Kaip AI padeda ieškoti vėžio vaistų: BIOPTIC molekulinė atradimų variklis

Ieškoti naujo vaisto dažnai apibūdinama kaip ieškoti adatos šieno krūvoje. Iš tikrųjų problema yra daug didesnė: „šieno krūva“ gali turėti milijardus, ar net trilijonus, galimų molekulių.

Tai ir yra ta vieta, kur į laboratoriją įsitraukia dirbtinis intelektas.

BIOPTIC, AI pagrindu veikianti biotechnologijų įmonė, asociuota su verslininku ir buvusiu „Google“ vadovu Andrey Doronichev, kuriama technologija, naudojanti mašininį mokymąsi, kad ieškotų milžiniškų cheminių bibliotekų molekulių, kurios galėtų tapti naujomis vaistinėmis. Viena iš įdomiausių įmonės programų yra susijusi su vėžiu, kur jos AI sistema buvo naudojama identifikuoti selektyvius VEGFR-3 inhibitorius, biologinį taikinį, susijusį su naviko angiogeneze.

Svarbus žodis čia yra „galiausiai“. AI nespaudžia mygtuko ir neatprodukuoja paruošto vėžio vaisto. Vietoj to, jis padeda mokslininkams nuspręsti, kurios molekulės vertos sintezės ir realaus pasaulio testavimo.

Ką daro BIOPTIC ir ką iš tikrųjų veikia jo AI?

BIOPTIC veikia dirbtinio intelekto, kompiuterinės chemijos ir vaistų atradimo sankirtoje. Pagrindinė idėja yra dalinai laikyti cheminį atradimą paieškos problema.

Įprastas vaistų atradimo procesas gali prasidėti nuo biologinio tikslo, ligos susijusio baltymo, ir tada ieškoti molekulės, kuri galėtų bendrauti su šiuo tikslu pageidaujamu būdu. Iššūkis yra tas, kad teoriškai įmanomų vaistinėms molekulių skaičius yra astronominis.

BIOPTIC B1 sistema bando padaryti šią paiešką valdomą.

Sistema matematiniu būdu vaizduoja molekules, kurianti kompaktiškus skaitmeninius atvaizdavimus, leidžiančius chemines struktūras palyginti dideliu greičiu. Pasak įmonės recenzuojamo tyrimo, B1 gali ieškoti bibliotekose, kuriose yra dešimtys milijardų junginių, ir atgauti molekules, kurios gali turėti panašias biologines savybes net jei jų cheminės struktūros gerokai skiriasi.

Todėl AI nepakeičia laboratorijos. Jis veikia kaip nepaprastai greitas filtras prieš pradedant laboratorinį darbą.

Kaip BIOPTIC B1 ieško milijardų molekulių?

B1 techninė bazė yra ligandais paremtas virtualaus filtravimo sistema.

Ligandas yra molekulė, galinti jungtis su biologiniu tikslu, pavyzdžiui, baltymu. Jei mokslininkai jau žino keletą molekulių su naudingomis savybėmis, tos molekulės gali tarnauti kaip pradžios taškai naujai paieškai.

B1 paverčia molekulinę informaciją kompaktišku vektorinės atvaizdavimo. Paskelbtame sistemoje kiekviena molekulė yra vaizduojama kaip 60 dimensijų atvaizdas, saugomas naudojant float16 tikslumą. Tada modelis gali palyginti užklausos molekulę su iš anksto indekso molekuliniais atvaizdais ir apskaičiuoti panašumą milžiniškais mastais.

Sistema buvo testuota „Enamine REAL Space“, virtualioje cheminėje bibliotekoje, kurioje yra apie 40 milijardų pateiktų molekulių.

Šis mastas sukuria inžinerinę problemą tiek, kiek mokslinę. BIOPTIC tyrėjai procesą suskirstė į dvi fazes:

• Sk scanning: dirbtiniai neuroniniai tinklai apdoroja molekules ir generuoja atvaizdus.
• Ieškoti: iš anksto apskaičiuoti atvaizdai lyginami norint gauti reikalingiausius kandidatus.

