Jak AI Pomáhá Hledat Léky na Rakovinu: Uvnitř Molekulárního Objevného Motoru BIOPTIC

Hledání nového léku je často popisováno jako hledání jehly v kupce sena. Ve skutečnosti je problém mnohem větší: "kupka" může obsahovat miliardy, nebo dokonce biliony, možných molekul.

Tady vstupuje do laboratoře umělá inteligence.

BIOPTIC, biotechnologická firma zaměřená na umělou inteligenci, spojená s podnikatelem a bývalým vedoucím Google Andreyem Doronichevem, vyvíjí technologii, která používá strojové učení k prohledávání obrovských chemických knihoven pro molekuly, které by se nakonec mohly stát novými léky. Jeden z nejzajímavějších programů společnosti se zaměřuje na rakovinu, kde byl její AI systém použit k identifikaci selektivních inhibitorů VEGFR-3, biologického cíle zapojeného do angiogeneze nádorů.

Důležité slovo zde je nakonec. AI neněmá stisknout tlačítko a nepředstaví hotový lék na rakovinu. Místo toho pomáhá vědcům rozhodnout, které molekuly stojí za syntézu a testování v reálném světě.

Co je BIOPTIC a co vlastně dělá jeho AI?

BIOPTIC operuje na pomezí umělé inteligence, výpočetní chemie a objevování léků. Jeho základní idea je chápat chemické objevy částečně jako problém hledání.

Klasický program objevování léků může začít biologickým cílem, proteinem zapojeným do nemoci, a poté hledat molekulu schopnou interagovat s tímto cílem požadovaným způsobem. Výzvou je, že počet teoreticky možných molekul podobných lékům je astronomický.

BIOPTICův systém B1 se snaží učinit toto hledání zvládnutelným.

Systém reprezentuje molekuly matematicky, vytváří kompaktní numerické embeddings, které umožňují porovnávat chemické struktury vysokou rychlostí. Podle peer-reviewed výzkumu společnosti může B1 prohledávat knihovny obsahující desítky miliard sloučenin a vyhledávat molekuly, které mohou mít podobné biologické vlastnosti, i když jejich chemické struktury se výrazně liší.

AI tedy nenahrazuje laboratoř. Působí jako extrémně rychlý filtr před zahájením laboratorní práce.

Jak BIOPTIC B1 hledá miliardy molekul?

Technického základu B1 je ligandový virtuální screeningový systém.

Ligand je molekula, která se může vázat na biologický cíl, jako je protein. Pokud vědci již znají několik molekul s užitečnou aktivitou, mohou tyto molekuly sloužit jako výchozí body pro nové hledání.

B1 převádí molekulární informace do kompaktní vektorové reprezentace. V publikovaném systému je každá molekula reprezentována jako 60-dimenzionální embedding uložený pomocí float16 přesnosti. Model může pak porovnat dotazovanou molekulu s předindexovanými molekulárními reprezentacemi a vypočítat podobnost ve velkém měřítku.

Systém byl testován na Enamine REAL Space, virtuální chemické knihovně obsahující přibližně 40 miliard číslovaných molekul.

Tohle měřítko vytváří inženýrský problém stejně jako vědecký. Výzkumníci BIOPTICu rozdělili proces do dvou fází:

• Skanning: neuronové sítě zpracovávají molekuly a generují embeddings.

• Hledání: předpočítané embeddings se porovnávají pro získání nejrelevantnějších kandidátů.

V publikovaných benchmarkových testech bylo možné prohledat knihovnu o 40 miliardách sloučenin za přibližně dvě minuty a patnáct sekund pomocí SSD-based vyhledávacího nastavení popsaného v článku. Konfigurace založená na RAM byla podstatně rychlejší.

To neznamená, že AI rozumí biologii stejným způsobem, jakým rozumí vědec. Znamená to, že systém může rychle navigovat matematikou mapou chemického prostoru a identifikovat kandidáty, kteří si zaslouží bližší pozornost.

Projekt Rakovina: Hledání Selektyvních Inhibitorů VEGFR-3

BIOPTICův rakovinový program poskytuje konkrétní příklad, jak tento přístup může fungovat.

Cílem je VEGFR-3, známý také jako FLT4, receptor zapojený do signálních drah spojených s angiogenezi, tvorbou nových krevních cév. Tumory mohou využívat angiogenezi k podpoře svého růstu, což dělá tuto dráhu důležitou oblastí výzkumu rakoviny.

Výzvou je selektivita.

Léky, které široce ovlivňují více VEGF receptorů, mohou také interagovat s jinými biologickými systémy, což může potenciálně zvyšovat toxicitu. Projekt BIOPTICu měl za cíl identifikovat malé molekuly se silnější selektivitou pro VEGFR-3.

Společnost použila dvoumodelovou pipeline:

SMILES je textová notace používaná k popisu molekulárních struktur. To činí chemii překvapivě kompatibilní s technikami jazykových modelů: molekula může být reprezentována jako sekvence symbolů, což umožňuje AI systémům učit se vzory v chemických datech.

