Kā mākslīgais intelekts palīdz meklēt vēža zāles: iekļūšana BIOPTIC molekulu atklāšanas dzinējā

Ienākot laboratorijā, tiek aizvien biežāk lietots izteiciens, ka jaunas zāles meklēšana ir kā adatas meklēšana salmiņos. Patiesībā problēma ir daudz plašāka: "salmiņi" var saturēt miljardiem, pat triljoniem, iespēju molekulu.

Šeit iejaucas mākslīgais intelekts.

BIOPTIC, biotehnoloģiju uzņēmums, kas pirmkārt balstīts uz mākslīgo intelektu un ir saistīts ar uzņēmēju un bijušo Google izpilddirektoru Andreju Doronichevu, izstrādā tehnoloģiju, kas izmanto mašīnmācīšanos, lai meklētu milzīgas ķīmiskas bibliotēkas molekulām, kas galu galā varētu kļūt par jauniem medikamentiem. Viens no uzņēmuma interesantākajiem projektiem koncentrējas uz vēzi, kur tā AI sistēma ir izmantota, lai identificētu selektīvus VEGFR-3 inhibitorus, kas ir bioloģiska mērķa, kas iesaistīts audzēju angiogenezē, selektīvi.

Svarīgākais vārds šeit ir galu galā. AI neizspiež pogu un neizveido pabeigtu vēža medikamentu. Uzņēmums palīdz zinātniekiem izlemt, kuras molekulas ir vērts sintezēt un testēt reālajā pasaulē.

Kas ir BIOPTIC un ko īsti dara tā AI?

BIOPTIC darbojas mākslīgā intelekta, datorzinātnes un zāļu atklāšanas krustojumā. Tās pamatideja ir daļēji uztvert ķīmiskās atklāšanas kā meklēšanas problēmu.

Parastā zāļu atklāšanas programma var sākties ar bioloģisku mērķi, olbaltumvielu, kas saistīts ar slimību, un pēc tam meklēt molekulu, kas spēj interaktēt ar šo mērķi vēlamajā veidā. Izaicinājums ir tas, ka teorētiski iespējamo zāļu molekulu skaits ir astronomisks.

BIOPTIC B1 sistēma mēģina šo meklēšanu padarīt vadāmu.

Sistēma matemātiski attēlo molekulas, radot kompakta numeriska atgriezuma, kas ļauj salīdzināt ķīmiskās struktūras augstā ātrumā. Saskaņā ar uzņēmuma recenzētajiem pētījumiem B1 var meklēt bibliotēkas, kas satur desmitiem miljardu savienojumu, un atgūt molekulas, kas varētu būt ar līdzīgām bioloģiskām īpašībām, pat ja to ķīmiskās struktūras būtiski atšķiras.

AI tādējādi neaizvieto laboratoriju. Tas darbojas kā neticami ātrs filtrs pirms laboratorijas darbu uzsākšanas.

Kā BIOPTIC B1 meklē miljardiem molekulu?

B1 tehniskā bāze ir ligandu balstīta virtuālo skrīninga sistēma.

Ligands ir molekula, kas var saistīties ar bioloģisko mērķi, piemēram, olbaltumvielu. Ja zinātnieki jau zina vairākus molekulas, kam ir noderīga aktivitāte, tās var kalpot par sākumpunktu jaunai meklēšanai.

B1 pārveido molekulāro informāciju kompakta vektora attēlojumā. Publicētajā sistēmā katra molekula ir attēlota kā 60-dimensionālais ieguldījums, kas uzglabāts, izmantojot float16 precizitāti. Modelis pēc tam var salīdzināt pieprasījuma molekulu ar iepriekš indeksētām molekulārajām attēlotajām un aprēķināt līdzību milzīgā mērogā.

Sistēma tika testēta Enamine REAL Space, virtuālā ķīmiskā bibliotēkā, kas satur apmēram 40 miljardus uzskaitītu molekulu.

Šis mērogā rada inženiertehnisku problēmu tikpat daudz, cik zinātnisku. BIOPTIC pētnieki procesu sadalīja divās fāzēs:

• Skenēšana: neironu tīkli apstrādā molekulas un ģenerē ieguldījumus.

