Evogene Ltd. ha presentado una primera de clase maniquí de almohadilla de IA generativa Para el diseño de moléculas pequeñas, marcando un avance en cómo se descubren nuevos compuestos. Anunciado el 10 de junio de 2025, en colaboración con Google Cloud, el maniquí expande la plataforma ChemPass AI de Evogene y aborda un desafío de larga data tanto en productos farmacéuticos como en la agricultura: encontrar nuevas moléculas que cumplan con múltiples criterios complejos simultáneamente. Este expansión está agudo para acelerar la I + D en el descubrimiento de fármacos y la protección de los cultivos al permitir la optimización simultánea de propiedades como la operatividad, la toxicidad y la estabilidad en un solo ciclo de diseño.
Desde la detección secuencial hasta el diseño simultáneo
En la investigación química tradicional de drogas y agricultura, los científicos generalmente prueban un multiplicador a la vez: la primera demostración si un compuesto funciona, luego luego de prueba para la seguridad y la estabilidad. Este método paso a paso es calmoso, costoso y a menudo termina en la equivocación, con muchos compuestos prometedores que se quedan cortos en etapas posteriores. Incluso mantiene a los investigadores enfocados en estructuras químicas familiares, limitando la innovación y dificultan crear nuevos productos patentables. Este enfoque obsoleto contribuye a altos costos, largos plazos y una desaparecido tasa de éxito, una tasa de éxito, el 90% de los candidatos a los medicamentos fallan antaño de aparecer al mercado.
La IA generativa cambia este modelo. En puesto de un filtrado uno por uno, los modelos de IA pueden hacer malabarismos con múltiples requisitos a la vez, diseñando moléculas para ser potentes, seguras y estables desde el principio. El nuevo maniquí de almohadilla de Evogene se construyó explícitamente para habilitar este diseño simultáneo de varios parámetros. Este enfoque tiene como objetivo eliminar las fases de expansión posteriores mediante consideraciones de carga primero como ADME y toxicidad en el diseño original.
En la experiencia, podría significar menos fallas en la etapa tardía, por ejemplo, menos candidatos a medicamentos que muestran excelentes resultados de laboratorio solo para errar en los ensayos clínicos correcto a los género secundarios. En sumario, la IA generativa permite a los investigadores innovar de forma más rápida e inteligente, optimizando simultáneamente para las muchas facetas de una molécula exitosa en puesto de afrontar cada una aislada.
Inside ChemPass AI: cómo los modelos generativos diseñan moléculas
En el corazón de la plataforma ChemPass AI de Evogene hay un nuevo y poderoso maniquí de almohadilla entrenado en un enorme conjunto de datos químicos. La compañía reunió una almohadilla de datos curada de aproximadamente 40 mil millones de estructuras moleculares, que albarca compuestos conocidos de fármaco y diversos andamios químicos, para enseñar a la IA el «idioma» de las moléculas. Utilizando la infraestructura de IA de vértices de Google Cloud con la supercomputación de GPU, el maniquí aprendió patrones de esta vasta biblioteca de productos químicos, dándole una amplitud de conocimiento sin precedentes sobre cómo se ven las moléculas de drogas. Este régimen de capacitación masivo es similar a capacitar a un maniquí de idioma magnate, pero en puesto del idioma humano, la IA aprendió representaciones químicas.
El maniquí generativo de Evogene se sostén en la construcción de la red neuronal del transformador, similar a los modelos GPT que revolucionaron el procesamiento del idioma natural. De hecho, el sistema se conoce como ChemPass-GPT, un maniquí de IA patentado entrenado en cadenas de sonrisas (una codificación de texto de estructuras moleculares). En términos simples, ChemPass-GPT manejo moléculas como oraciones: la cautiverio de sonrisas de cada molécula es una secuencia de caracteres que describen sus átomos y enlaces. El maniquí Transformer ha aprendido la gramática de este idioma químico, lo que le permite «escribir» nuevas moléculas prediciendo un personaje a la vez, de la misma forma que GPT puede escribir oraciones Carta por carta. Correcto a que fue entrenado en miles de millones de ejemplos, el maniquí puede difundir sonrisas novedosas que corresponden a estructuras químicamente válidas de drogas.