Paskelbtose normose, paieška per 40 milijardų junginių biblioteką galėjo būti atlikta maždaug per dvi minutes ir penkiolika sekundžių naudojant SSD pagrindu veikiančią paieškos sistemą, aprašytą straipsnyje. RAM pagrindu veikianti konfigūracija buvo žymiai greitesnė.

Tai nereiškia, kad AI supranta biologiją taip, kaip tai daro mokslininkas. Tai reiškia, kad sistema gali greitai naršyti matematiniame cheminės erdvės žemėlapyje ir identifikuoti kandidatus, kuriems reikia daugiau dėmesio.

Vėžio projektas: ieškant selektyvių VEGFR-3 inhibitorių

BIOPTIC vėžio programa yra konkreti šios požiūrio, kaip jis gali veikti, pavyzdys.

Tikslas yra VEGFR-3, dar žinomas kaip FLT4, receptorius, dalyvaujantis signalizacijos keliuose, susijusiuose su angiogeneze, naujų kraujagyslių susidarymu. Navikai gali pasinaudoti angiogeneze, kad palaikytų savo augimą, todėl šis kelias yra svarbi vėžio tyrimų sritis.

Iššūkis yra selektyvumas.

Vaistai, kurie plačiai veikia kelis VEGF receptorius, taip pat gali bendrauti su kitomis biologinėmis sistemomis, potencialiai didindami toksiškumą. BIOPTIC projektas siekė identifikuoti mažas molekules su stipresniu selektyvumu VEGFR-3.

Įmonė naudojo dviejų modelių vamzdyną:

SMILES yra teksto pagrindu sukurtas notation, naudojamas molekulinių struktūrų aprašymui. Tai daro chemiją neįtikėtinai suderinamą su kalbos modelių technikomis: molekulė gali būti vaizduojama kaip simbolių seka, leidžianti AI sistemoms mokytis cheminiuose duomenyse esančių raštų.

Po to, kai pirmasis modelis pertraukė ultra-didelę 40 milijardų junginių biblioteką, grafų neuroninis tinklas buvo naudojamas kaip antrasis filtras. Skirtingai nuo teksto sekos, grafas vaizduoja atomus kaip mazgus ir cheminius ryšius kaip jungtis, dėl ko GNN tampa naudingi modeliuojant molekulinę struktūrą ir santykius.

Iš skaitinio numatymo į realią molekulę

Tai ta vieta, kur AI istorija tampa tikra mokslas.

Kompiuteris gali numatyti, kad molekulė atrodo perspektyvi, bet molekulė vis tiek turi būti sintetinama ir eksperimentaliai testuojama.

VEGFR-3 projekte BIOPTIC pranešė, kad testavo 110 junginių, naudodami kinazės profilavimo testą. Kelios molekulės parodė veiklą prieš VEGFR-3, o trys buvo selektyvūs vienam VEGFR tikslui. Vienas kandidatas parodė daugiau nei 45 kartų selektyvumą prieš VEGFR-1 ir VEGFR-2 praneštuose eksperimentuose. Išvados buvo pristatytos 2025 m. ASCO metiniame susitikime ir paskelbtos kaip susitikimo santrauka „Journal of Clinical Oncology“.

Tyrėjai tada sujungė molekulinį atradimą su RNA sekos analize. Naudodami Oncobox algoritmą, jie analizavo tūkstančius navikų ekspresijos profilių, kad įvertintų, kurie vėžio tipai galėtų būti labiausiai reaguojantys į selektyvų VEGFR-3 slopinimą. Pranešti kandidatai tolimesniam tyrimui apėmė papiljinę skydliaukės vėžį, aiškią ląstelinę inkstų vėžį, kasos vėžį, kiaušidžių vėžį ir sarkomas.

Tai yra tyrimų rezultatai, ne įrodymas, kad baigtas vėžio vaistas paruoštas pacientams.

Moksliniai įrodymai už BIOPTIC B1

BIOPTIC technologija taip pat buvo aprašyta recenzuojamoje mokslinėje literatūroje.

