Kuidas tehisintellekt aitab vähiravimite otsimisel: pilguheit BIOPTICi molekulaarsesse avastusmasinasse

Uue ravimi leidmist kirjeldatakse sageli kui heina seas näpitsate otsimist. Tegelikkuses on probleem palju suurem: "heinal" võib olla miljardite, või isegi triljonite, võimalike molekulide hulk.

Siin tulebki mängu tehisintellekt.

BIOPTIC, AI-esimene biotehnoloogiafirma, mis on seotud ettevõtja ja endise Google'i juhi Andrey Doronicheviga, arendab tehnoloogiat, mis kasutab masinõpet, et otsida tohututes keemilistes raamatukogudes molekule, mis võiksid lõpuks saada uuteks ravimiteks. Üks ettevõtte huvitavamaid programme keskendub vähile, kus tema tehisintellekti süsteemi on kasutatud VEGFR-3 selektiivsete inhibiitorite tuvastamiseks, bioloogilise sihtmärgi osaks, mis on seotud kasvaja angiogeneesiga.

Oluline sõna siin on lõpuks. Tehisintellekt ei vajuta nuppu ja ei valmista valmis vähiravimit. Selle asemel aitab see teadlastel otsustada, millised molekulid väärivad sünteesimist ja testimist reaalses maailmas.

Mis on BIOPTIC ja mida teeb tema AI?

BIOPTIC tegutseb tehisintellekti, arvutuskeemia ja ravimiavastuse ristumiskohal. Selle peamine idee on käsitleda keemilise avastuse osa kui otsinguprobleemi.

Tavaline ravimiavastuse programm algab bioloogilisest sihtmärgist, haigusega seotud valgust, ja seejärel otsib molekuli, mis suudab selle sihtmärgiga soovitud viisil suhelda. Väljakutse seisneb selles, et teoreetiliselt võimalike ravimilike molekulide arv on hiiglaslik.

BIOPTICi B1 süsteem püüab selle otsingu hallatavaks muuta.

Süsteem esindab molekule matemaatiliselt, luues kompaktsed numbrilised embedding’id, mis võimaldavad keemilisi struktuure kiiresti võrrelda. Ettevõtte üksteist kontrollitud teadusuuringute kohaselt oskab B1 otsida raamatukogudest, mis sisaldavad kümneid miljardeid ühendeid, ja leidma molekule, millel võivad olla sarnased bioloogilised omadused, isegi kui nende keemilised struktuurid erinevad oluliselt.

Seega ei asenda tehisintellekt laboratooriumit. See toimib äärmiselt kiire filtrina enne laboritööde algust.

Kuidas BIOPTIC B1 otsib miljardite molekulide seast?

B1 tehniline alus on ligandipõhine virtuaalne skriinimissüsteem.

Ligand on molekul, mis suudab seonduda bioloogilise sihtmärgiga, näiteks valguga. Kui teadlased tunnevad juba mitmeid kasuliku aktiivsusega molekule, võivad need molekulid olla uue otsingu alustaladeks.

B1 konverteerib molekulaarse informatsiooni kompaktseks vekt esitusvormiks. Avaldatud süsteemis on iga molekul esindatud 60-dimensionaalse embedding’ina, mille täpsus on float16. Mudel suudab seejärel võrrelda päringu molekuli eelindeksitud molekulaarsete esindustega ja arvutada sarnasust hiiglaslikus mastaabis.

Süsteemi testiti Enamine REAL Space’is, virtuaalses keemilises raamatukogus, mis sisaldab umbes 40 miljardit loetletud molekuli.

See mastaap loob inseneritehnilise probleemi sama palju kui teadusliku ühe. BIOPTICi teadlased eraldasid protsessi kaheks faasiks:

• Skaneerimine: närvivõrgud töötlevad molekule ja genereerivad embedding’id.

• Otsimine: eelnevalt arvutatud embedding’e võrreldakse, et leida kõige asjakohasemad kandidaadid.

