როგორ ეხმარება ხელოვნური ინტელიგენცია კიბოს წამლების ძიებაში: BIOPTIC-ის მოლეკულური აღმოჩენის მოწყობილობა

ახალი და მედიკამენტის აღმოჩენა ხშირად ეთამაშება მარცვლების მზეის ძებნის მსგავსად. რეალურად, პრობლემა გაცილებით უფრო დიდია: "მარცვლები" შეიძლება შეიცავდეს მილიարդობით - ან კიდე ტრილიონობით - შესაძლო მოლეკულას.

აქ ჩაერევა ხელოვნური ინტელიგენცია.

BIOPTIC, AI-მერთო ბიოტექნოლოგიური კომპანია, რომელიც დაკავშირებულია მეწარმე და ყოფილი Google-ის აღსარებისთვის ამოწერილი ანდრეი დოლორიჩევთან, ქმნის ტექნოლოგიას, რომელიც იყენებს მანქანური სწავლას, რომ მოძებნოს უზარმაზარი ქიმიური ბიბლიოთეკები მოლეკულებისთვის, რომლებიც შეიძლება მოგვიანებით გახდნენ ახალი მედიკამენტები. კომპანიის ყველაზე საინტერესო პროგრამების ერთ-ერთი მოიცავს კიბოს, სადაც მისი AI სისტემა გამოვიყენება VEGFR-3-ის სპეციალური ინჰიბიტორების კლასიფიკაციისათვის, ბიოლოგიური მიზანი, რომელიც დაკავშირებულია სიმსივნის ანგიოგენეზთან.

მნიშვნელოვანი სიტყვა აქ არის საბოლოო. AI არ დააჭერს ღილაკს და არ გამოიღებს დასრულებულ კიბოს წამალს. მაგ instead, ის ეხმარება მეცნიერებს გადაწყვიტონ, რომელ მოლეკულები ღირს სინთეზირება და ტესტირება რეალურ სამყაროში.

რა არის BIOPTIC და რას აკეთებს მისი AI?

BIOPTIC მოქმედებს ხელოვნური ინტელიგენციის, კომპიუტაციური ქიმიისა და წამლების აღმოჩენის გადაკვეთისას. მის ცენტრალურ იდეას წარმოადგენს ქიმიური აღმოჩენის ნაწილობრივ ძებნა.

კონვენციური წამლის აღმოჩენის პროგრამა შეიძლება დაიწყოს ბიოლოგიური მიზნით - დაავადებაში ჩართული პროტეინით - და შემდეგ ძებნის პროცესში მოძებნოს მოლეკულა, როგორიცაა მიზნის ძირითადი ურთიერთობა. გამოწვევა არის, რომ თეორიულად შესაძლო წამლების მსგავსი მოლეკულების რაოდენობა ასტრონომულია.

BIOPTIC-ის B1 სისტემა ცდილობს, რომ ეს ძებნა გაწვდოს.

სისტემა ფინანსურად წარმოადგენს მოლეკულებს, ქმნის კომპაქტურ ნომერირებულ გამოსახულებებს, რაც საშუალებას იძლევა ქიმიური სტრუქტურების სწრაფად შედარება. შესაბამისად, კომპანიის კომიტეტით გადახედვის გაკეთებული კვლევის მიხედვით, B1 შეუძლია ძებნა მოახდინოს ბიბლიოთეკებში, რომლებიც აერთიანებს ათასობით მილიარდების კომპაუნდებს და დაბრუნებულ მათ მოლეკულებს, რომლებსაც შესაძლოა ჰქონდეთ მსგავსი ბიოლოგიური თვისებები, როცა მათი ქიმიური სტრუქტურები მნიშვნელოვან დაწესებულებად არ განსხვავდება.

ამიტომ AI არ ცვლის ლაბორატორიას. ის მოქმედებს როგორც წყალქვეშა ძველი რაფარეთი, სანამ ლაბორატორიული სამუშაო იწყება.

როგორ ეძებს BIOPTIC B1 მილიარდობით მოლეკულებს?

B1-ის ტექნიკური საფუძველი არის გაზრდილი სურათების ვირტუალური სკრინინგის სისტემა.

