Πώς η Τεχνητή Νοημοσύνη Βοηθά στην Αναζήτηση Φαρμάκων για τον Καρκίνο: Μέσα στον Μοριακό Εξερευνητή της BIOPTIC

Η αναζήτηση ενός νέου φαρμάκου συχνά περιγράφεται ως η αναζήτηση μιας βελόνας σε μια άχυρο. Στην πραγματικότητα, το πρόβλημα είναι πολύ μεγαλύτερο: το "άχυρο" μπορεί να περιέχει δισεκατομμύρια, ή ακόμα και τρισεκατομμύρια, πιθανούς μοριακούς συνδυασμούς.

Αυτό είναι το σημείο όπου η τεχνητή νοημοσύνη εισέρχεται στο εργαστήριο.

Η BIOPTIC, μια βιοτεχνολογία που πρωτοπορεί με την τεχνητή νοημοσύνη και σχετίζεται με τον επιχειρηματία και πρώην στέλεχος της Google Αντρέι Ντορονίτσεφ, αναπτύσσει τεχνολογία που χρησιμοποιεί μηχανική μάθηση για να αναζητήσει τεράστιες χημικές βιβλιοθήκες για μόρια που θα μπορούσαν τελικά να γίνουν νέα φάρμακα. Ένα από τα πιο ενδιαφέροντα προγράμματα της εταιρείας εστιάζει στον καρκίνο, όπου το σύστημα τεχνητής νοημοσύνης έχει χρησιμοποιηθεί για να προσδιορίσει επιλεκτικούς αναστολείς του VEGFR-3, ενός βιολογικού στόχου που εμπλέκεται στην αγγειογένεση των όγκων.

Η σημαντική λέξη εδώ είναι τελικά. Η τεχνητή νοημοσύνη δεν πατάει ένα κουμπί και παράγει ένα ολοκληρωμένο φάρμακο για τον καρκίνο. Αντίθετα, βοηθά τους επιστήμονες να αποφασίσουν ποια μόρια αξίζει να συνθέσουν και να δοκιμάσουν στον πραγματικό κόσμο.

Τι Είναι η BIOPTIC και Τι Κάνει η Τεχνητή Νοημοσύνη της;

Η BIOPTIC δρα στον τομέα της τεχνητής νοημοσύνης, της υπολογιστικής χημείας και της ανακάλυψης φαρμάκων. Η κεντρική της ιδέα είναι να αντιμετωπίσει την χημική ανακάλυψη εν μέρει ως πρόβλημα αναζήτησης.

Ένα συμβατικό πρόγραμμα ανακάλυψης φαρμάκων μπορεί να αρχίσει με έναν βιολογικό στόχο, μια πρωτεΐνη που εμπλέκεται σε μια ασθένεια, και στη συνέχεια να αναζητήσει ένα μόριο ικανό να αλληλεπιδράσει με αυτόν τον στόχο με τον επιθυμητό τρόπο. Η πρόκληση είναι ότι ο αριθμός των θεωρητικά δυνατών φαρμακευτικών μορίων είναι αστρονομικός.

Το σύστημα B1 της BIOPTIC προσπαθεί να κάνει αυτή την αναζήτηση διαχειρίσιμη.

Το σύστημα αναπαριστά τα μόρια μαθηματικά, δημιουργώντας συμπαγείς αριθμητικούς παραστάτες που επιτρέπουν σε χημικές δομές να συγκρίνονται ταχέως. Σύμφωνα με την αξιολογημένη έρευνα της εταιρείας, το B1 μπορεί να αναζητήσει βιβλιοθήκες που περιέχουν δεκάδες δισεκατομμύρια ενώσεις και να ανακτήσει μόρια που μπορεί να έχουν παρόμοιες βιολογικές ιδιότητες, ακόμη και όταν οι χημικές τους δομές διαφέρουν σημαντικά.

Η τεχνητή νοημοσύνη επομένως δεν αντικαθιστά το εργαστήριο. Δρα ως ένα εξαιρετικά γρήγορο φίλτρο πριν από την αρχή της εργαστηριακής δουλειάς.

Πώς Αναζητά το BIOPTIC B1 Δισεκατομμύρια Μόρια;

Η τεχνική βάση του B1 είναι ένα σύστημα εικονικής οθόνης που βασίζεται σε λιγάνους.