Este Enfoque generativo basado en secuencias Aprovecha la fuerza de los transformadores en la captura de patrones complejos. Al entrenar en un conjunto de datos tan magnate y químicamente diverso, ChemPass AI supera los problemas que enfrentan los modelos de IA anteriores, como el sesgo de pequeños conjuntos de datos o generando moléculas redundantes o inválidas, el rendimiento del maniquí de almohadilla ya supera con creces un GPT genérico trabajador a la química: las pruebas internas mostraron sobre 90% de precisión En la producción de nuevas moléculas que cumplan con todos los criterios de diseño, contra ~ 29% de precisión para un maniquí tradicional basado en GPTEvogene.com. En términos prácticos, esto significa que casi todas las moléculas que Chempass Ai sugiere no solo son nuevas sino que igualmente alcanzan su perfil objetivo, una alivio sorprendente sobre las técnicas generativas basales.
Si proporcionadamente el principal motor generativo de Evogene usa un transformador en sonrisas lineales, vale la pena señalar que el kit de herramientas de IA más amplio incluye otras arquitecturas como las redes neuronales Graph (GNN). Las moléculas son gráficas naturales, con átomos como nodos y enlaces como bordes, y los GNN pueden razonar directamente en estas estructuras. En el diseño actual de fármacos, los GNN a menudo se usan para predecir propiedades o incluso difundir moléculas construyendo átomo por átomo. Este enfoque basado en gráficos complementa los modelos de secuencia; Por ejemplo, la plataforma de Evogene igualmente incorpora herramientas como Deepdock para la detección potencial 3D, que probablemente use el estudios profundo para evaluar la unión de la molécula en un contexto basado en estructuras mediante la combinación de modelos de secuencia (excelentes para la creatividad y la novedad) con modelos gráficos (excelentes para la precisión estructural y predicción de propiedades), ChemPass AI asegura que sus generados sean los complementos no solo son novedosos en el papel, sino que igualmente son efectivos y efectivos en la experiencia en la experiencia. El caracolillo de diseño de la IA podría difundir estructuras candidatas y luego evaluarlas a través de modelos predictivos, algunos posiblemente basados en GNN, para criterios como la toxicidad o la viabilidad sintética, creando un ciclo de feedback que refina cada sugerencia.
Optimización de objetivos múltiples: potencia, toxicidad, estabilidad De repente
Una característica destacada de ChemPass AI es su capacidad incorporada para la optimización de objetivos múltiples. El descubrimiento clásico de fármacos a menudo optimiza una propiedad a la vez, pero ChemPass fue diseñado para manejar muchos objetivos simultáneamente. Esto se logra a través de técnicas avanzadas de estudios inconsciente que guían el maniquí generativo para satisfacer múltiples restricciones. En el entrenamiento, Evogene puede imponer requisitos de propiedad, como una molécula debe activar un cierto objetivo fuertemente, evitar ciertos motivos tóxicos y tener una buena biodisponibilidad, y el maniquí aprende a navegar en el espacio químico bajo esas reglas. El sistema ChemPass-GPT incluso permite «engendramiento basada en restricciones», lo que significa que se puede instruir solo para proponer moléculas que cumplan con las propiedades específicas deseadas desde el principio.
