Kuinka tekoäly auttaa syöpälääkkeiden etsimisessä: BIOPTICin molekyylilöytömoottorin sisällä

Löytää uusi lääke on usein kuvattu kuin neulan etsimistä heinätöistä. Todellisuudessa ongelma on paljon suurempi: "heinätö" voi sisältää miljardeja, jopa biljoonia, mahdollisia molekyylejä.

Tässä vaiheessa tekoäly astuu laboratorioon.

BIOPTIC, tekoälypainotteinen bioteknologiayritys, joka on yhteydessä yrittäjä ja entiseen Googlen johtajaan Andrey Doronicheviin, kehittää teknologiaa, joka hyödyntää koneoppimista valtavien kemiallisten kirjastojen etsimisessä molekyylejä, jotka voisivat tulevaisuudessa kehittyä uusiksi lääkkeiksi. Yksi yrityksen mielenkiintoisimmista ohjelmista keskittyy syöpään, jossa sen tekoälyjärjestelmää on käytetty tunnistamaan valikoivia VEGFR-3-inhibiittoreita, biologista kohdetta, joka on mukana kasvainten angiogeneesissä.

Tärkeä sana tässä on lopulta. Tekoäly ei paina nappia ja tuota valmista syöpälääkettä. Sen sijaan se auttaa tutkijoita päättämään, mitkä molekyylit ovat arvoisia synteettisiksi ja testattaviksi todellisessa maailmassa.

Mikä on BIOPTIC ja mitä sen tekoäly oikeastaan tekee?

BIOPTIC toimii tekoälyn, laskennallisen kemian ja lääkekehityksen risteyskohdassa. Sen keskeinen idea on käsitellä kemiallista löytämistä osittain etsimisongelmana.

Tavallinen lääkekehitysohjelma voi alkaa biologisesta kohteesta, proteiini, joka on osalistunut sairaudessa, ja etsiä sitten molekyyliä, joka kykenee vuorovaikuttamaan tämän kohteen kanssa halutulla tavalla. Haasteena on, että teoreettisesti mahdollisten lääkkeiden kaltaisten molekyylien määrä on hämmästyttävä.

BIOPTICin B1-järjestelmä yrittää tehdä tästä etsimisestä hallittavaa.

Järjestelmä esittää molekyylejä matemaattisesti, luoden kompakteja numeerisia upotuksia, jotka mahdollistavat kemiallisten rakenteiden vertailun suurilla nopeuksilla. Yrityksen vertaisarvioidun tutkimuksen mukaan B1 voi etsiä kirjastoja, jotka sisältävät kymmeniä miljardeja yhdisteitä, ja löytää molekyylejä, joilla saattaa olla samankaltaisia biologisia ominaisuuksia, vaikka niiden kemialliset rakenteet poikkeavat merkittävästi toisistaan.

Tekoäly ei siis korvata laboratorioita. Se toimii äärimmäisen nopeana suodattimena ennen laboratorio työskentelyn alkamista.

Kuinka BIOPTIC B1 etsii miljardeja molekyylejä?

B1:n tekninen perusta on ligandipohjainen virtuaalinen seulontajärjestelmä.

Ligandi on molekyyli, joka voi sitoutua biologiseen kohteeseen, kuten proteiiniin. Jos tutkijat tuntevat jo useita hyödyllisiä molekyylejä, nuo molekyylit voivat toimia lähtökohtina uudelle haulle.

B1 muuntaa molekyli-informaation kompaktiksi vektori-esitykseksi. Julkaistussa järjestelmässä kukin molekyyli esitetään 60-ulotteisena upotuksena, joka tallennetaan float16-tarkkuudella. Malli voi sitten verrata kysymysmolekyyliä etukäteen indeksoituihin molekyyliesityksiin ja laskea samankaltaisuuksia valtavassa mittakaavassa.

Järjestelmää testattiin Enamine REAL Space -virtuaalisessa kemiallisessa kirjastossa, joka sisältää noin 40 miljardia numeroituja molekyylejä.

Tuo mittakaava luo insinööriongelman yhtä paljon kuin tieteellisen. BIOPTICin tutkijat jakoivat prosessin kahteen vaiheeseen:

• Skannaaminen: neuroverkot käsittelevät molekyylejä ja tuottavat upotuksia.
• Etsiminen: Etukäteen lasketut upotukset verrataan ja palauttavat merkittävimmät kandidaatit.