Ένας λιγάνης είναι ένα μόριο που μπορεί να δεσμευτεί σε έναν βιολογικό στόχο, όπως μια πρωτεΐνη. Αν οι επιστήμονες γνωρίζουν ήδη αρκετά μόρια με χρήσιμη δραστηριότητα, αυτά τα μόρια μπορούν να χρησιμεύσουν ως αρχικές αφετηρίες για μια νέα αναζήτηση.

Το B1 μετατρέπει τις μοριακές πληροφορίες σε μια συμπαγή αναπαράσταση διανύσματος. Στο δημοσιευμένο σύστημα, κάθε μόριο αναπαρίσταται ως μια 60-διάστατη ενσωμάτωση που αποθηκεύεται χρησιμοποιώντας ακρίβεια float16. Το μοντέλο μπορεί στη συνέχεια να συγκρίνει ένα μόριο ερώτησης με προ-καταχωρημένες μοριακές αναπαραστάσεις και να υπολογίζει ομοιότητα σε τεράστια κλίμακα.

Το σύστημα έχει δοκιμαστεί στην Enamine REAL Space, μια εικονική χημική βιβλιοθήκη που περιέχει περίπου 40 δισεκατομμύρια αριθμημένα μόρια.

Αυτή η κλίμακα δημιουργεί ένα μηχανικό πρόβλημα όσο και ένα επιστημονικό. Οι ερευνητές της BIOPTIC χώρισαν τη διαδικασία σε δύο φάσεις:

• Σάρωση: νευρωνικά δίκτυα επεξεργάζονται μόρια και παράγουν ενσωματώσεις.

• Αναζήτηση: οι προ-υπολογισμένες ενσωματώσεις συγκρίνονται για την ανάκτηση των πιο σχετικών υποψηφίων.

Στα δημοσιευμένα αποτελέσματα, μια αναζήτηση στην βιβλιοθήκη των 40 δισεκατομμυρίων ενώσεων μπορούσε να πραγματοποιηθεί σε περίπου δύο λεπτά και δεκαπέντε δευτερόλεπτα χρησιμοποιώντας την ρύθμιση αναζήτησης με SSD που περιγράφεται στο έγγραφο. Μια ρύθμιση που βασίζεται σε RAM ήταν σημαντικά πιο γρήγορη.

Αυτό δεν σημαίνει ότι η τεχνητή νοημοσύνη κατανοεί τη βιολογία με τον ίδιο τρόπο που κατανοεί ένας επιστήμονας. Σημαίνει ότι το σύστημα μπορεί γρήγορα να περιηγηθεί σε έναν μαθηματικό χάρτη χημικού χώρου και να εντοπίσει υποψήφιους που αξίζουν πιο προσεκτικής προσοχής.

Το Έργο Καρκίνου: Αναζητώντας Επιλεκτικούς Αναστολείς VEGFR-3

Το πρόγραμμα καρκίνου της BIOPTIC παρέχει ένα συγκεκριμένο παράδειγμα του πώς αυτή η προσέγγιση μπορεί να λειτουργήσει.

Ο στόχος είναι ο VEGFR-3, γνωστός και ως FLT4, ένας υποδοχέας που εμπλέκεται σε σηματοδοτικές οδούς που συνδέονται με την αγγειογένεση, τη δημιουργία νέων αιμοφόρων αγγείων. Οι όγκοι μπορούν να εκμεταλλευτούν την αγγειογένεση για να υποστηρίξουν την ανάπτυξή τους, καθιστώντας αυτή την οδό μια σημαντική περιοχή της έρευνας για τον καρκίνο.

Η πρόκληση είναι η επιλεκτικότητα.

Φάρμακα που επηρεάζουν ευρέως πολλούς υποδοχείς VEGF μπορούν επίσης να αλληλεπιδρούν με άλλα βιολογικά συστήματα, ενδεχομένως αυξάνοντας την τοξικότητα. Το έργο της BIOPTIC είχε στόχο να προσδιορίσει μικρά μόρια με ισχυρότερη επιλεκτικότητα για τον VEGFR-3.

Η εταιρεία χρησιμοποίησε έναν σωλήνα δύο μοντέλων:

Το SMILES είναι μια κειμενική αναπαράσταση που χρησιμοποιείται για να περιγράψει χημικές δομές. Αυτό καθιστά τη χημεία εκπληκτικά συμβατή με τις τεχνικές μοντέλων γλώσσας: ένα μόριο μπορεί να αναπαριστάται ως μια ακολουθία συμβόλων, επιτρέποντας στα συστήματα τεχνητής νοημοσύνης να μάθουν μοτίβα στα χημικά δεδομένα.

