Хиймэл оюун ухаан хавдрын эм олж хайхад хэрхэн туслаж байгааг: BIOPTIC-ийн молекулын илрүүлгийн системийн дотор

Шинэ эмийг олохыг ихэвчлэн адууны харандаа олохтой харьцуулдаг. Үнэн хэрэгтээ, асуудал маш том: “халуун дотор” тэрбум, бүр триллионы молекулууд байж болно.

Энд хиймэл оюун ухаан лаборторид орж ирдэг.

BIOPTIC нь Андрей Дороничев гүйцэтгэгчийн удирдлагатай AI-тэй биотехнологийн компани бөгөөд шинэ эм болох боломжтой молекулуудыг хайхын тулд машин суралцах техникийг хөгжүүлж байна. Компанийн хамгийн сонирхолтой хөтөлбөрүүдийн нэг нь хавдарт төвлөрсөн, түүний AI систем нь хавдрын ангиогенезд оролцдог VEGFR-3 гэж нэрлэгдсэн биологийн зорилгод зориулсан сонгомол ингибиторуудыг илрүүлсэн.

Энд чухал үг нь “ялгаатай” юм. AI нь товчлуур дарахад бэлэн эмийг гаргаж ирэхгүй. Харин энэ нь эрдэмтэд хэдэн молекулыг синтез хийх, амьдрал дээр тест хийх нь зүйтэй эсэхийг шийдэхэд тусалдаг.

BIOPTIC гэж юу вэ, түүний AI үнэхээр юу хийдэг вэ?

BIOPTIC нь хиймэл оюун ухаан, тоон химийн болон эмийн илрүүлгийн уулзварт үйл ажиллагаагаа явуулдаг. Түүний үндсэн санаа нь химийн илрүүлгийг хэсэгчилсэн хайлт гэж үзэх явдал юм.

Эрсдэлээс илүү бодож үзвэл, уламжлалт эмийн илрүүлгийн хөтөлбөр нь биологийн зорилго, өвчний үйл явцанд оролцдог уураг, -ыг сонгон, хүссэн аргаар уг зорилготой молекулыг хайдаг. Асуудал нь теоретик боломжийн эмийн төрлийн молекулын тоо гайхмаар их байдаг.

BIOPTIC-ын B1 систем нь энэ хайн шатанд зохистой байгаа.

Энэхүү систем нь молекулуудыг математикийн хувьд төлөөлж, химийн бүтэцүүдийг өндөр хурдтайгаар харьцуулах боломжийг олгох компакт тоон хэвийн бус хэвүүдийг бий болгоно. Компаны хянан үздэг судалгаагаар, B1 нь 10 тэрбум хосолмол агуулсан номын санг хайж, химийн бүтэц нь ихээхэн ялгаатай байх үед ч биологийн шинж чанартай ижил молекулуудыг авах боломжтой.

AI лабораторыг орлохгүй. Энэ нь лабораторийн ажил эхлэхээс өмнө асар хурдан шүүлтүүрийн үүрэг гүйцэтгэж байна.

BIOPTIC B1 хэрхэн тэрбум молекулыг хайдаг вэ?

B1-ийн техникийн үндэс нь лиганд-д суурилсан виртуал шүүх систем юм.

Лиганд нь биологийн зорилгод байж чаддаг молекул бөгөөд уураг гэх мэт. Хэрэв эрдэмтэд хэд хэдэн молекулыг ашигтай үйл ажиллагаа бүхий янз болгосон бол эдгээр молекулууд шинэ хайлтын эхлэл болдог.

B1 молекулын мэдээллийг компакт векторын төлөөлөл болгон хувиргадаг. Нийтлэгдсэн системд, тус бүрийн молекул нь float16 нарийвчлалтай хадгалагдсан 60 виммэнт хадгалах хэлбэрээр төлөөлөгддөг. Модель нь асуулгын молекулыг өмнөх индексжүүлсэн молекулын төлөөллүүдтэй харьцуулж, асар том хэмжээст шилийн нийцлийг тооцоолно.

Энэхүү систем нь aproximadamente 40 тэрбум тоолсон молекулыг агуулах виртуал химийн номын сан дээр тестлагдсан.

Энэ хэмжээ нь инженерийн асуудал төдийгүй шинжлэх ухааны асуудал болж байна. BIOPTIC-ын судлаачид процессийг хоёр үе шатанд хувааж авч үзсэн:

• Шалгана: нейро сүлжээ молекулуудыг боловсруулж, хэвнүүд үйлдвэрлэдэг.

• Хайлт: өмнө нь тооцоолсон хэвнүүдийг харьцуулж, хамгийн холбоогүй нэр дэвшигчдийг авах.

Нийтлэгдсэн шалгуур үзүүлэлтүүдэд 40 тэрбум хосолмолын номын сангаар хайлт хийхэд хоёр минут 15 секундын хугацаанд SSD-д суурилсан хайлтын тохиргоог ашиглан гүйцэтгэсэн. RAM-д суурилсан зохион байгуулалт нь үнэтэй хурдан байсан.