Julkaistuissa vertailuissa haku 40 miljardin yhdisteen kirjastossa voitiin suorittaa noin kahdessa minuutissa ja 15 sekunnissa hyödyntäen SSD-pohjaista hakujärjestelmää, joka on kuvattu artikkelissa. RAM-pohjainen kokoonpano oli huomattavasti nopeampi.

Tämä ei tarkoita, että tekoäly ymmärtää biologisia ilmiöitä samalla tavalla kuin tutkija tekee. Se tarkoittaa, että järjestelmä voi nopeasti navigoida kemiallisen tilan matemaattisessa kartassa ja tunnistaa kandidaatit, jotka ansaitsevat tarkempaa huomiota.

Syöpäprojekti: Etsimässä valikoivia VEGFR-3-inhibiittoreita

BIOPTICin syöpäohjelma tarjoaa konkreettisen esimerkin siitä, kuinka lähestys tämä voi toimia.

Kohde on VEGFR-3, joka tunnetaan myös nimellä FLT4, reseptori, joka on mukana viestintäreiteissä, jotka liittyvät angiogeneesiin, uusien verisuonten muodostumiseen. Kasvaimet voivat hyödyntää angiogeneesiä tukemaan kasvuaan, mikä tekee tästä reitistä tärkeän alueen syöpätutkimuksessa.

Haasteena on selektiivisyys.

Lääkkeet, jotka vaikuttavat laajasti useisiin VEGF-reseptoreihin, voivat myös vaikuttaa muihin biologisiin järjestelmiin, mikä voi lisätä myrkyllisyyttä. BIOPTICin projektin tavoitteena oli tunnistaa pieniä molekyylejä, joilla on vahvempi selektiivisyys VEGFR-3:aa kohtaan.

Yritys käytti kaksimallista putkea:

SMILES on tekstipohjainen merkintä, jota käytetään molekyylien rakenteiden kuvaamiseen. Tämä tekee kemiasta yllättävän yhteensopivan kielimallitekniikoiden kanssa: molekyyli voidaan esittää symbolijonona, jolloin tekoälyjärjestelmät voivat opetella kuvioita kemiallisissa tiedoissa.

Kun ensimmäinen malli suodatti ultra-laajan kirjaston 40 miljardista yhdisteestä, graafista neuroverkkoa käytettiin toisena suodattimena. Toisin kuin tekstijono, graafi esittää atomit solmuina ja kemialliset sidokset yhteyksinä, mikä tekee GNN:istä hyödyllisiä molekyylirakenteiden ja -suhteiden mallintamisessa.

Digitaalisen ennusteen muuttaminen todelliseksi molekyyliksi

Tässä vaiheessa tekoälyn tarina muuttuu todelliseksi tieteeksi.

Tietokone voi ennustaa, että molekyyli vaikuttaa lupaavalta, mutta molekyyli on silti synnytettävä ja testattava kokeellisesti.

VEGFR-3 -projektissa BIOPTIC raportoi testanneensa 110 yhdisteitä kinasa-profiilitestin avulla. Useat molekyylit osoittivat aktiivisuutta VEGFR-3:aa vastaan, ja kolme oli selektiivisiä yhtä VEGFR-kohdetta kohtaan. Yksi kandidaatti osoitti yli 45-kertaista selektiivisyyttä VEGFR-1:een ja VEGFR-2:een raportoiduissa kokeissa. Tulokset esitettiin tiivistelmänä vuoden 2025 ASCO-vuosikokouksessa ja julkaistiin kokouskatsauksena Clinical Oncology Journalissa.

Tutkijat yhdistivät sitten molekyylilöydöt RNA-sekvensointi analyysiin. Hyödyntäen Oncobox-algoritmia he analysoivat tuhansia kasvaimen ilmaisuprofiileja arvioidakseen, mitkä syöpätyypit voisivat reagoida parhaiten selektiiviseen VEGFR-3 -inhibiittorin käsittelyyn. Raportoituja kandidaatteja lisätutkimuksiin olivat papillaarinen kilpirauhassyöpä, kirkassoluinen munuaissyöpä, haimasyöpä, munasarjasyöpä ja sarkoomat.

Nämä ovat tutkimustuloksia, eivät todisteita siitä, että valmis syöpälääke olisi valmiina potilaille.

Tieteelliset todisteet BIOPTIC B1:n takana

BIOPTICin teknologiaa on kuvattu myös vertaisarvioidussa tieteellisessä kirjallisuudessa.