Avaldatud tulemustes võis 40 miljardi ühendi raamatukogus otsingut teostada umbes kahe ja poole minuti ja viieteistkümne sekundi jooksul, kasutades artiklis kirjeldatud SSD-põhist otsinguseadet. RAM-põhine konfiguratsioon oli oluliselt kiirem.

See ei tähenda, et AI mõistab bioloogiat samamoodi nagu teadlane. See tähendab, et süsteem suudab kiiresti navigeerida keemilise ruumi matemaatilisel kaardil ja tuvastada kandidaate, mis väärivad põhjalikumat uurimist.

Vähi projekt: selektiivsete VEGFR-3 inhibiitorite otsimine

BIOPTICi vähiprogramm pakub konkreetset näidet selle lähenemisviisi toimimisest.

Sihtmärk on VEGFR-3, tuntud ka kui FLT4, retseptor, mis osaleb signalisatsiooniteedes, mis on seotud angiogeneesiga, uute veresoonte moodustamine. Kasvajad saavad angiogeneesi ära kasutada oma kasvu toetamiseks, muutes selle tee oluliseks vähiuuringute valdkonnaks.

Väljakutse seisneb selektiivsuses.

Ravimid, mis mõjutavad laialdaselt mitmeid VEGF retseptoreid, võivad samuti suhelda teiste bioloogiliste süsteemidega, mis võib suurendada toksilisust. BIOPTICi projekti eesmärk oli tuvastada väikeseid molekule, mis omavad VEGFR-3 suhtes tugevamat selektiivsust.

Ettevõte kasutas kahemudelist torujuhet:

SMILES on tekstipõhine sümbolite tähistus, mida kasutatakse molekulaarsete struktuuride kirjeldamiseks. See muudab keemia üllatavalt ühilduvaks keele-mudelitehnikatega: molekul saab esindada sümbolite jadana, võimaldades AI süsteemidel õppida keemilistes andmetes mustreid.

P pärast esimese mudeli skriinimist 40 miljardi ühendi ultra-suurtes raamatukogudes, kasutati teise filtrina Graafika Närvivõrku. Erinevalt tekstijadadest esindab graaf atomisid sõlmedena ning keemilisi sidemeid ühendustena, muutes GNN-d kasulikuks molekulaarsete struktuuride ja suhete modelleerimisel.

Digitaalsest ennustusest reaalse molekulini

See on punkt, kus AI lugu muutub reaalseks teaduseks.

Arvuti võib ennustada, et molekul tundub lubav, kuid molekul tuleb siiski sünteesida ja katsetada katsealustes.

VEGFR-3 projekti raames teavitas BIOPTIC 110 ühendi testimisest kinaasi profiili katse abil. Mitmed molekulid näitasid aktiivsust VEGFR-3 vastu ja kolm olid selektiivsed ühe VEGFR sihtmärgi suhtes. Üks kandidaat näitas üle 45-kordset selektiivsust VEGFR-1 ja VEGFR-2 vastu raportis esitatud katsetes. Tulemused esitati 2025. aasta ASCO iga-aastase koosoleku kokkuvõttes ja avaldati kokkuvõttena Clinical Oncology ajakirjas.

Teadlased kombineerisid seejärel molekulaarsed avastused RNA järjestamise analüüsiga. Kasutades Oncobox algoritmi, analüüsisid nad tuhandeid kasvaja väljendusprofiile, et hinnata, millised vähitüübid võiksid olla kõige vastuvõtlikumad selektiivsele VEGFR-3 inhibeerimisele. Edasiste uuringute kandidaadid hõlmasid papillaarset kilpnäärmevähki, selget rakulist neeruvähki, pankrease vähki, munasarjavähki ja sarkoome.

Need on teadusuuringute tulemused, mitte tõendid selle kohta, et valmis vähiravimid on patsiendi jaoks valmis.

Teaduslikud tõendid BIOPTIC B1 taga

BIOPTICi tehnoloogiat on samuti kirjeldatud üksteise kontrollitud teaduslikus kirjanduses.

