Как ИИ Помага при Търсенето на Лекарства за Рак: Вътре в Молекулярния Откритий Механизъм на BIOPTIC

Намирането на ново лекарство често се описва като търсене на игла в купа сено. В действителност, проблемът е много по-голям: "купата" може да съдържа милиарди, или дори трилиони, възможни молекули.

Тук влиза изкуственият интелект.

BIOPTIC, компания за биотехнологии с фокус върху изкуствения интелект, свързана с предприемача и бивш служител на Google, Андрей Дороничев, разработва технологии, които използват машинно обучение, за да търсят огромни химически библиотеки за молекули, които впоследствие могат да станат нови лекарства. Една от най-интересните програми на компанията е насочена към рака, където системата на ИИ е била използвана за идентифициране на селективни инхибитори на VEGFR-3, биологична цел, свързана с ангиогенезата на туморите.

Важната дума тук е в крайна сметка. ИИ не натиска бутон и не произвежда завършено лекарство за рак. Вместо това, той помага на учените да решат кои молекули си струва да бъдат синтезирани и тествани в реалния свят.

Какво е BIOPTIC и какво точно прави неговият ИИ?

BIOPTIC оперира на пресечната точка на изкуствения интелект, компютърната химия и откритията на лекарства. Основната идея е да се третира химичното откритие частично като проблем за търсене.

Конвенционалната програма за откритие на лекарства може да започне с биологична цел, протеин, свързан с болест, и след това да търси молекула, способна да взаимодейства с тази цел по желания начин. Предизвикателството е, че количеството теоретично възможни молекули, приличащи на лекарства, е астрономическо.

Системата B1 на BIOPTIC се опитва да направи това търсене управляемо.

Системата представя молекулите математически, създавайки компактни числови вграждания, които позволяват химическите структури да се сравняват с висока скорост. Според публикуваните от компанията рецензирани изследвания, B1 може да търси библиотеки, съдържащи десетки милиарди съединения и да извлича молекули, които може да имат подобни биологични свойства, дори когато химическите им структури се различават значително.

И така, ИИ не заменя лабораторията. Той действа като изключително бърз филтър преди да започне лабораторната работа.

Как B1 на BIOPTIC търси милиарди молекули?

Техническата основа на B1 е система за виртуален скрининг, основана на лиганди.

Лиганд е молекула, която може да се свърже с биологична цел, като протеин. Ако учените вече знаят няколко молекули с полезна активност, тези молекули могат да послужат като начални точки за ново търсене.

B1 преобразува молекулярна информация в компактно векторно представяне. В публикуваната система всяка молекула е представена като 60-измерно вграждане, съхранявано с плаваща точка с 16 бита прецизност. Моделът може след това да сравни молекула запитване с предварително индексирани молекулни представяния и да изчисли сходство в огромен мащаб.

Системата бе тествана на Enamine REAL Space, виртуална химическа библиотека, съдържаща около 40 милиарда номерирани молекули.

Този мащаб създава инженерна проблема, толкова колкото и научна. Изследователите на BIOPTIC разделиха процеса на два етапа:

• Сканиране: невронни мрежи обработват молекулите и генерират вграждания.
• Търсене: предварително изчислените вграждания се сравняват, за да се извлекат най-релевантните кандидати.

В публикуваните бенчмаркове, търсене из библиотеката от 40 милиарда съединения може да бъде извършено за около две минути и петнадесет секунди, използвайки описаната в статията конфигурация с базирано на SSD търсене. RAM-базираната конфигурация е била значително по-бърза.

Това не означава, че ИИ разбира биологията по същия начин, по който го прави учен. Това означава, че системата може бързо да навигира из математическата карта на химическото пространство и да идентифицира кандидати, които заслужават по-близко внимание.

Проектът Рак: Търсене на селективни инхибитори на VEGFR-3

Проектът за рак на BIOPTIC предоставя конкретен пример за това как може да работи този подход.

Целта е VEGFR-3, известен също като FLT4, рецептор, участващ в сигналните пътища, свързани с ангиогенезата, образуването на нови кръвоносни съдове. Туморите могат да се възползват от ангиогенезата, за да укрепят растежа си, което прави този път важна област за изследване на рака.

Предизвикателството е селективността.

Лекарствата, които широко засягат множество VEGF рецептори, могат също така да взаимодействат с други биологични системи, което потенциално увеличава токсичността. Проектът на BIOPTIC цели да идентифицира малки молекули с по-силна селективност за VEGFR-3.

Компанията използва двукомпонентен модел:

SMILES е текстова нотация, използвана за описание на молекулни структури. Това прави химията изненадващо съвместима с техниките на езиковите модели: молекулата може да бъде представена като последователност от символи, позволяваща на ИИ системите да научават модели в химическите данни.