¿Cómo logra la IA esta Ley de Fluctuación de Multi-Parameter? Un enfoque es el estudios de tareas múltiples, donde el maniquí no solo genera moléculas, sino que igualmente predice sus propiedades utilizando predictores aprendidos, ajustando la engendramiento en consecuencia. Otro enfoque poderoso es el estudios de refuerzo (RL). En un flujo de trabajo mejorado por RL, el maniquí generativo actúa como un agente «brincar un equipo» de diseño de moléculas: propone una molécula y luego obtiene un puntaje de retribución basado en qué tan proporcionadamente esa molécula cumple con los objetivos (potencia, desatiendo de toxicidad, etc.). En muchas iteraciones, el maniquí ajusta su organización de engendramiento para maximizar esta retribución. Este método se ha utilizado con éxito en otros sistemas de diseño de fármacos impulsados por la IA: los investigadores han demostrado que los algoritmos de estudios de refuerzo pueden llevar modelos generativos para producir moléculas con propiedades deseables. En esencia, la IA puede ser entrenada con una función de retribución que encapsula múltiples objetivos, por ejemplo, dar puntos para la operatividad predicha y los puntos de resta para la toxicidad predicha. Luego, el maniquí optimiza sus «movimientos» (agregando o eliminando átomos, alterando los grupos funcionales) para obtener la puntuación más reincorporación, aprendiendo efectivamente las compensaciones necesarias para satisfacer todos los criterios.
Evogene no ha revelado la salsa patentada exacta detrás del motor múltiple de objetivos de ChemPass AI, pero de sus resultados está claro que tales estrategias están en funcionamiento. El hecho de que cada compuesto generado «cumpla simultáneamente los parámetros esenciales» como la operatividad, la sintetización y la seguridad. El próximo ChemPass AI Interpretación 2.0 lo impulsará aún más: se está desarrollando para permitir un ajuste multiparamétrico aún más flexible, incluidos los criterios definidos por el agraciado adaptados a áreas terapéuticas específicas o requisitos de cultivos. Esto sugiere que el maniquí de próxima engendramiento podría permitir que los investigadores suban o bajan la importancia de ciertos factores (por ejemplo, priorizando la penetración cerebral para un fármaco neurológico o la biodegradabilidad ambiental para un pesticida) y la IA ajustará su organización de diseño en consecuencia. Al integrar tales capacidades múltiples de objetivos, ChemPass AI puede diseñar moléculas que alcancen el punto perfecto en numerosas métricas de rendimiento a la vez, una correr prácticamente ficticio con los métodos tradicionales.
Un brinco más allá de los métodos tradicionales de I + D
El inicio del maniquí generativo de ChemPass AI destaca un cambio más amplio en la I + D de ciencia de la vida: el movimiento de los laboriosos flujos de trabajo de prueba y error a Creatividad y precisión de AI-AI. A diferencia de los químicos humanos, que tienden a atenerse a series químicas conocidas e iterar lentamente, una IA puede comprender miles de millones de posibilidades y aventurarse en el 99.9% del espacio químico inexplorado. Esto abre la puerta a encontrar compuestos eficaces que no se parezcan a ausencia que hemos gastado antaño, crucial para tratar enfermedades con una química novedosa o afrontar plagas y patógenos que han evolucionado la resistor a las moléculas existentes. Por otra parte, considerando patentabilidad Desde el primer momento, la IA generativa ayuda a evitar áreas de propiedad intelectual abarrotada. Evogene apunta explícitamente a producir moléculas que forjan una IP fresca, una delantera competitiva importante.
Los beneficios sobre los enfoques tradicionales se pueden resumir de la ulterior forma:
Optimización de múltiples rasgos paralelos: La IA evalúa muchos parámetros en paralelo, diseñando moléculas que satisfacen la potencia, la seguridad y otros criterios. Las tuberías tradicionales, en contraste, a menudo solo descubren un problema de toxicidad luego de abriles de trabajo en un medicamento prometedor. Al filtrar preventivamente para tales problemas, los candidatos diseñados por IA tienen una mejor oportunidad de éxito en los ensayos costosos posteriores.
Expansión de la riqueza química: Los modelos generativos no se limitan a las bibliotecas compuestas existentes. ChemPass AI puede conjurar estructuras que nunca antaño se han hecho, pero se predice que sean efectivas. Este engendramiento impulsada por la novedad Evite reinventar la rueda (o la molécula) y ayuda a crear productos diferenciados con nuevos modos de actividad. Los métodos tradicionales a menudo conducen a compuestos «me-too» que ofrecen poca novedad.