• Meklēšana: iepriekš aprēķinātie ieguldījumi tiek salīdzināti, lai atgūtu visatbilstošākos kandidātus.

Publicētajos salīdzinošos tests meklēšana 40 miljardu savienojumu bibliotēkā varēja tikt veikta apmēram divās minūtēs un piecpadsmit sekundēs, izmantojot SSD balstītu meklēšanas iestatījumu, kas aprakstīts rakstā. RAM balstīta konfigurācija bija ievērojami ātrāka.

Tas nenozīmē, ka AI saprot bioloģiju tādā pašā veidā kā zinātnieks. Tas nozīmē, ka sistēma var ātri orientēties matemātiskajā kartē ķīmiskajā telpā un identificēt kandidātus, kuriem jāpievērš īpaša uzmanība.

Vēža projekts: selektīvo VEGFR-3 inhibitoru meklēšana

BIOPTIC vēža programma piedāvā konkrētu piemēru, kā šis piegājiens var darboties.

Mērķis ir VEGFR-3, ko arī pazīst kā FLT4, receptora, kas iesaistīts signālu ceļos, kas saistīti ar angiogenezē, jaunu asinsvadu veidošanu. Audzēji var izmantot angiogenezē, lai atbalstītu savu izaugsmi, padarot šo ceļu par svarīgu jomu vēža izpētē.

Izaicinājums ir selektivitāte.

Zāles, kas plaši ietekmē vairākus VEGF receptorus, var arī mijiedarboties ar citām bioloģiskām sistēmām, iespējams palielinot toksicitāti. BIOPTIC projekts bija vērsts uz mazo molekulu identificēšanu ar spēcīgāku selektivitāti attiecībā uz VEGFR-3.

Uzņēmums izmantoja divu modeļu procesu:

SMILES ir tekstbāzēta notācija, ko izmanto, lai aprakstītu molekulas struktūras. Tas padara ķīmiju pārsteidzoši saderīgu ar valodas modeļu tehnikām: molekulu var attēlot kā simbolu secību, ļaujot AI sistēmām mācīties modeļus ķīmiskajos datos.

Pēc tam, kad pirmais modelis pārskatīja ultraplatu bibliotēku ar 40 miljardiem savienojumu, rodas grafu neironu tīkls kā otrais filtrs. Atšķirībā no teksta secības, grafiks attēlo atomus kā mezglus un ķīmiskās saites kā saistības, padarot GNN noderīgus molekulu struktūras un attiecību modelēšanai.

No digitālās prognozes līdz reālai molekulai

Tieši šeit AI stāsts kļūst par reālu zinātni.

Dators var prognozēt, ka molekula izskatās solīga, taču molekula joprojām ir jāsintezē un jāpārbauda eksperimentāli.

VEGFR-3 projektā BIOPTIC ziņoja par 110 savienojumu testēšanu, izmantojot kināzes profilēšanas analīzi. Dažas molekulas parādīja aktivitāti pret VEGFR-3, un trīs bija selektīvi attiecībā uz vienu VEGFR mērķi. Viens kandidāts parādīja vairāk nekā 45 reizes selektivitāti pret VEGFR-1 un VEGFR-2 ziņotajos eksperimentus. Atrasti rezultāti tika prezentēti kopsavilkumā 2025. gada ASCO gada sanāksmei un publicēti kā sanāksmes kopsavilkums Žurnālā Klīniskā Onkoloģija.

Pētnieki tad apvienoja molekulu atklāšanu ar RNA sekvenēšanas analīzi. Izmantojot Oncobox algoritmu, viņi analizēja tūkstošiem audzēju ekspresijas profilu, lai novērtētu, kuri vēža veidi varētu būt visatbilstošākie selektīvai VEGFR-3 inhibīcijai. Ziņotie kandidāti papildu izpētei iekļāva papilāru vairogdziedzera vēzi, skaidrojo šūnu nieru vēzi, aizkuņģa dziedzera vēzi, olnīcu vēzi un sarkomas.

Šie ir pētījumu rezultāti, ne pierādījumi, ka pabeigts vēža medikaments ir gatavs pacientiem.