გაზრდილი სურათი არის მოლეკულა, რომელიც შეიძლება ბიოლოგიური მიზნის დამწვრობად. თუ მეცნიერები ცნობენ რამდენიმე მოლეკულას, რომლებიც სასარგებლოა, ისინი შეიძლება იყოს დაწყებითი წერტილები ახალ ძებნასთან.

B1 გარდაქმნის მოლეკულური ინფორმაცია კომპაქტური ვექტორების წარმოდგენაში. ინდივიდუალურ სისტემაში, ყოველი მოლეკულა წარმოდგენილია 60-ბრუნული გამოსახულებით, რომელიც შენახულია float16-ზე. მოდელი შემდეგ შედარების პროცესში შედარების პროცესში შედარების პროცესში შედარების პროცესში შემდგომი შეკითხვა მოლეკულას შეადაროს მოსამარაგებულ მოლეკულებთან.

სისტემა გამოცდილი იქნა Enamine REAL Space-ზე, ვირტუალურ ქიმიურ ბიბლიოთეკაზე, რომელიც შეიცავს დაახლოებით 40 მილიარდ მოლეკულებს.

ასეთ მასშტაბებზე წარმოიქმნება საინჟინრო პრობლემა, როგორც მეცნიერების. BIOPTIC-ის მკვლევარებმა პროცესის გაწვდეს ორ ფაზად:

• სკანირება: ნეირალური ქსელები ალგორითმებით პროცესი მოლეკულებს.
• ძებნა: წინასწარ დამოკიდებული გამოსახულებები შედარებულია საუკეთესო ანალოგების დაბრუნებაში.

გამოცდილი benchmark-ების მიხედვით, 40-მილიარდად შექმნილი გამოსახულების შეძენა შესაძლებელია დაახლოებით ორ წუთსა და 15 წამში SSD-ზე შექმნილი ძებნით. RAM-ის კონფიგურაცია გაცილებით სწრაფი იყო.

ეს არ ნიშნავს, რომ AI გააუმჯობესებს ბიოლოგიას, როგორც მეცნიერების. ამას ნიშნავს, რომ სისტემა სწრაფად მოძრაობს ქიმიური საკრების დედინაცვალზე და იდენტიფიკირებს კანდიდატებზე, რომლებიც უფრო მეტი ყურადღების ღირსია.

კიბოს პროექტი: VEGFR-3-ის სპეციალური ინჰიბიტორების ძიება

BIOPTIC-ის კიბოს პროგრამა კონკრეტულად იძლევა მაგალითს, თუ როგორ შეუძლია განსაზღვროს, როგორ უნდა გააკეთოს მსგავსი साधლები.

მიზანი არის VEGFR-3, ასევე ცნობილი როგორც FLT4, მიმღები, რომელიც ანგიოგენეზთან დაკავშირებული სიგნალების გზაზე მონაწილეობის მონაწილეობს. სიმსივნეები შეიძლება გამოიყენოს ანგიოგენეზი, რათა იქნება საშუალებას აძლევს მათ ზრდას.

გამოწვევა არის შერჩევითი.

შედეგები, რომელთაც აქვს მრავალი VEGF მიმღები, ასევე შეიძლება მიუწვდოს სხვა ბიოლოგიურ სისტემებთან, რაც შესაძლოა ტოქსიურობას გაზრდოს. BIOPTIC-ის პროექტი მიზნად ისახავს მცირე მოლეკულების იდენტიფიცირებას, რომლებიც უფრო ძლიერად შეეფერება VEGFR-3-ის.

კომპანია გამოიყენა ორი მოდელი:

SMILES არის ტექსტური გამოხატულება, რომელიც გამოიყენება მოლეკულურ სტრუქტურების აღწერაზე. ეს უსიამოვნოდ გახდის ქიმიას, თუმცა, ეს ინფორმაცია გააუმჯობესებს სხვისით. მოლეკულა შეიძლება წარმოდგენილი იყოს სიმბოლოების თანმიმდევრობით, რაც პროგრამებს საშუალებას აძლევს შეისწავლოს ქიმიური მონაცემების კანონზომიერებები.