Velocidad y escalera: Lo que un equipo de químicos podría conquistar mediante síntesis y pruebas en un año, una IA puede aparentar en días. La plataforma de estudios profundo de ChemPass AI puede examinar rápidamente decenas de miles de millones de compuestos y difundir cientos de ideas novedosas en una sola carrera. Esto comprime drásticamente la cadena de tiempo del descubrimiento, enfocando los experimentos de laboratorio húmedo solo en los candidatos más prometedores identificados en Silico.
Conocimiento integrado: Los modelos de IA como ChemPass incorporan grandes cantidades de conocimiento químico y biológico (p. Ej., Conocidas relaciones de estructura-actividad, alertas de toxicidad, reglas de propiedad de drogas) en su entrenamiento, esto significa que cada diseño de moléculas se beneficia de una amplitud de datos anteriores que ningún avezado humano solo podría sostenerse en su cabecera. El diseño tradicional se sostén en la experiencia de los químicos medicinales, valiosos pero limitados a la memoria y el sesgo humanos, mientras que la IA puede capturar patrones en millones de experimentos y diversas familias químicas.
En términos prácticos, para farmacéuticos, esto podría conducir a tasas de éxito más altas en ensayos clínicos y costos de expansión reducidos, ya que se desperdician menos medios en compuestos condenados. En la agricultura, significa una creación más rápida de soluciones de protección de cultivos más seguras y sostenibles, por ejemplo, un herbicida que es mortífero para las malas hierbas pero benignas para los organismos no objetivo y se descompone inofensivamente en el medio circunstancia. Al optimizar juntos la operatividad y la seguridad ambiental, la IA puede ayudar a ofrecer a los AG-químicos «efectivos, sostenibles y patentados», abordando los desafíos regulatorios y de resistor de una sola vez.
Parte de una caja de herramientas de IA más amplia en Evogene
Mientras que ChemPass AI roba el centro de atención para el diseño de moléculas pequeñas, es parte del trío de «motores tecnológicos» con víveres de Evogene adaptados a diferentes dominios. La compañía tiene Microboost AI centrada en microbios, AI ChemPass en química e IA del turbina en medios genéticos. Cada motor aplica disección de datos grandes y estudios inconsciente a su campo respectivo.
Este ecosistema integrado de motores de IA subraya la organización de Evogene como una compañía de ciencias de la vida «AI primero». Su objetivo es revolucionar el descubrimiento de productos en todos los ámbitos, ya sea formulando una droga, un bioestimulante o una cosecha tolerante a la sequía, por exprimir el cálculo para navegar por la complejidad biológica. Los motores comparten una filosofía popular: use el estudios inconsciente de vanguardia para aumentar la probabilidad de éxito de I + D y someter el tiempo y el costo.
Outlook: el descubrimiento de IA viene a la mayoría de existencia
La IA generativa está transformando el descubrimiento de moléculas, cambiando el papel de la IA de asistente a colaborador creativo. En puesto de probar una idea a la vez, los científicos ahora pueden usar AI para diseñar compuestos completamente nuevos que cumplan con múltiples objetivos (potencia, seguridad, estabilidad y más) en un solo paso.
Este futuro ya se está desarrollando. Un equipo farmacéutico puede solicitar una molécula que se dirige a una proteína específica, evite el cerebro y esté arreglado por vía vocal: AI puede entregar candidatos a pedido. En la agricultura, los investigadores podrían difundir controles de plagas ecológicos adaptados a restricciones regulatorias y ambientales.
El maniquí de almohadilla fresco de Evogene, desarrollado con Google Cloud, es un ejemplo de este cambio. Permite el diseño de varios parámetros y abre nuevas áreas de espacio químico. Como las versiones futuras permiten aún más personalización, estos modelos se convertirán en herramientas esenciales en las ciencias de la vida.
Crucialmente, el impacto depende de la moral del mundo existente. A medida que se prueban y refinan las moléculas generadas por AI, los modelos mejoran, creando un poderoso circuito de feedback entre el cálculo y la experimentación.
Este enfoque generativo no se limita a drogas o pesticidas. Pronto podría impulsar avances en materiales, alimentos y sostenibilidad, ofreciendo un descubrimiento más rápido e inteligente en todas las industrias una vez limitados por discernimiento y error.