Vuonna 2025 tutkijat julkaisi tutkimuksen Journal of Chemical Information and Modeling -lehdessä, joka kuvaa BIOPTIC B1:ä ja sen käyttöä ennakoivassa lääkekehityskokeessa, joka kohdistuu LRRK2:een, proteiiniin, joka liittyy Parkinsonin tautiin.

Järjestelmä etsi samaa 40 miljardin molekyylin kemiallista tilaa ja tunnisti uusia ligandeja sekä normaalimuodoille että mutatoituneille LRRK2:lle. Parhaat kokeellisesti validoidut yhdisteet saavuttivat dissosiaatiovakiot alhaisina kuin 110 nanomolaaria.

Seuraava vaihe on erityisen tärkeä ymmärtäessä tekoälyavusteista lääkekehitystä. Alkuperäiset löydöt eivät olleet viimeisiä vastauksia. Tieteilijät käyttivät parhaita yhdisteitä lähtökohtina analogiselle haulle, palauttivat rakenteellisesti liittyviä molekyylejä, suodattivat ne käytännön ominaisuuksien mukaan ja valitsivat kandidaatteja, jotka voitaisiin realistisesti synnyttää.

Valituista 48 analogista 47 synnytettiin onnistuneesti. Saadut yhdisteet testattiin sitten uudelleen, mikä loi palautesilmukan laskennan, kemian ja biologian välillä.

Miksi tekoäly ei voi korvata lääkkeentekijöitä

Lause "tekoäly löytää lääkkeitä" on houkutteleva, mutta epätäydellinen.

Tekoäly voi arvioida molekyylejä datasta oppimien kuvioiden perusteella. Se voi nopeuttaa virtuaalista seulontaa ja tunnistaa kemiallisia suhteita, joita olisi vaikea tutkia manuaalisesti. Mutta ennustus on edelleen ennustus, kunnes kokeellinen työ vahvistaa sen.

Tutkijoiden on edelleen vastattava peruskysymyksiin:

• Sitoutuuko molekyyli todella kohteeseen?
• Vaikuttaako se tarkoitetulle biologiselle reitille?
• Onko se tarpeeksi selektiivinen?
• Onko se myrkyllinen?
• Pääseekö se oikeaan kudokseen?
• Metaboloituuko se turvallisesti?
• Toimiko se eläimillä?
• Auttaako se ihmispotilaita?

Lupaava molekyyli voi epäonnistua millä tahansa vaiheessa.

Siksi BIOPTIC B1:n kaltaisten järjestelmien todellinen arvo voi olla nopeudessa sen sijaan, että se olisi taikuutta. Jos tekoäly voi vähentää miljardeja teoreettisia mahdollisuuksia muutamaan kymmeneen testiin kelpaavaan molekyyliin, se voi tehdä lääkekehityksen varhaisista vaiheista tehokkaampia.

Tekoälyn ohjaaman lääketieteen tulevaisuus

BIOPTICin työ kuvastaa laajempaa muutosta bioteknologiassa. Tekoälystä tulee yhä enemmän osa tutkimusinfrastruktuuria, järjestelmä kemiallisen tilan etsimiseen, kokeiden priorisoimiseen ja molekyylidatan yhdistämiseen biologiseen tietoon.

Yhtiön syöpätutkimus on erityisen mielenkiintoinen, koska se yhdistää useita laskentakerroksia: molekyyliseulontaa, selektiivisyyden mallintamista ja RNA-seq-analyysia kasvainten biologian osalta.

Mutta tämän prosessin lopullinen tuote ei ole tekoälyn tuottama resepti. Se on lyhyt lista hypoteeseista, joita tutkijat voivat testata.

Tällä erolla on merkitystä.

Tekoäly voi auttaa tutkijoita etsimään miljardeja molekyylejä nopeammin kuin perinteiset menetelmät. Se voi paljastaa tuntemattomia kemiallisia runkoja ja ohjata laboratoriot kandidaattien suuntaan, jotka muuten olisivat jääneet piiloon. Silti molekyylin on edelleen selvittävä kemiasta, biologiasta, toksikologiasta, preklinikoista ja kliinisistä kokeista.

Toisin sanoen, tekoäly ei korvata tiedemiestä, joka etsii syöpähoitoa.

Se tarjoaa tälle tiedemiehelle valtavasti tehokkaamman hakukoneen.