პირველი მოდელის მიერ გამოკვეთილი უზარმაზარი 40 მილიარდი კომპაუნდი გაიარა, გრაფიკული ნეირალური ქსელი როგორც მეორე ფილტრად. ტექსტური თანმიმდევრობისგან განსხვავებით, გრაფიკა აჩვენებს ატომებს როგორც კვანძები და ქიმიური კავშირები, რაც GNN-ებს მოლეკულური სტრუქტურების მოდელირებისა და ურთიერთობებისათვის სასარგებლოა.

ციფრული პროგნოზიდან რეალურ მოლეკულამდე

ეს არის წერტილი, როდესაც AI ამბავი ხდება ნამდვილ მეცნიერებად.

კომპიუტერი შეუძლია პროგნოზი, რომ მოლეკულა სასარგებლოა, მაგრამ მოლეკულა უნდა იყოს სინთეზირებული და ექსპერიმენტულად ტესტირება.

VEGFR-3-ის პროექტში BIOPTIC-მა გამოაცხადა 110 კომპაუნდის ტესტირება კინაზის პროფილების გამოყენებით. რამდენიმე მოლეკულებმა აჩვენეს აქტივობა VEGFR-3-ის წინააღმდეგ, და სამივე მომხმარებლური VEGFR მიმღებისათვის განსაკუთრებული იყვნენ. ერთი კანდიდატი აუმჯობესებდა VEGFR-1 და VEGFR-2-ზე 45-ჯერ უმჯობესობის მტკიცებულებით. შედეგები წარმოდგენილი იქნა 2025 წლის ASCO ყოველწლიური შეხვედრის აბსტრაქტზე და გამოქვეყნდა როგორც შეხვედრის აბსტრაქტი კლინიკური ონკოლოგიის ჟურნალში.

მკვლევარებმა შემდეგ მოლეკულური აღმოჩენა შეაერთეს RNA სექვენირების ანალიზთან. ონკობლოკის ალგორითმის გამოყენებით, ისინი გააანალიზეს ათასობით სიმსივნის გამოხატვის პროფილი, რათა დააფიქსირონ, რომელი კიბოს ტიპები შეიძლება ყველაზე მეტად იყო პასუხისმგებელი VEGFR-3-ის ინჰიბირებაზე. შემდგომი გამოძიებისათვის ცხადია, რომ რეპორტებზე იგულისხმება: პაპილარული ორგანული კიბო, სუფთა-ცნობილი ფარმაკოლოგიური კიბო, პანკრეატიკული კიბო, კვების კიბო და საძირკვლები.

ეს არის კვლევის შედეგები - არ არის მტკიცებულება, რომ დასრულებული კიბოს მედიკამენტი მზად არის პაციენტებისთვის.

BIOPTIC B1-ის უკანასკნელი სამეცნიერო მტკიცებულება

BIOPTIC-ის ტექნოლოგიას ასევე აღწერდნენ კომიტეტური მუშაობის სამეცნიერო ლიტერატურაში.

2025 წელს მკვლევარებმა გამოაქვეყნეს კვლევა ქიმიური ინფრომაციისა და მოდელირების ჟურნალში BIOPTIC B1-ის გამოყენების პროცესზე წამლის აღმოჩენაში, რომელიც მიზნად ისახავდა LRRK2-ზე, პროტეინის, რომელიც დაკავშირებულია პარაკვინის დაავადებასთან.

სისტემამ ძება 40 მილიარდ მოლეკულების ქიმიური სივრცის მსგავს სამეცნიერო გამოცდას და გამოთქვამდა ახალი ლიგანდების LRRK2-თვის, როგორც ნორმალური, ისე მუტანტი ფორმებზე. საუკეთესო ექსპერიმენტულად დადასტურებული კომპაუნდები მიაღწიეს დაშლის კონსტანტის მინიმუმ 110 ნანომალარ.

შემდეგი ეტაპი განსაკუთრებით მნიშვნელოვანია AI-ს დახმარების წამლების აღმოჩენის გასაგებად. საწყისი დარტყმები არ ითვალისწინებდნენ საბოლოო პასუხებად. მეცნიერებმა გამოიყფინეს საუკეთესო კომპაუნდები ანალოგურ ძებნებზე, დაბრუნდნენ სტრუქტურად დაკავშირებული მოლეკულები, სთხოვეს პრაქტიკულ თვისებებს და შეარჩიეთ კანდიდატები, რომლებიც რეალურად უნდა შეიქმნან.