Αφού το πρώτο μοντέλο σάρωσε μια υπερμεγέθη βιβλιοθήκη 40 δισεκατομμυρίων ενώσεων, ένα Γραφικό Νευρωνικό Δίκτυο χρησιμοποιήθηκε ως δεύτερο φίλτρο. Σε αντίθεση με μια ακολουθία κειμένου, ένα γράφημα αναπαριστά τα άτομα ως κόμβους και τους χημικούς δεσμούς ως συνδέσεις, καθιστώντας τα GNNs χρήσιμα για τη μοντελοποίηση χημικής δομής και σχέσεων.

Από μια Ψηφιακή Πρόβλεψη σε Ένα Πραγματικό Μόριο

Αυτή είναι η στιγμή όπου η ιστορία της τεχνητής νοημοσύνης γίνεται πραγματική επιστήμη.

Ο υπολογιστής μπορεί να προβλέψει ότι ένα μόριο φαίνεται υποσχόμενο, αλλά το μόριο πρέπει ακόμη να συντεθεί και να δοκιμαστεί πειραματικά.

Στο έργο VEGFR-3, η BIOPTIC ανέφερε την δοκιμή 110 ενώσεων χρησιμοποιώντας μια δοκιμή προφίλ κινάσης. Πολλά μόρια έδειξαν δραστηριότητα κατά του VEGFR-3, και τρία ήταν επιλεκτικά για έναν μόνο στόχο VEGFR. Ένας υποψήφιος παρουσίασε περισσότερη από 45 φορές επιλεκτικότητα σε σχέση με τον VEGFR-1 και τον VEGFR-2 στα αναφερόμενα πειράματα. Τα ευρήματα παρουσιάστηκαν σε μια περίληψη για την Ετήσια Συνέλευση ASCO 2025 και δημοσιεύθηκαν ως περίληψη συνεδρίου στο Journal of Clinical Oncology.

Οι ερευνητές συνδύασαν στη συνέχεια την ανακάλυψη μορίων με ανάλυση αλληλούχισης RNA. Χρησιμοποιώντας τον αλγόριθμο Oncobox, ανάλυσαν χιλιάδες προφίλ έκφρασης όγκου για να εκτιμήσουν ποιες τύποι καρκίνου μπορεί να είναι πιο ευαίσθητοι στην επιλεκτική αναστολή του VEGFR-3. Οι αναφερόμενοι υποψήφιοι για περαιτέρω έρευνα περιλάμβαναν τον καρκίνο του θυρεοειδούς, τον καρκίνο των νεφρών τύπου clear-cell, τον καρκίνο του παγκρέατος, τον καρκίνο των ωοθηκών και τα σάρκώματα.

Αυτά είναι ερευνητικά ευρήματα, όχι αποδείξεις ότι ένα ολοκληρωμένο φάρμακο για τον καρκίνο είναι έτοιμο για τους ασθενείς.

Η Επιστημονική Απόδειξη Πίσω από το BIOPTIC B1

Η τεχνολογία της BIOPTIC έχει επίσης περιγραφεί στη αξιολογημένη επιστημονική βιβλιογραφία.

Το 2025, οι ερευνητές δημοσίευσαν μια μελέτη στο Journal of Chemical Information and Modeling περιγράφοντας το BIOPTIC B1 και τη χρήση του σε ένα προοπτικό πείραμα ανακάλυψης φαρμάκων που στοχεύει το LRRK2, μια πρωτεΐνη που σχετίζεται με τη νόσο του Πάρκινσον.

Το σύστημα αναζήτησε τον ίδιο χημικό χώρο 40 δισεκατομμυρίων μορίων και εντόπισε νέους λιγάνους τόσο για κανονικές όσο και για μεταλλαγμένες μορφές του LRRK2. Οι καλύτερες πειραματικά επαληθευμένες ενώσεις πέτυχαν σταθερές αποδέσμευσης όσο χαμηλές όσο 110 νανομόλα.

Η επόμενη φάση είναι ιδιαίτερα σημαντική για την κατανόηση της υποβοηθούμενης από τεχνητή νοημοσύνη ανακάλυψης φαρμάκων. Οι αρχικοί υποψήφιοι δεν θεωρήθηκαν ως τελικές απαντήσεις. Οι επιστήμονες χρησιμοποίησαν τα καλύτερα μόρια ως αφετηρίες για μια αναζήτηση αναλογίας, ανέκτησαν δομικά συνδεδεμένα μόρια, τα φίλτραραν για πρακτικές ιδιότητες και επέλεξαν υποψήφιους που θα μπορούσαν ρεαλιστικά να συντεθούν.