2025. aastal avaldasid teadlased uuringu ajakirjas Journal of Chemical Information and Modeling, kus kirjeldasid BIOPTIC B1 ja selle kasutamist perspektiivses ravimiavastuskatses, mille sihtmärgiks oli LRRK2, valk, mis on seotud Parkinsoni haigusega.

Süsteem otsis sama 40 miljardi molekuli keemilist ruumi ja tuvastas uusi ligande nii normaalse kui ka muteerunud LRRK2 vormide jaoks. Parimad eksperimentaalselt valideeritud ühendid saavutasid dissotsiatsiooni konstantide taseme kuni 110 nanomolaari.

Järgmine etapp on eriti oluline AI abil toimuva ravimiavastuse mõistmiseks. Esialgseid tulemusi ei käsitletud lõplike vastustena. Teadlased kasutasid parimaid ühendeid analoogotsingute alustamiseks, leidsid struktuuriliselt seotud molekule, filtreerisid need praktiliste omaduste järgi ja valisid kandidaadid, mida võiks realistlikult sünteesida.

48 valitud analooge saadi edukalt sünteesida 47 isendi ulatuses. Saadud ühendeid testiti seejärel uuesti, luues tagasiside tsükli arvutamise, keemia ja bioloogia vahel.

Miks AI ei saa asendada ravimi teadlasi

Väljend "AI avastab ravimeid" on kõnekas, kuid puudulik.

AI suudab järjestada molekule mustrite põhjal, mida on õppinud andmetest. See võib kiirendada virtuaalset skriinimist ja tuvastada keemilisi seoseid, mida oleks raske käsitsi uurida. Kuid ennustus jääb ennustuseks kuni katsetustööd selle kinnitavad.

Teadlased peavad endiselt vastama põhiküsimustele:

• Kas molekul tõepoolest seondub sihtmärgile?

• Kas see mõjutab soovitud bioloogilist tee?

• Kas see on piisavalt selektiivne?

• Kas see on toksiline?

• Kas see jõuab õigesse koesse?

• Kas see metaboliseerub ohutult?

• Kas see töötab loomadel?

• Kas see aitab inimhaigeid?

Lubav molekul võib igal hetkel ebaõnnestuda.

Just seetõttu võib selliste süsteemide nagu BIOPTIC B1 tegelik väärtus olla kiirus, mitte maagia. Kui AI suudab vähendada miljardeid teoreetilisi võimalusi paarikümne molekuli hulka, mida tasub testida, võib see muuta ravimi avastamise varajased etapid efektiivsemaks.

AI-jõulise meditsiini tulevik

BIOPTICi töö illustreerib laiemat muutust biotehnoloogias. AI muutub üha enam osaks uurimistööst ise, süsteem keemilise ruumi otsimiseks, katsete prioriseerimiseks ja molekulaarsete andmete ühendamiseks bioloogilise informatsiooniga.

Ettevõtte vähiuuringud on eriti huvitavad, kuna need ühendavad mitu arvutuse kihti: molekulaarsed skriinimised, selektiivsuse modelleerimine ja RNA-seq analüüs kasvaja bioloogias.

Kuid selle protsessi lõpptulemus ei ole AI genereeritud retsept. See on teadlaste katsetamiseks mõeldud hüpoteeside nimekiri.

See erinevus on oluline.

AI võib aidata teadlastel otsida miljardeid molekule kiiremini kui traditsioonilised meetodid. See võib avastada tundmatuid keemilisi raamistikke ja suunata laboratooriume kandidaatide poole, mis muidu jääksid varjatuks. Siiski peab molekul veel läbima keemia, bioloogia, toksikoloogia, eelneva kliinilise uurimise ja kliiniliste uuringute.

Teisisõnu, AI ei asenda teadlast, kes otsib vähiravi.

Kuid see annab sellele teadlasele tohutult võimsama otsingumootori.