48 არჩეული ანალოგიდან 47 წარმატებით აშენდა. الناتელი ქენდებათარები, შემდეგ ისევ ტესტირება, ქმნიან მეურვეობის მარწუხებს გაწვდვაში, ქიმიასა და ბიოლოგიაში.

რატომ ვერ შეცვლა AI წამლის მეცნიერები

ფრაზა “AI აღმოაჩენს წამლებს” არის დამაინტერესებელი, თუმცა არასწორი.

AI შეუძლია მოლეკულების რეიტინგი მონაცემებიდან მოტანილი მოდელების ბაზაზე. ის შეუძლია აჩქარდოს ვირტუალური სკრინინგი და მიაწვდოს ქიმიური ურთიერთობები, რომლებიც რთულია ხელით გამოკვლევისთვის. მაგრამ პროგნოზი პროგრამურ უნდა მოვისმინოთ პარლამენტურ ნამუშევრებზე.

მეცნიერებს კვლავ უნდა უპასუხონ ძირითადი კითხვების:

• ნამდვილად ვეკავშირებით მეცნიერების მიზანს?
• ის გავლენას ახდენს მითითებული ბიოლოგიურ გზაზე?
• საკმარისადაა იგი შერჩევითი?
• არის იგი ტოქსიური?
• ეს მივაღწევს სწორ ტყუილს?
• მას უსაფრთხო მეტაბოლიზმი აქვს?
• ის მუშაობს ცხოველებზე?
• ის ეხმარება ადამიანურ პაციენტებს?

პერსპექტიული მოლეკულა ნებისმიერი წერტილში შეუძლიათ.

ეს არის რატომაც შეერთდება BIOPTIC B1-ის მსგავსი სისტემების რეალური ღირებულება შეიძლება იყოს სისწრაფეები, არა მაგია. თუ AI შეუძლია მილიარდობით თეორიული შესაძლებლობების შემცირება რამდენიმე ათეულ მოლეკულამდე, რომელიცწურვა ღირს, ის შეიქმნის წამლის აღმოჩენის დასაწყისში უფრო ეფექტური.

AI-ს დაფუძნებული მედიცინის მომავალი

BIOPTIC-ის ერთობლიობა უფრო ფართო ცვლილების მაგალითია ბიოტექნოლოგიაში. AI თანდათანობით ხდება კვლევის ინფრასტრუქტურა - ქიმიური სივრცის ძებნის სისტემა, ექსპერიმენტების პრიორიტეტი და მოლეკულური მონაცემების ბიოლოგიური ინფორმაციის დაკავშირება.

კომპანიის კიბოს კვლევა განსაკუთრებით საინტერესოა, რადგან ის სექრეტიზირდება რამდენიმე ციფრული პრინციპების მიხედვით: მოლეკულური სკრინინგი, შერჩევითი მოდელირება და RNA-seq-ის ანალიზით სიმსივნის ბიოლოგიაზე.

მაგრამ ამ პროცესის საბოლოო პროდუქტი არ არის AI-ის მიერ შექმნილი ნარკოტიკების რეცეპტი. դա არის ჰიპოთეზების მოკლე ჩამწერი მეცნიერების გამოსაკვლევად.

ეს განსხვავება მნიშვნელოვანია.

AI შესაძლოა დაეხმაროს მკვლევარებს მილიარდობით მოლეკულების ძიებში უფრო სწრაფად, ვიდრე ტრადიციები შეძლებს. ის შესაძლოა საფრთხების უნიკალური ქიმიური საძირკვლების აღმოჩენა და მოლეკულები, რომლებსაც სწორედ იმიტომ დააკვირდნენ, ვერ მოიძიებდნენ. თუმცა მოლეკულა ისევ უნდა გამოიძიოს ქიმიის, ბიოლოგიის, ტოქსიოლოგიის, წინასწარი კვლევის და კლინიკური გამოცდების პროცესის დახმარებით.

დასასრულ, AI არ ცვლის მეცნიერების, რომელიც ეძებს კიბოს სამკურნალოდ.

ის აძლევს ამ მეცნიერებს ძალიან უფრო ძლიერ ძების მოწყობილობას.