Από τους 48 επιλεγμένους αναλόγους, οι 47 συντέθηκαν επιτυχώς. Οι προκύπτουσες ενώσεις δοκιμάστηκαν ξανά, δημιουργώντας έναν βρόχο ανατροφοδότησης μεταξύ υπολογισμού, χημείας και βιολογίας.

Γιατί η Τεχνητή Νοημοσύνη Δεν Μπορεί να Αντικαταστήσει τους Επιστήμονες Φαρμάκων

Η φράση "η τεχνητή νοημοσύνη ανακαλύπτει φάρμακα" είναι ελκυστική, αλλά ανακριβής.

Η τεχνητή νοημοσύνη μπορεί να κατατάξει τις ενώσεις με βάση τα μοτίβα που έμαθε από τα δεδομένα. Μπορεί να επιταχύνει την εικονική οθόνη και να εντοπίσει χημικές σχέσεις που θα ήταν δύσκολο να εξερευνηθούν χειροκίνητα. Αλλά μια πρόβλεψη παραμένει πρόβλεψη μέχρι να την επιβεβαιώσει πειραματική εργασία.

Οι επιστήμονες εξακολουθούν να πρέπει να απαντήσουν σε θεμελιώδη ερωτήματα:

• Δεσμεύει το μόριο πραγματικά τον στόχο;
• Επηρεάζει την επιθυμητή βιολογική οδό;
• Είναι αρκετά επιλεκτικό;
• Είναι τοξικό;
• Μπορεί να φτάσει στον σωστό ιστό;
• Μεταβολίζεται με ασφάλεια;
• Λειτουργεί σε ζώα;
• Βοηθά τους ανθρώπινους ασθενείς;

Ένα υποσχόμενο μόριο μπορεί να αποτύχει σε οποιοδήποτε σημείο.

Γι' αυτό η πραγματική αξία συστημάτων όπως το BIOPTIC B1 μπορεί να είναι η ταχύτητα και όχι η μαγεία. Αν η τεχνητή νοημοσύνη μπορεί να μειώσει δισεκατομμύρια θεωρητικές δυνατότητες σε μερικές δωδεκάδες μόρια που αξίζει να δοκιμαστούν, μπορεί να κάνει τα πρώτα στάδια της ανακάλυψης φαρμάκων πιο αποδοτικά.

Το Μέλλον της Ιατρικής Υποβοηθούμενης από Τεχνητή Νοημοσύνη

Η εργασία της BIOPTIC απεικονίζει μια ευρύτερη μεταμόρφωση στη βιοτεχνολογία. Η τεχνητή νοημοσύνη γίνεται ολοένα και περισσότερο μέρος της ερευνητικής υποδομής του ίδιου, ένα σύστημα για την αναζήτηση του χημικού χώρου, την ιεράρχηση πειραμάτων και τη σύνδεση μοριακών δεδομένων με βιολογικές πληροφορίες.

Η έρευνα για τον καρκίνο της εταιρείας είναι ιδιαίτερα ενδιαφέρουσα γιατί συνδυάζει αρκετές επίπεδα υπολογισμού: μοριακή οθόνη, μοντελοποίηση επιλεκτικότητας και ανάλυση RNA-seq της βιολογίας των όγκων.

Αλλά το τελικό προϊόν αυτής της διαδικασίας δεν είναι μια συνταγή που παράγεται από τεχνητή νοημοσύνη. Είναι μια σύντομη λίστα υποθέσεων για τους επιστήμονες να δοκιμάσουν.

Αυτή η διάκριση έχει σημασία.

Η τεχνητή νοημοσύνη μπορεί να βοηθήσει τους ερευνητές να αναζητήσουν δισεκατομμύρια μόρια πιο γρήγορα από ό,τι οι παραδοσιακές μέθοδοι. Μπορεί να αποκαλύψει άγνωστες χημικές δομές και να καθοδηγήσει τα εργαστήρια προς υποψήφιους που διαφορετικά θα παρέμεναν κρυμμένοι. Ωστόσο, το μόριο πρέπει ακόμη να επιβιώσει από τη χημεία, τη βιολογία, την τοξικολογία, την προκλινική έρευνα και τις κλινικές δοκιμές.

Με άλλα λόγια, η τεχνητή νοημοσύνη δεν αντικαθιστά τον επιστήμονα που αναζητά μια θεραπεία για τον καρκίνο.

Δίνει σε αυτόν τον επιστήμονα έναν εξαιρετικά πιο ισχυρό κινητήρα αναζήτησης.