Zinātniskie pierādījumi aiz BIOPTIC B1

BIOPTIC tehnoloģija arī tika aprakstīta recenzētajā zinātniskajā literatūrā.

2025. gadā pētnieki publicēja pētījumu Žurnālā Ķīmiskā Informācija un Modelēšana, aprakstot BIOPTIC B1 un tās izmantošanu perspektīvā zāļu atklāšanas eksperimentā, kas mērķē uz LRRK2, olbaltumvielu, kas saistīta ar Parkinsona slimību.

Sistēma meklēja to pašu 40 miljardu molekulu ķīmisko telpu un identificēja jaunus ligandus gan normālām, gan mutētām LRRK2 formām. Labākie eksperimentāli validētie savienojumi sasniedza disociācijas konstantus līdz 110 nanomolar.

Nākamais posms ir īpaši svarīgs izpratnei par AI palīdzēto zāļu atklāšanu. Sākotnējie atradumi netika uzskatīti par gala atbildēm. Zinātnieki izmantoja labākos savienojumus kā sākumpunktus analogu meklēšanai, atguva strukturāli saistītās molekulas, filtrēja tās praktiskajām īpašībām un izvēlējās kandidātus, kurus varētu reāli sintezēt.

No 48 izvēlētajiem analogiem 47 tika veiksmīgi sintezēti. Rezultātā iegūtie savienojumi vēlreiz tika testēti, radot atgriezeniskās saites cilpu starp aprēķiniem, ķīmiju un bioloģiju.

Kāpēc AI nevar aizstāt zāļu zinātniekus

Frāze "AI atklāj zāles" ir pievilcīga, taču nepilnīga.

AI var rangēt molekulas, pamatojoties uz modeļiem, kas iegūti no datiem. Tas var paātrināt virtuālo skrīningu un identificēt ķīmiskās attiecības, kuras būtu grūti izpētīt manuāli. Taču prognoze paliek prognoze, līdz eksperimentālais darbs to apstiprina.

Zinātniekiem joprojām ir jāatbild uz pamatjautājumiem:

• Vai molekula patiešām saistās ar mērķi?

• Vai tā ietekmē paredzēto bioloģisko ceļu?

• Vai tā ir pietiekami selektīva?

• Vai tā ir toksiska?

• Vai tā var sasniegt pareizo audu?

• Vai tā tiek metabolizēta droši?

• Vai tā darbojas dzīvniekiem?

• Vai tā palīdz cilvēku pacientiem?

Solīga molekula var izgāzties jebkurā brīdī.

Tāpēc tādām sistēmām kā BIOPTIC B1 patiesā vērtība var būt ātrums, nevis burvība. Ja AI var samazināt miljardus teorētisko iespēju līdz dažām dušām molekulām, kas ir vērts testēt, tas var padarīt agrīnās zāļu atklāšanas posmus efektīvākus.

Nākotne AI virzītajā medicīnā

BIOPTIC darbs ilustrē plašāku transformāciju biotehnoloģiju jomā. AI arvien vairāk kļūst par daļu no paša pētniecības infrastruktūras, sistēmas, kas meklē ķīmisko telpu, prioritizē eksperimentus un savieno molekulāros datus ar bioloģisko informāciju.

Uzņēmuma vēža pētniecība ir īpaši interesanta, jo tā apvieno vairākus aprēķinu slāņus: molekulāro skrīningu, selektivitātes modelēšanu un RNA-seq analīzi audzēju bioloģijā.

Taču šī procesa gala produkts nav AI radīta recepte. Tas ir īss hipotēžu saraksts, ko zinātnieki testē.

Šī atšķirība ir svarīga.

AI var palīdzēt pētniekiem meklēt miljardiem molekulu ātrāk nekā tradicionālās metodes. Tā var atklāt nezināmus ķīmiskos pamatus un norādīt laboratorijām uz kandidātiem, kas citādi paliktu apslēpti. Tomēr molekulai joprojām ir jāiztur ķīmija, bioloģija, toksikoloģija, pirmsklīniskie pētījumi un klīniskie izmēģinājumi.

Citiem vārdiem sakot, AI neaizvieto zinātnieku, kurš meklē vēža ārstēšanu.

Tas dod šim zinātniekam neticami jaudīgu meklēšanas dzinēju.