Hvordan AI Hjælper med at Søge Efter Kræftmedicin: Indenfor BIOPTIC's Molekylære Opdagelsesmotor

At finde et nyt lægemiddel beskrives ofte som at lede efter en nål i en høstak. I virkeligheden er problemet meget større: "høstakken" kan indeholde milliarder, eller endda billioner, af mulige molekyler.

Dette er, hvor kunstig intelligens træder ind i laboratoriet.

BIOPTIC, et AI-første biotekfirma tilknyttet iværksætteren og den tidligere Google-leder Andrey Doronichev, udvikler teknologi, der bruger maskinlæring til at søge enorme kemiske biblioteker for molekyler, der potentielt kunne blive nye lægemidler. Et af virksomhedens mest interessante programmer fokuserer på kræft, hvor deres AI-system er blevet brugt til at identificere selektive hæmmere af VEGFR-3, et biologisk mål involveret i tumorangiogenese.

Det vigtige ord her er potentielt. AI trykker ikke på en knap og producerer et færdigt kræftlægemiddel. I stedet hjælper det forskere med at beslutte, hvilke molekyler der er værd at syntetisere og teste i den virkelige verden.

Hvad Er BIOPTIC, og Hvad Gør Dets AI Faktisk?

BIOPTIC opererer på skæringspunktet mellem kunstig intelligens, beregningskemi og lægemiddelopdagelse. Dets kerneidé er at behandle kemisk opdagelse delvist som et søgeproblem.

Et almindeligt lægemiddelopdagelsesprogram kan begynde med et biologisk mål, et protein involveret i en sygdom, og derefter søge efter et molekyle, der er i stand til at interagere med dette mål på den ønskede måde. Udfordringen er, at antallet af teoretisk mulige lægemiddellignende molekyler er astronomisk.

BIOPTIC's B1-system forsøger at gøre denne søgning håndterbar.

Systemet repræsenterer molekyler matematisk, hvilket skaber kompakte numeriske indlejringer, der muliggør hurtig sammenligning af kemiske strukturer. Ifølge virksomhedens peer-reviewed forskning kan B1 søge i biblioteker, der indeholder titusinder af milliarder af forbindelser og hente molekyler, der måtte have lignende biologiske egenskaber, selv når deres kemiske strukturer adskiller sig betydeligt.

AI erstatter derfor ikke laboratoriet. Den fungerer som et ekstremt hurtigt filter, før laboratoriearbejdet begynder.

Hvordan Søger BIOPTIC B1 I Milliarder Af Molekyler?

Den tekniske grundlag for B1 er et ligand-baseret virtuelt screeningssystem.

En ligand er et molekyle, der kan binde sig til et biologisk mål, såsom et protein. Hvis forskere allerede kender flere molekyler med nyttig aktivitet, kan disse molekyler fungere som udgangspunkt for en ny søgning.

B1 konverterer molekylær information til en kompakt vektorrepræsentation. I det offentliggjorte system repræsenteres hvert molekyle som en 60-dimensionel indlejring, der opbevares ved hjælp af float16-præcision. Modellen kan derefter sammenligne et forespørgselsmolekyle med prægistrerede molekylære repræsentationer og beregne lighed i enorm skala.

Systemet blev testet på Enamine REAL Space, et virtuelt kemisk bibliotek, der indeholder cirka 40 milliarder nummererede molekyler.

Denne skala skaber et ingeniørproblem lige så meget som et videnskabeligt. BIOPTIC's forskere delte processen op i to faser:

• Scanning: neurale netværk behandler molekyler og genererer indlejringer.

• Søgning: de forudberegnede indlejringer sammenlignes for at hente de mest relevante kandidater.

I de offentliggjorte benchmarks kunne en søgning på det 40-milliard-forbindelsers bibliotek udføres på cirka to minutter og femten sekunder ved hjælp af det SSD-baserede søgesystem, der er beskrevet i artiklen. En RAM-baseret konfiguration var betydeligt hurtigere.

Dette betyder ikke, at AI forstår biologi på samme måde, som en forsker gør. Det betyder, at systemet hurtigt kan navigere på et matematisk kort over kemisk rum og identificere kandidater, der fortjener nærmere opmærksomhed.

Kræftprojektet: Søger Efter Selektive VEGFR-3 Hæmmere

BIOPTIC's kræftprogram giver et konkret eksempel på, hvordan denne tilgang kan fungere.

Målet er VEGFR-3, også kaldet FLT4, en receptor involveret i signalveje forbundet med angiogenese, dannelse af nye blodkar. Tumorer kan udnytte angiogenese til at understøtte deres vækst, hvilket gør denne vej til et vigtigt område inden for kræftforskning.

Udfordringen er selektivitet.

Lægemidler, der bredt påvirker flere VEGF-receptorer, kan også interagere med andre biologiske systemer, hvilket potentielt øger toksicitet. BIOPTIC's projekt havde til mål at identificere små molekyler med stærkere selektivitet for VEGFR-3.

Virksomheden brugte en to-modeller pipeline:

SMILES er en tekstbaseret notation, der bruges til at beskrive molekylære strukturer. Dette gør kemi overraskende kompatibelt med teknikker til sprogmodeller: et molekyle kan repræsenteres som en sekvens af symboler, hvilket giver AI-systemer mulighed for at lære mønstre i kemiske data.

