Како вештачката интелигенција помага во пребарувањето на лекови против рак: Внатре во молекуларниот откривен мотор на BIOPTIC

Наоѓањето нов лек често се опишува како да се бара игла во слама. Во реалноста, проблемот е многу поголем: „сламата“ може да содржи милијарди, или дури трилиони, можни молекули.

Ова е местото каде што вештачката интелигенција влегува во лабораторијата.

BIOPTIC, компанија за биотехнологија која првенствено се фокусира на вештачка интелигенција и е поврзана со претприемачот и поранешниот извршен директор на Google, Андреј Дороничев, развива технологија која користи машинско учење за пребарување на огромни хемиски библиотеки за молекули кои на крајот би можеле да станат нови лекови. Еден од најинтересните програми на компанијата се фокусира на рак, каде што нејзиниот AI систем се користи за идентификување на селективни инхибитори на VEGFR-3, биолошка цел поврзана со ангиогенезата на туморите.

Важната реч овде е на крајот. AI не притиска копче и произведува завршен лек против рак. Наместо тоа, помага на научниците да одлучат кои молекули вреди да се синтетизираат и тестираат во реалниот свет.

Што е BIOPTIC и што всушност прави нејзиниот AI?

BIOPTIC функционира на пресекот на вештачката интелигенција, компјутерската хемија и откривањето лекови. Нејзината основна идеја е да ја третира хемиската откритие делумно како проблем на пребарување.

Конвенционалната програма за откривање лекови може да започне со биолошка цел, протеин поврзан со болеста, и потоа да пука молекул способен да интеракција со таа цел на посакуваниот начин. Предизвикот е што бројот на теоретски можни молекули слични на лекови е астрономски.

Системот B1 на BIOPTIC се обидува да го направи ова пребарување управливо.

Системот ги претставува молекулите математички, создавајќи компактни нумерички вградувања кои дозволуваат хемиските структури да се споредуваат со висока брзина. Според рецензираната истражувачка работа на компанијата, B1 може да пребарува библиотеки кои содржат десетици милијарди соединенија и да повлекува молекули кои можеби имаат слични биолошки својства дури и кога нивните хемиски структури значително се разликуваат.

AI, поради тоа, не ја заменува лабораторијата. Дејствува како крајно брз филтер пред да започне лабораториската работа.

Како BIOPTIC B1 пребарува милијарди молекули?

Техничката основа на B1 е систем за виртуелно скенирање базиран на лиганд.

Лиганд е молекул кој може да се врзе за биолошка цел, како што е протеини. Ако научниците веќе знаат за неколку молекули со корисна активност, тие молекули можат да служат како почетни точки за ново пребарување.

B1 конвертира молекуларни информации во компактна векторска репрезентација. Во објавениот систем, секој молекул е претставен како 60-димензионално вградување чувано со прецизност float16. Моделот потоа може да го спореди молекулот во прашање со претходно индексирани молекуларни репрезентации и да пресмета сличност на огромен обем.

Системот беше тестиран на Enamine REAL Space, виртуелна хемиска библиотека која содржи околу 40 милијарди наведени молекули.

Тоа масшта создава инженерски проблем колку што е научен. Истражувачите на BIOPTIC го разделиле процесот во две фази:

• Скенирање: невронски мрежи обработуваат молекули и генерираат вградувања.

• Пребарување: претходно изчислените вградувања се споредуваат за да се повлечат најодговарачките кандидати.

Во објавените пресметки, пребарувањето низ библиотеката од 40 милијарди соединенија може да се направи за околу две минути и петнаесет секунди користејќи конфигурација на пребарување базирана на SSD опишан во трудот. Конфигурацијата на базата на RAM беше значително побрза.

Ова не значи дека AI ја разбира биологијата на ист начин како што ја разбира научникот. Тоа значи дека системот може брзо да навигира низ математичката мапа на хемискиот простор и да идентификува кандидати кои заслужуваат подетално внимание.

Проектот за рак: Пребарување на селективни инхибитори на VEGFR-3

Програмата за рак на BIOPTIC дава конкретен пример за тоа како овој пристап може да работи.

Целта е VEGFR-3, позната и како FLT4, рецептор кој учествува во сигнализациските патеки поврзани со ангиогенеза, формирањето на нови крвни садови. Туморите можат да го искористат ангиогенезата за да го поддржат својот раст, правејќи ја оваа патека важна област на истражување за рак.

Предизвикот е селективност.

Лековите што широко влијаат на повеќе VEGF рецептори можат исто така да интеракција со други биолошки системи, потенцијално зголемувајќи ја токсичноста. Проектот на BIOPTIC имаше за цел да идентификува мали молекули со поголема селективност за VEGFR-3.

Компанијата користеше две-моделна цевоводна линија:

SMILES е текстуална нотација која се користи за опишување на молекуларни структури. Ова ја прави хемијата изненадувачки компатибилна со техниките на јазичен модел: молекулот може да биде претставен како след на симболи, што овозможува AI системите да учат образци во хемиските податоци.

