloud, mô hình này mở rộng nền tảng ChemPass AI của Evogene và giải quyết một thách thức lâu dài trong cả dược phẩm và nông nghiệp: tìm kiếm các phân tử mới đáp ứng nhiều tiêu chí phức tạp đồng thời. Sự phát triển này có khả năng tăng tốc R&D trong khám phá thuốc và bảo vệ cây trồng bằng cách cho phép tối ưu hóa đồng thời các thuộc tính như hiệu quả, độc tính và ổn định trong một chu kỳ thiết kế duy nhất.

Từ Kiểm Tra Sequential Đến Thiết Kế Đồng Thời

Trong nghiên cứu hóa học truyền thống về thuốc và hóa chất nông nghiệp, các nhà khoa học thường kiểm tra một yếu tố tại một thời điểm – đầu tiên kiểm tra xem một hợp chất có hoạt động hay không, sau đó kiểm tra tính an toàn và ổn định. Phương pháp bước-by-bước này là chậm, tốn kém và thường kết thúc trong thất bại, với nhiều hợp chất hứa hẹn không đạt yêu cầu trong các giai đoạn sau. Nó cũng giữ cho các nhà nghiên cứu tập trung vào các cấu trúc hóa học quen thuộc, hạn chế sự đổi mới và làm cho việc tạo ra các sản phẩm mới, có thể cấp bằng sáng chế, trở nên khó khăn hơn. Cách tiếp cận lỗi thời này góp phần vào chi phí cao, thời gian dài và tỷ lệ thành công thấp – khoảng 90% các ứng viên thuốc thất bại trước khi đến thị trường.

Trí tuệ nhân tạo tạo sinh thay đổi điều này. Thay vì lọc từng yếu tố một, các mô hình AI có thể xử lý nhiều yêu cầu cùng một lúc, thiết kế các phân tử để trở nên mạnh và an toàn và ổn định từ đầu. Mô hình cơ bản mới của Evogene được xây dựng rõ ràng để cho phép thiết kế đa tham số đồng thời này. Cách tiếp cận này nhằm giảm thiểu các giai đoạn phát triển sau bằng cách đưa các yếu tố như ADME và độc tính vào thiết kế ban đầu.

Trong thực tế, nó có thể có nghĩa là ít thất bại giai đoạn cuối hơn – ví dụ, ít ứng viên thuốc cho thấy kết quả phòng thí nghiệm tuyệt vời chỉ để thất bại trong các thử nghiệm lâm sàng do tác dụng phụ. Tóm lại, trí tuệ nhân tạo tạo sinh cho phép các nhà nghiên cứu đổi mới nhanh hơn và thông minh hơn, đồng thời tối ưu hóa cho nhiều mặt của một phân tử thành công thay vì giải quyết từng mặt một cách riêng biệt.

Bên Trong ChemPass AI: Cách Các Mô Hình Tạo Sinh Thiết Kế Phân Tử

Tại trung tâm của nền tảng ChemPass AI của Evogene là một mô hình cơ bản mới mạnh mẽ được đào tạo trên một tập dữ liệu hóa học khổng lồ. Công ty đã tập hợp một cơ sở dữ liệu được biên soạn gồm khoảng 40 tỷ cấu trúc phân tử – bao gồm các hợp chất giống thuốc đã biết và các khung hóa học đa dạng – để dạy cho AI “ngôn ngữ” của các phân tử. Sử dụng cơ sở hạ tầng Vertex AI của Google Cloud với siêu máy tính GPU, mô hình đã học các mẫu từ thư viện hóa học này, cho nó một kiến thức chưa từng có về các phân tử giống thuốc. Việc đào tạo khổng lồ này tương tự như đào tạo một mô hình ngôn ngữ lớn, nhưng thay vì ngôn ngữ con người, AI đã học các biểu diễn hóa học.