Efter at den første model havde screenet et ultrastort bibliotek med 40 milliarder forbindelser, blev et Graph Neural Network som andet filter brugt. I modsætning til en tekstsekvens repræsenterer et graf atomer som noder og kemiske bindinger som forbindelser, hvilket gør GNN'er nyttige til modellering af molekylær struktur og relationer.

Fra en Digital Forudsigelse til et Rigtigt Molekyle

Dette er det punkt, hvor AI-historien bliver real science.

Computeren kan forudsige, at et molekyle ser lovende ud, men molekylet skal stadig syntetiseres og testes eksperimentelt.

I VEGFR-3-projektet rapporterede BIOPTIC om testning af 110 forbindelser ved hjælp af en kinase profileringsanalyse. Flere molekyler viste aktivitet mod VEGFR-3, og tre var selektive for en enkelt VEGFR-mål. En kandidat demonstrerede mere end 45 gange selektivitet over VEGFR-1 og VEGFR-2 i de rapporterede eksperimenter. Resultaterne blev præsenteret i et abstrakt til 2025 ASCO Årsmøde og offentliggjort som et mødeabstrakt i Journal of Clinical Oncology.

Forskerne kombinerede derefter molekylær opdagelse med RNA-sekventeringsanalyse. Ved hjælp af Oncobox-algoritmen analyserede de tusinder af tumorekspressionsprofiler for at estimere, hvilke kræfttyper der kunne være mest responsiv over for selektiv VEGFR-3 hæmning. De rapporterede kandidater til yderligere undersøgelse inkluderede papillær skjoldbruskkirtelkræft, klarcellet nyrekræft, bugspytkirtelkræft, æggestokkræft og sarkomer.

Disse er forskningsresultater, ikke bevis for, at et færdigt kræftlægemiddel er klar til patienter.

Den Videnskabelige Dokumentation Bag BIOPTIC B1

BIOPTIC's teknologi er også blevet beskrevet i peer-reviewed videnskabelig litteratur.

I 2025 offentliggjorde forskere en undersøgelse i Journal of Chemical Information and Modeling, der beskriver BIOPTIC B1 og dets anvendelse i et prospektivt lægemiddelopdagelseseksperiment, der målretter LRRK2, et protein forbundet med Parkinsons sygdom.

Systemet søgte i det samme 40-milliarder-molekyle kemiske rum og identificerede nye ligander for både normale og muterede former af LRRK2. De bedste eksperimentelt validerede forbindelser opnåede dissociationskonstanter så lave som 110 nanomolar.

Den næste fase er særligt vigtig for at forstå AI-assisteret lægemiddelopdagelse. Indledende hits blev ikke behandlet som endelige svar. Forskere brugte de bedste forbindelser som udgangspunkt for en analog søgning, hentede strukturelt relaterede molekyler, filtrerede dem for praktiske egenskaber og valgte kandidater, der realistisk kunne syntetiseres.

Af 48 valgte analoger blev 47 syntetiseret med succes. De resulterende forbindelser blev derefter testet igen, hvilket skabte en feedback-loop mellem beregning, kemi og biologi.

Hvorfor AI Ikke Kan Erstatte Lægemiddelforskere

Udsagnet "AI opdager lægemidler" er fængende, men ufuldstændigt.

AI kan rangere molekyler baseret på mønstre lært fra data. Den kan accelerere virtuel screening og identificere kemiske relationer, der ville være svære at udforske manuelt. Men en forudsigelse forbliver en forudsigelse, indtil eksperimentelt arbejde bekræfter den.

Forskere skal stadig besvare grundlæggende spørgsmål:

• Binder molekylet sig faktisk til målet?
• Påvirker det den tilsigtede biologiske vej?
• Er det selektivt nok?
• Er det giftigt?
• Kan det nå det rigtige væv?
• Bliver det metaboliseret sikkert?
• Virker det på dyr?
• Hjælper det menneskelige patienter?

Et lovende molekyle kan fejle på ethvert tidspunkt.

Det er derfor, den reelle værdi af systemer som BIOPTIC B1 måske er hastighed frem for magi. Hvis AI kan reducere milliarder af teoretiske muligheder til et par dusin molekyler, der er værd at teste, kan det gøre de tidligste faser af lægemiddelopdagelsen mere effektive.

Fremtiden for AI-drevet Medicin

BIOPTIC's arbejde illustrerer en bredere transformation inden for bioteknologi. AI bliver i stigende grad en del af forskningsinfrastrukturen selv, et system til at søge i kemisk rum, prioritere eksperimenter og forbinde molekylære data med biologisk information.

Virksomhedens kræftforskning er især interessant, fordi den kombinerer flere lag af beregning: molekylær screening, selektivitet modellering og RNA-seq analyse af tumorgenetik.

Men det endelige produkt af denne proces er ikke en AI-genereret opskrift. Det er en kortliste med hypoteser, som forskere kan teste.

Den skelnen betyder noget.

AI kan hjælpe forskere med at søge i milliarder af molekyler hurtigere end traditionelle metoder kan. Den kan afdække ukendte kemiske strukturer og pege laboratorier i retning af kandidater, der ellers ville forblive skjulte. Alligevel skal molekylet stadig overleve kemi, biologi, toksikologi, præklinisk forskning og kliniske forsøg.

Med andre ord, AI er ikke i stand til at erstatte den forsker, der søger efter en kur mod kræft.

Den giver den forsker en langt mere magtfuld søgemaskine.