Откако првиот модел скенираше ултра-голема библиотека од 40 милијарди соединенија, Графската невронска мрежа се користеше како втор филтер. За разлика од текстуалната секвенца, графикон претставува атоми како јазли и хемиски врски како врски, што прави GNN корисни за моделирање на молекуларна структура и односи.

Од дигитална предвидување до реален молекул

Ова е точката каде што приказната за AI станува реална наука.

Компјутерот може да предвиди дека молекулот изгледа ветувачки, но молекулот сè уште треба да биде синтетизиран и тестиран експериментално.

Во проектот за VEGFR-3, BIOPTIC извести за тестирање на 110 соединенија користејќи асај за профилирање на киназа. Неколку молекули покажале активност против VEGFR-3, а три од нив биле селективни за единствена цел на VEGFR. Еден кандидат демонстрирал повеќе од 45-кратна селективност во однос на VEGFR-1 и VEGFR-2 во објавените експерименти. Наодите беа презентирани во абстракт за Годишната средба на ASCO 2025 и објавени како абстракт на средбата во Журналот за клиничка онкологија.

Истражувачите потоа ги комбинирале молекуларните открития со анализа на RNA секвенци. Користејќи го алгоритамот Oncobox, тие анализаа илјадници профили на експресија на тумори за да проценат кои типови на рак можеби би биле најодговорни на селективна инхибиција на VEGFR-3. Објавените кандидати за дополнително истражување вклучуваа папиларен рак на тироидна жлезда, рак на бубрези со чиста клетка, панкреасен рак, рак на јајници и саркоми.

Ова се истражувачки наоди, не докази дека завршен лек против рак е подготвен за пациенти.

Научните докази зад BIOPTIC B1

Технологијата на BIOPTIC исто така е опишана во рецензирани научни литература.

Во 2025 година, истражувачи објавија студија во Журналот за хемиска информација и моделирање која го опишува BIOPTIC B1 и неговата употреба во експеримент за откривање лекови кој целеше на LRRK2, протеин поврзан со Паркинсоновата болест.

Системот пребаруваше истото хемиско пространство од 40 милијарди молекули и идентификуваше нови лигандови за нормалните и мутираните форми на LRRK2. Најдобрите експериментално валидирани соединенија постигнале константи на дисоцијација ниски до 110 наномолари.

Следната фаза е особено важна за разбирање на AI-помогнатото откривање лекови. Првичните наоди не беа третирани како конечни одговори. Научниците ги користеле најдобрите соединенија како почетни точки за аналогно пребарување, повлекувајќи структурно поврзани молекули, филтрирајќи ги за практични својства и селектирајќи кандидати кои реално би можеле да се синтетизираат.

Од 48 одберени аналози, 47 беа успешно синтетизирани. резултатните соединенија потоа беа повторно тестирани, создавајќи повратна спирала помеѓу компјутацијата, хемијата и биологијата.

Зошто AI не може да ги замени научниците за лекови

Фразата „AI открива лекови“ е преубава, но неполна.

AI може да рангира молекули на база на образци научени од податоците. Може да го забрза виртуелното скенирање и да идентификува хемиски односи кои би било тешко да се испитаат рачно. Но, предвидувањето останува предвидување додека експерименталната работа не ја потврди.

Научниците сè уште треба да одговорат наFundamentalни прашања:

• Дали молекулот всушност се врзува за целта?

• Дали влијае на посакуваната биолошка патека?

• Дали е доволно селективен?

• Дали е токсичен?

• Дали може да стигне до вистинското ткиво?

• Дали е метаболизиран безбедно?

• Дали функционира на животни?

• Дали помага на човечките пациенти?

Обещавачкиот молекул може да не успее во било кој момент.

Токму затоа вистинската вредност на системите како BIOPTIC B1 може да биде брзина наместо магија. Ако AI може да го намали милијардите теоретски можности на неколку десетици молекули вредни за тестирање, може да го направи најраните фази на откривање лекови поефикасни.

Иднината на медицината управувана од AI

Работата на BIOPTIC илустрира поширока трансформација во биотехнологијата. AI сè повеќе станува дел од истражувачката инфраструктура сама по себе, систем за пребарување на хемискиот простор, приоретизирање на експерименти и поврзување на молекуларни податоци со биолошки информации.

Истражувањето за рак на компанијата е особено интересно затоа што комбинира неколку слоеви на компјутирање: молекуларно скенирање, моделирање на селективност и анализа на RNA-seq на биологијата на туморот.

Но конечниот производ на овој процес не е рецепт генериран од AI. Тоа е кратка листа на хипотези за науката да тестира.

Тата разлика е важна.

AI може да помогне на истражувачите да пребаруваат милијарди молекули побрзо отколку што традиционалните методи можат. Може да открие непознати хемиски скелети и да покажува лабораториите на кандидати кои инаку би останале скриени. Сепак, молекулот сè уште мора да преживее хемија, биологија, токсикологија, предклинички истражувања и клинички испитувања.

Со други зборови, AI не ги заменува научниците кои бараат лек за рак.

И им дава на тие научници многу помоќен мотор за пребарување.