Mô hình tạo sinh của Evogene được xây dựng trên kiến trúc mạng nơ-ron chuyển đổi, tương tự như các mô hình GPT đã cách mạng hóa xử lý ngôn ngữ tự nhiên. Trên thực tế, hệ thống này được gọi là ChemPass-GPT, một mô hình AI độc quyền được đào tạo trên các chuỗi SMILES (mã hóa văn bản của các cấu trúc phân tử). Trong các thuật ngữ đơn giản, ChemPass-GPT xử lý các phân tử như các câu – mỗi chuỗi SMILES của một phân tử là một chuỗi các ký tự mô tả các nguyên tử và liên kết của nó. Mô hình chuyển đổi đã học “ngữ pháp” của ngôn ngữ hóa học này, cho phép nó “viết” các phân tử mới bằng cách dự đoán từng ký tự một, giống như GPT có thể viết các câu chữ bằng chữ. Bởi vì nó được đào tạo trên hàng tỷ ví dụ, mô hình có thể tạo ra các SMILES mới tương ứng với các cấu trúc giống thuốc, hợp lệ về mặt hóa học.

Cách tiếp cận tạo sinh dựa trên chuỗi này tận dụng sức mạnh của các mô hình chuyển đổi trong việc nắm bắt các mẫu phức tạp. Bằng cách đào tạo trên một tập dữ liệu khổng lồ và đa dạng về mặt hóa học như vậy, ChemPass AI vượt qua các vấn đề mà các mô hình AI trước đây gặp phải, như thiên vị từ các tập dữ liệu nhỏ hoặc tạo ra các phân tử trùng lặp hoặc không hợp lệ. Hiệu suất của mô hình cơ bản đã vượt xa một mô hình GPT chung được áp dụng cho hóa học: các thử nghiệm nội bộ cho thấy khoảng 90% độ chính xác trong việc tạo ra các phân tử mới đáp ứng tất cả các tiêu chí thiết kế, so với ~29% độ chính xác cho một mô hình dựa trên GPT truyền thốngevogene.com. Trong các thuật ngữ thực tế, điều này có nghĩa là gần như tất cả các phân tử ChemPass AI đề xuất đều không chỉ mới mà còn đáp ứng hồ sơ mục tiêu của chúng, một sự cải thiện đáng kể so với các kỹ thuật tạo sinh cơ bản.

Mặc dù động cơ tạo sinh chính của Evogene sử dụng một mô hình chuyển đổi trên SMILES tuyến tính, nhưng đáng chú ý rằng bộ công cụ AI rộng lớn hơn bao gồm các kiến trúc khác như graph neural networks (GNNs). Các phân tử tự nhiên là các đồ thị – với các nguyên tử là các nút và các liên kết là các cạnh – và GNNs có thể suy luận trực tiếp trên các cấu trúc này. Trong thiết kế thuốc hiện đại, GNNs thường được sử dụng để dự đoán các thuộc tính hoặc thậm chí tạo ra các phân tử bằng cách xây dựng chúng nguyên tử bằng nguyên tử. Cách tiếp cận dựa trên đồ thị này bổ sung cho các mô hình chuỗi; ví dụ, nền tảng của Evogene cũng bao gồm các công cụ như DeepDock cho sàng lọc ảo 3D, có thể sử dụng học sâu để đánh giá liên kết phân tử trong một ngữ cảnh dựa trên cấu trúc. Bằng cách kết hợp các mô hình chuỗi (tuyệt vời cho sự sáng tạo và tính mới) với các mô hình dựa trên đồ thị (tuyệt vời cho độ chính xác cấu trúc và dự đoán thuộc tính), ChemPass AI đảm bảo rằng các hợp chất tạo ra của nó không chỉ mới trên giấy mà còn hợp lệ về mặt hóa học và hiệu quả trong thực tế. Vòng thiết kế AI có thể tạo ra các cấu trúc ứng viên và sau đó đánh giá chúng thông qua các mô hình dự đoán – một số có thể dựa trên GNN – cho các tiêu chí như độc tính hoặc khả năng tổng hợp, tạo ra một vòng phản hồi tinh chỉnh từng gợi ý.