След като първият модел скенира ултраголяма библиотека от 40 милиарда съединения, графова невронна мрежа бе използвана като втори филтър. За разлика от текстова последователност, графовете представят атомите като възли и химическите връзки като свързаности, което прави GNN полезни за моделиране на молекулни структури и взаимоотношения.

От цифрова прогноза до реална молекула

Тук историята на ИИ става реална наука.

Компютърът може да предвиди, че една молекула изглежда обещаваща, но молекулата все още трябва да бъде синтезирана и тествана експериментално.

В проекта за VEGFR-3, BIOPTIC докладва за тестването на 110 съединения, използвайки оценка на профила на киназите. Няколко молекули показаха активност срещу VEGFR-3, а три бяха селективни за един единствен VEGFR цел. Един кандидат демонстрира над 45 пъти селективност над VEGFR-1 и VEGFR-2 в докладваните експерименти. Резултатите бяха представени в абстракт за Годишната среща на ASCO 2025 и публикувани като абстракт на срещата в Journal of Clinical Oncology.

След това изследователите комбинираха молекулярното откритие с анализ на RNA секвениране. Използвайки алгоритъма на Oncobox, те анализираха хиляди профили на туморна експресия, за да оценят кои типове рак може да бъдат най-чувствителни към селективна инхибирация на VEGFR-3. Докладваните кандидати за по-нататъшно разглеждане включваха папиларен рак на щитовидната жлеза, рак на бъбреците с ясни клетки, панкреасен рак, рак на яйчниците и саркоми.

Тези са изследователски находки, не доказателства, че завършеното лекарство за рак е готово за пациенти.

Научните доказателства зад BIOPTIC B1

Технологията на BIOPTIC също е описана в рецензирана научна литература.

През 2025 година изследователи публикуваха проучване в Journal of Chemical Information and Modeling, описващо BIOPTIC B1 и неговото приложение в експеримент за откритие на лекарства, насочен към LRRK2, протеин, свързан с болестта на Паркинсон.

Системата търси същото химическо пространство с 40 милиарда молекули и идентифицира нови лигандове както за нормални, така и за мутантни форми на LRRK2. Най-добрите експериментално валидирани съединения постигат дисоциационни константи до 110 нановолт.

Следващият етап е особено важен за разбирането на откритията на лекарства, подпомагани от ИИ. Първоначалните находки не бяха третирани като окончателни отговори. Учените използваха най-добрите съединения като начални точки за аналогово търсене, извлекоха структурно свързани молекули, филтрираха ги за практични свойства и избраха кандидати, които биха могли реалистично да бъдат синтезирани.

От 48 избрани аналога, 47 бяха успешно синтезирани. Получените съединения бяха тествани отново, създавайки обратна връзка между компютърни изчисления, химия и биология.

Защо ИИ не може да замени учените по лекарства

Фразата "ИИ открива лекарства" е привлекателна, но непълна.

ИИ може да ранжира молекули въз основа на модели, научени от данни. Той може да ускори виртуалното скрининг и да идентифицира химически взаимовръзки, които биха били трудни за изследване ръчно. Но прогнозата остава прогноза, докато експерименталната работа не я потвърди.

Учените все още трябва да отговорят на основни въпроси:

• Свързва ли се молекулата действително с целта?
• Влияе ли на целевия биологичен път?
• Достатъчно селективна ли е?
• Токсична ли е?
• Може ли да достигне до правилната тъкан?
• Метаболизира ли се безопасно?
• Работи ли при животни?
• Помага ли на човешките пациенти?

Перспективната молекула може да се провали на всяка стъпка.

Затова истинската стойност на системи като BIOPTIC B1 може да бъде скорост, а не магия. Ако ИИ може да намали милиарди теоретични възможности до няколко десетки молекули, които струват тестване, той може да направи най-ранните етапи на открития на лекарства по-ефективни.

Бъдещето на медицината, управлявана от ИИ

Работата на BIOPTIC илюстрира по-широка трансформация в биотехнологиите. ИИ все повече става част от самата изследователска инфраструктура, система за търсене на химическо пространство, приоритизиране на експерименти и свързване на молекулярни данни с биологична информация.

Изследванията на рака на компанията са особено интересни, тъй като комбинират няколко слоя на изчисления: молекулярно скрининг, моделиране на селективност и RNA-seq анализ на биологията на тумора.

Но краен продукт от този процес не е предписание, генерирано от ИИ. Това е кратък списък от хипотези за тестване от учените.

Тази разлика е важна.

ИИ може да помогне на изследователите да търсят милиарди молекули по-бързо от традиционните методи. Той може да открие непознати химически каркаси и да насочи лабораториите към кандидати, които иначе биха останали скрити. Въпреки това, молекулата все още трябва да премине през химия, биология, токсикология, предклинични изследвания и клинични изпитвания.

С други думи, ИИ не замества учените, които търсят лек за рака.

Той дава на тези учени много по-мощен механизъм за търсене.