2025 m. tyrėjai paskelbė tyrimą „Journal of Chemical Information and Modeling“, aprašydami BIOPTIC B1 ir jos naudojimą perspektyviame vaistų atradimo eksperimente, orientuotame į LRRK2, baltymą, susijusį su Parkinsono liga.

Sistema ieškojo to paties 40 milijardų molekulių cheminio erdvės ir identifikavo naujus ligandus tiek normaliai, tiek mutantiškai formai LRRK2. Geriausi eksperimentinį validaciją turintys junginiai pasiekė disociacijos konstantą, žemesnę nei 110 nanomoliarų.

Kitas etapas ypač svarbus norint suprasti AI padedamą vaistų atradimą. Pradiniai rezultatai nebuvo vertinami kaip galutiniai atsakymai. Mokslininkai naudojo geriausius junginius kaip pradžios taškus analoginės paieškos, atgavo struktūriškai susijusias molekules, filtravo jas pagal praktines savybes ir pasirinko kandidatus, kurie galėtų būti realiai sintetinami.

Iš 48 pasirinkto analogų, 47 buvo sėkmingai sintetinami. Gautieji junginiai vėl buvo testuojami, sukuriant atsiliepimų kilpą tarp skaičiavimo, chemijos ir biologijos.

Kodėl AI negali pakeisti vaistų mokslininkų

Fraze „AI atranda vaistus“ yra gaudnus, tačiau nevisiškas.

AI gali rikiuoti molekules remdamasi raštais, išmoko iš duomenų. Tai gali pagreitinti virtualų filtravimą ir identifikuoti cheminius ryšius, kuriuos būtų sunku ištirti rankiniu būdu. Bet numatymas lieka numatymu, kol eksperimentinis darbas tai patvirtina.

Mokslininkai vis dar turi atsakyti į esminius klausimus:

• Ar molekulė iš tikrųjų jungiasi su tikslu?
• Ar ji veikia numatytą biologinį kelią?
• Ar ji pakankamai selektyvi?
• Ar ji toksiška?
• Ar ji gali pasiekti tinkamą audinį?
• Ar ji metabolizuojama saugiai?
• Ar ji veikia gyvūnams?
• Ar ji padeda žmogaus pacientams?

Perspektyvi molekulė bet kuriuo metu gali nepavykti.

Būtent todėl tikroji sistemų, tokių kaip BIOPTIC B1, vertė gali būti greitis, o ne magija. Jei AI gali sumažinti milijardus teorinių galimybių iki keleto dešimčių molekulių, vertų testuoti, tai gali padaryti ankstyvą vaistų atradimo etapą efektyvesnį.

Ateities AI varomą mediciną

BIOPTIC darbas iliustruoja platesnį transformaciją biotechnologijose. AI vis labiau tampa tyrimų infrastruktūros dalimi, sistema, leidžianti ieškoti cheminės erdvės, prioritetizuoti eksperimentus ir sujungti molekulinius duomenis su biologine informacija.

Įmonės vėžio tyrimai yra ypač įdomūs, nes jie jungia kelis skaičiavimo sluoksnius: molekulinį filtravimą, selektyvumo modeliavimo ir RNA-seq navikų biologijos analizę.

Tačiau galutinis šio proceso produktas nėra AI sugeneruotas receptas. Tai yra trumpas hipotezių sąrašas mokslininkams, kurias reikia išbandyti.

Šis skirtumas yra svarbus.

AI gali padėti tyrėjams ieškoti milijardų molekulių greičiau nei tradiciniai metodai. Tai gali atskleisti nežinomus cheminius karkasus ir nurodyti laboratorijoms kandidatus, kurie kitaip liktų paslėpti. Vis dėlto molekulė vis tiek turi ištverti chemiją, biologiją, toksikologiją, priešklinikinį tyrimą ir klinikines studijas.

Kitais žodžiais tariant, AI nepakeičia mokslininko, kuris ieško gydymo vėžiui.

Ji suteikia tam mokslininkui žymiai galingesnį paieškos variklį.