Tối Ưu Hóa Đa Mục Tiêu: Hiệu Lực, Độc Tính, Ổn Định Tất Cả Đồng Thời

Một tính năng nổi bật của ChemPass AI là khả năng tối ưu hóa đa mục tiêu tích hợp sẵn. Khám phá thuốc cổ điển thường tối ưu hóa một thuộc tính tại một thời điểm, nhưng ChemPass được thiết kế để xử lý nhiều mục tiêu đồng thời. Điều này được thực hiện thông qua các kỹ thuật học máy tiên tiến hướng dẫn mô hình tạo sinh đến việc thỏa mãn nhiều ràng buộc. Trong quá trình đào tạo, Evogene có thể áp đặt các yêu cầu thuộc tính – chẳng hạn như một phân tử phải kích hoạt một mục tiêu nhất định mạnh mẽ, tránh các mô típ độc tính nhất định và có khả năng sinh học tốt – và mô hình học cách điều hướng không gian hóa học theo các quy tắc đó. Hệ thống ChemPass-GPT thậm chí cho phép “tạo sinh dựa trên ràng buộc”, có nghĩa là nó có thể được hướng dẫn để chỉ đề xuất các phân tử đáp ứng các thuộc tính mong muốn cụ thể từ đầu.

Làm thế nào AI thực hiện việc cân bằng đa tham số này? Một cách tiếp cận là học đa nhiệm, nơi mô hình không chỉ tạo ra các phân tử mà còn dự đoán các thuộc tính của chúng bằng cách sử dụng các bộ dự đoán đã học, điều chỉnh việc tạo ra cho phù hợp. Một cách tiếp cận mạnh mẽ khác là học tăng cường (RL). Trong một quy trình RL được tăng cường, mô hình tạo sinh hoạt động như một “trợ lý” thiết kế phân tử: nó đề xuất một phân tử và sau đó nhận được một điểm thưởng dựa trên mức độ phân tử đó đáp ứng các mục tiêu (hiệu lực, không độc tính, v.v.). Sau nhiều lần lặp lại, mô hình điều chỉnh chiến lược tạo ra của mình để tối đa hóa điểm thưởng này. Phương pháp này đã được sử dụng thành công trong các hệ thống thiết kế thuốc AI khác – các nhà nghiên cứu đã chỉ ra rằng các thuật toán học tăng cường có thể hướng dẫn các mô hình tạo sinh để tạo ra các phân tử có thuộc tính mong muốn. Về bản chất, AI có thể được đào tạo với một hàm thưởng mà bao gồm nhiều mục tiêu, chẳng hạn như trao điểm cho hiệu lực dự đoán và trừ điểm cho độc tính dự đoán. Mô hình sau đó tối ưu hóa “động tác” của nó (thêm hoặc loại bỏ nguyên tử, thay đổi nhóm chức) để đạt được điểm cao nhất, hiệu quả học hỏi các thỏa hiệp cần thiết để đáp ứng tất cả các tiêu chí.

Evogene chưa tiết lộ chính xác “nước sốt” độc quyền đằng sau động cơ đa mục tiêu của ChemPass AI, nhưng rõ ràng từ kết quả của họ rằng các chiến lược như vậy đang hoạt động. Việc mỗi hợp chất tạo ra “đồng thời đáp ứng các tham số thiết yếu” như hiệu lực, khả năng tổng hợp và an toàn. Phiên bản ChemPass AI 2.0 sắp tới sẽ đẩy điều này进一步 – nó đang được phát triển để cho phép điều chỉnh đa tham số linh hoạt hơn, bao gồm cả các tiêu chí do người dùng xác định được điều chỉnh cho các lĩnh vực trị liệu hoặc yêu cầu cây trồng cụ thể. Điều này gợi ý rằng mô hình thế hệ tiếp theo có thể cho phép các nhà nghiên cứu tăng hoặc giảm mức độ quan trọng của các yếu tố nhất định (ví dụ: ưu tiên thấm qua não cho một loại thuốc thần kinh hoặc khả năng phân hủy sinh học môi trường cho một loại thuốc trừ sâu) và AI sẽ điều chỉnh chiến lược thiết kế của nó cho phù hợp. Bằng cách tích hợp các khả năng đa mục tiêu như vậy, ChemPass AI có thể thiết kế các phân tử đáp ứng điểm ngọt ngào trên nhiều metric hiệu suất cùng một lúc, một kỳ công gần như không thể với các phương pháp truyền thống.