Poté, co první model proskoumal ultra velkou knihovnu 40 miliard sloučenin, byla použita Grafová neuronová síť jako druhý filtr. Na rozdíl od textové sekvence reprezentuje graf atomy jako uzly a chemické vazby jako spojení, což činí GNN užitečné pro modelování molekulární struktury a vztahů.

Od Digitální Předpovědi k Reálné Molekule

Toto je bod, kde se příběh AI stává skutečnou vědou.

Počítač může předpovědět, že molekula vypadá slibně, ale molekulu je třeba stále syntetizovat a experimentálně testovat.

V projektu VEGFR-3 BIOPTIC reportoval testování 110 sloučenin pomocí profilu kinázových testů. Několik molekul vykázalo aktivitu proti VEGFR-3, a tři byly selektivní pro jediný VEGFR cíl. Jeden kandidát prokázal více než 45-násobnou selektivitu vůči VEGFR-1 a VEGFR-2 v hlášených experimentech. Zjištění byla představena v abstraktu pro 2025 ASCO Annual Meeting a publikována jako abstrakt z setkání v Journal of Clinical Oncology.

Vědci poté zkombinovali molekulární objev s analýzou RNA sekvenování. Pomocí algoritmu Oncobox analyzovali tisíce expresních profilů nádorů, aby odhadli, které typy rakoviny by mohly být nejvíce citlivé na selektivní inhibici VEGFR-3. Mezi kandidáty na další vyšetřování byly zahrnuty papilární rakovina štítné žlázy, rakovina ledvin jasných buněk, rakovina slinivky břišní, rakovina vaječníků a sarkomy.

Toto jsou výzkumné nálezy, ne důkaz, že hotový lék na rakovinu je připraven pro pacienty.

Vědecké Důkazy Za BIOPTIC B1

Technologie BIOPTIC byla také popsána v peer-reviewed vědecké literatuře.

V roce 2025 výzkumníci publikovali studii v Journal of Chemical Information and Modeling, která popisovala BIOPTIC B1 a jeho použití v prospektivním experimentu objevování léků zaměřeném na LRRK2, protein spojený s Parkinsonovou nemocí.

Systém prozkoumal stejné chemické prostor o 40 miliardách molekul a identifikoval nové ligandy pro normální i mutované formy LRRK2. Nejlepší experimentálně validované sloučeniny dosáhly disociačních konstant tak nízkých jako 110 nanomolar.

Další fáze je obzvláště důležitá pro pochopení AI asistovaného objevování léků. Počáteční nálezy nebyly považovány za konečné odpovědi. Vědci použili nejlepší sloučeniny jako výchozí body pro analogové hledání, vyhledali strukturálně příbuzné molekuly, filtrovali je podle praktických vlastností a vybrali kandidáty, které by mohly být realisticky syntetizovány.

Z 48 vybraných analogů bylo 47 úspěšně syntetizováno. Vzniklé sloučeniny byly poté opět testovány, čímž vznikl zpětnovazební cyklus mezi výpočtem, chemií a biologií.

Proč AI Není Schopna Nahradit Vědce na Léky

Fráze "AI objevuje léky" je chytlavá, ale neúplná.

AI může řadit molekuly na základě vzorů naučených z dat. Může urychlit virtuální screening a identifikovat chemické vztahy, které by bylo obtížné prozkoumat ručně. Ale předpověď zůstává předpovědí, dokud ji experimentální práce nepotvrdí.

Vědci stále potřebují zodpovědět základní otázky:

• Váže se molekula skutečně na cíl?
• Ovlivňuje to zamýšlenou biologickou dráhu?
• Je dostatečně selektivní?
• Je toxická?
• Může se dostat do správné tkáně?
• Je metabolizována bezpečně?
• Funguje to v zvířatech?
• Pomáhá to lidským pacientům?

Slibná molekula může selhat v jakémkoliv okamžiku.

Proto je skutečná hodnota systémů, jako je BIOPTIC B1, rychlost, spíše než magie. Pokud AI může snížit miliardy teoretických možností na několik desítek molekul, které stojí za testování, může učinit nejranější fáze objevování léků efektivnější.

Budoucnost AI Řízené Medicíny

Práce BIOPTICu ilustruje širší transformaci v biotechnologii. AI se stále více stává součástí samotné výzkumné infrastruktury, systému pro hledání chemického prostoru, prioritizaci experimentů a propojení molekulárních dat s biologickými informacemi.

Rakovaná výzkum společnosti je obzvlášť zajímavý, protože spojuje několik vrstev výpočtu: molekulární screening, modelování selektivity a RNA-seq analýzu nádorové biologie.

Ale konečným produktem tohoto procesu není předpis generovaný AI. Je to seznam hypotéz pro vědce k testování.

Toto rozlišení je důležité.

AI může pomoci výzkumníkům prohledat miliardy molekul rychleji, než to může udělat tradiční metody. Může odhalit neznámé chemické kostry a nasměrovat laboratoře k kandidátům, kteří by jinak zůstali skryti. Přesto musí molekula projít chemií, biologií, toxicologií, předklinickým výzkumem a klinickými zkouškami.

Jinými slovy, AI nenahrazuje vědce, který hledá lék na rakovinu.

Dává tomuto vědci mnohem mocnější vyhledávací nástroj.