Một Bước Nhảy Vượt Qua Các Phương Pháp R&D Truyền Thống

Sự ra đời của mô hình tạo sinh ChemPass AI của Evogene nhấn mạnh một sự thay đổi lớn trong R&D khoa học đời sống: sự chuyển đổi từ các quy trình thử nghiệm và sai sót tốn thời gian sang sáng tạo và chính xác được tăng cường bởi AI. Không giống như các nhà hóa học con người, những người có xu hướng gắn bó với các chuỗi hóa học đã biết và lặp lại chậm, một AI có thể tưởng tượng ra hàng tỷ khả năng và đi vào 99,9% không gian hóa học chưa được khám phá. Điều này mở ra cánh cửa để tìm ra các hợp chất hiệu quả không giống bất cứ thứ gì chúng ta đã từng thấy trước đây – điều cần thiết để điều trị các bệnh bằng hóa học mới hoặc đối phó với các loại sâu bệnh và mầm bệnh đã phát triển khả năng kháng với các phân tử hiện có. Hơn nữa, bằng cách xem xét khả năng cấp bằng sáng chế ngay từ đầu, trí tuệ nhân tạo tạo sinh giúp tránh các khu vực sở hữu trí tuệ đông đúc. Evogene rõ ràng nhằm mục đích tạo ra các phân tử tạo ra không gian IP mới, một lợi thế cạnh tranh quan trọng.

Các lợi ích so với các phương pháp truyền thống có thể được tóm tắt như sau:

• Tối Ưu Hóa Đồng Thời Đa Thuộc Tính: AI đánh giá nhiều tham số đồng thời, thiết kế các phân tử đáp ứng hiệu lực, an toàn và các tiêu chí khác. Các đường ống truyền thống, ngược lại, thường chỉ phát hiện ra vấn đề độc tính sau nhiều năm làm việc trên một loại thuốc hứa hẹn. Bằng cách lọc trước các vấn đề như vậy, các ứng viên thiết kế AI có cơ hội thành công tốt hơn trong các thử nghiệm tốn kém sau này.

• Mở Rộng Sự Đa Dạng Hóa Học: Các mô hình tạo sinh không bị giới hạn ở các thư viện hợp chất hiện có. ChemPass AI có thể tạo ra các cấu trúc chưa từng được tạo ra trước đây, nhưng được dự đoán là hiệu quả. Sự tạo sinh dựa trên tính mới này tránh việc tái tạo lại bánh xe (hoặc phân tử) và giúp tạo ra các sản phẩm khác biệt với các cơ chế hoạt động mới. Các phương pháp truyền thống thường dẫn đến các hợp chất “me-too” không mang lại sự mới mẻ.

• Tốc Độ và Quy Mô: Điều mà một nhóm các nhà hóa học có thể đạt được thông qua tổng hợp và thử nghiệm trong một năm, một AI có thể mô phỏng trong vài ngày. Nền tảng học sâu của ChemPass AI có thể sàng lọc ảo hàng chục tỷ hợp chất nhanh chóng và tạo ra hàng trăm ý tưởng mới trong một lần chạy. Điều này nén đáng kể thời gian khám phá, tập trung các thí nghiệm trong phòng thí nghiệm chỉ vào các ứng viên hứa hẹn nhất được xác định trong silico.

• Kiến Thức Tích Hợp: Các mô hình AI như ChemPass tích hợp một lượng lớn kiến thức hóa học và sinh học (ví dụ: các mối quan hệ cấu trúc-hoạt tính đã biết, cảnh báo độc tính, quy tắc thuộc tính giống thuốc) trong quá trình đào tạo. Điều này có nghĩa là mỗi thiết kế phân tử đều được hưởng lợi từ một phạm vi kiến thức trước đó mà không một chuyên gia con người nào có thể nắm giữ. Thiết kế truyền thống dựa trên kinh nghiệm của các nhà hóa học dược phẩm – có giá trị nhưng bị giới hạn bởi trí nhớ và thiên vị của con người – trong khi AI có thể nắm bắt các mẫu trên hàng triệu thí nghiệm và các họ hóa học đa dạng.

Trong các thuật ngữ thực tế, đối với dược phẩm, điều này có thể dẫn đến tỷ lệ thành công cao hơn trong các thử nghiệm lâm sàng và giảm chi phí phát triển, vì ít tài nguyên hơn bị浪 phí vào các hợp chất bị nguyền rủa. Trong nông nghiệp, nó có nghĩa là tạo ra nhanh chóng các giải pháp bảo vệ cây trồng an toàn và bền vững hơn – ví dụ, một loại thuốc trừ sâu có thể gây tử vong cho cỏ dại nhưng vô hại đối với các sinh vật không phải mục tiêu và phân hủy vô hại trong môi trường. Bằng cách tối ưu hóa cả hiệu quả và an toàn môi trường cùng nhau, AI có thể giúp cung cấp “hiệu quả, bền vững và độc quyền” các hóa chất nông nghiệp, giải quyết các thách thức về quy định và kháng thuốc trong một lần.

Phần Của Bộ Công Cụ AI Rộng Lớn Hơn Tại Evogene

Mặc dù ChemPass AI thu hút sự chú ý cho thiết kế phân tử nhỏ, nhưng nó là một phần của ba “động cơ công nghệ” AI được Evogene điều chỉnh cho các lĩnh vực khác nhau. Công ty có MicroBoost AI tập trung vào vi sinh vật, ChemPass AI về hóa học và GeneRator AI về các yếu tố di truyền. Mỗi động cơ áp dụng phân tích dữ liệu lớn và học máy cho lĩnh vực của nó.

Nền tảng AI tích hợp này nhấn mạnh chiến lược của Evogene như một công ty “AI đầu tiên” về khoa học đời sống. Họ nhằm mục đích cách mạng hóa việc khám phá sản phẩm trên toàn bộ – cho dù đó là tạo ra một loại thuốc, một chất kích thích sinh học hay một loại cây trồng chịu hạn – bằng cách sử dụng tính toán để điều hướng sự phức tạp sinh học. Các động cơ chia sẻ một triết lý chung: sử dụng học máy tiên tiến để tăng khả năng thành công của R&D và giảm thời gian và chi phí.

Tầm Nhìn: Khám Phá Được Đẩy Đến Bởi AI Đến Tuổi Trưởng

Trí tuệ nhân tạo tạo sinh đang biến đổi việc khám phá phân tử, thay đổi vai trò của AI từ trợ lý sang cộng tác viên sáng tạo. Thay vì kiểm tra một ý tưởng tại một thời điểm, các nhà khoa học có thể sử dụng AI để thiết kế hoàn toàn các hợp chất mới đáp ứng nhiều mục tiêu – hiệu lực, an toàn, ổn định và hơn thế nữa – trong một bước.

Tương lai này đã đang diễn ra. Một nhóm dược phẩm có thể yêu cầu một phân tử nhắm vào một protein cụ thể, tránh não và có sẵn đường uống – AI có thể cung cấp các ứng viên theo yêu cầu. Trong nông nghiệp, các nhà nghiên cứu có thể tạo ra các biện pháp kiểm soát sinh vật gây hại thân thiện với môi trường được điều chỉnh cho các hạn chế và ràng buộc môi trường.

Mô hình cơ bản gần đây của Evogene, được phát triển với Google Cloud, là một ví dụ về sự thay đổi này. Nó cho phép thiết kế đa tham số và mở ra các khu vực mới của không gian hóa học. Khi các phiên bản trong tương lai cho phép tùy chỉnh nhiều hơn, những mô hình này sẽ trở thành các công cụ thiết yếu trên toàn bộ lĩnh vực khoa học đời sống.

Điều quan trọng là tác động phụ thuộc vào việc xác nhận trong thế giới thực. Khi các phân tử được tạo ra bởi AI được thử nghiệm và tinh chỉnh, các mô hình được cải thiện – tạo ra một vòng phản hồi mạnh mẽ giữa tính toán và thí nghiệm.

Cách tiếp cận tạo sinh này không chỉ giới hạn ở thuốc hoặc thuốc trừ sâu. Nó có thể sớm thúc đẩy các đột phá trong vật liệu, thực phẩm và tính bền vững – cung cấp khám phá nhanh hơn, thông minh hơn trên các ngành công nghiệp từng bị hạn chế bởi thử nghiệm và sai sót.