Учир нь AI биологийг эрдэмтэд шиг ойлгодоггүй. Энэ нь систем химийн орон зайг тоон газрын зураг хэлбэрээр хурдан судлах бөгөөд илүү анхаарал шаарддаг нэр дэвшигчдийг тодорхойлж чадахыг илтгэнэ.

Хавдрын төсөл: Сонгомол VEGFR-3 ингибиторуудыг хайж байна

BIOPTIC-ын хавдрын хөтөлбөр нь энэ хандлага хэрхэн ажиллах болохын тодорхой жишээг гаргаж байна.

Зорилго нь VEGFR-3, мөн FLT4 гэж нэрлэгддэг, шинэ цусны судас үүсгэхтэй холбогдсон дохиоллын замд оролцдог уураг юм. Хавдрууд ангиогенезийг ашиглан өсөлтөө дэмждэг тул энэ зам нь хавдрын судалгааны чухал чиглэл юм.

Сорилт нь ялгаатай байх явдал юм.

Олон VEGF рецепторуудыг өргөнөөр нөлөөлдөг эмүүд нь өөр биологийн системүүдтэй ч оролцох болно, үүний улмаас хортой байж болзошгүй. BIOPTIC-ын төсөл нь VEGFR-3-д илүү хүчтэй ялгаварлагч жижиг молекулуудыг тодорхойлохыг зорьсон.

Компанид хоёр модель систем байлаа:

SMILES бол молекулын бүтцийг тодорхойлоход ашигладаг текстэн тэмдэглэл юм. Энэ нь химийг хэлний загварчлалын техниктэй нилээд нийцдэг: молекулыг тэмдэгтийн дараалал болгон төлөөлж, AI системүүд химийн өгөгдлүүд дэх загварыг суралцаж болох юм.

Эхний модель 40 тэрбум хосолмолын өлгийдөө скрининг хийсний дараа, Граф Нейрон Сүлжээг хоёрдахь шүүлтүүрээр ашигласан. Текстийн дарааллын ялгаатайгаар, граф нь атомуудыг зангилаа болгон, химийн холбоог холбох замаар төлөөлдөг бөгөөд GNN-ууд молекулын бүтэц, харилцааг загварчлахад ашигтай байдаг.

Дижитал таамгаас бодит молекул руу

Энэ бол AI түүх болоод бодит шинжлэх ухаан болдог цэг юм.

Компьютер нь молекул амжилттай харагдана гэдгийг таамаглах боломжтой боловч молекулыг синтез хийж, туршиж шалгах шаардлагатай.

VEGFR-3 төсөлд, BIOPTIC 110 хосолмолуудыг киназын профайлын үнэлгээ хийхэд тест хийсэн. Зарим молекул VEGFR-3-той үйл ажиллагаа үзүүлж, гурав нь нэг VEGFR зорилго дээр ялгаварлагч байсан. Нэг нэр дэвшигч 45 удаагийн ялгаварлалыг VEGFR-1 болон VEGFR-2-ын хувьд харагдаж байв. Үр дүнг 2025 оны ASCO жилийн хурлын абстрактад танилцуулж, Clinical Oncology сэтгүүлд хурлын абстракт болгон нийтэлсэн.

Судлаачид молекулын илрүүлэлтийг RNA секвенс анализтай хослуулсан. Онкобокс алгоритмыг ашиглан тэд хавдрын илрүүлгийн профайлыг сайтар шинжлэх боломжтой байлаа: сонгомол VEGFR-3 ингибитид хамгийн их хариу өгөх хавдрын төрлийг тооцоолж, нарийн төвөгтэй болохыг өгүүлжээ. Илтгэлүүдэд папилляр булчирхайн хавдар, тодорсон судсаар холбоотой хавдар, панкреасын хавдар, өндгөвчний хавдар болон саркома зэрэг нэр дэвшигчдийг дэвшүүлж байв.

Эдгээр нь судалгааны олдворууд бөгөөд бэлэн хавдрын эмэлгийн мэдээг биш юм.

BIOPTIC B1-ийн шинжлэх ухааны нотолгоо

BIOPTIC-ын технологи нь хянан үнэлэгдсэн шинжлэх ухааны бичиг баримтанд ч тодорхойлогдсон.

2025 онд судлаачид Journal of Chemical Information and Modeling сэтгүүлд LRRK2-ыг зорилго болгон эмийн илрүүлгийн туршилтыг илрүүлэх досгосон судалгаа нийтлэсэн.

Систем нь менежментийн 40 тэрбум хосолмолын химийн орон зайг хайж, LRRK2-ийн энгийн болон мутацидалт хэлбэрүүдийн шинэ лигандуудыг тодорхойлжээ. Эксперимент дээр шалгарсан шилдэг бодисууд нь 110 наномоларыг хүрсэн тайлагдсан хугацаа гигант бага тариатай выставладаг.

Дараагийн үе шат нь AI-ийн оролцоо замаар эмийн илрүүлгийн талаар ойлголтыг чанаржуулахад чухал байна. Эхний цохилтууд нь эцсийн хариулт гэж үзэгдээгүй. Эрдэмтэд сайн хосолмолыг аналог хайлтын эхлэл болгон ашиглаж, бүтэцтэй холбоотой молекулуудыг буцаан аван, практик шинж чанараар шүүх, бодитоор синтез хийх боломжтой нэр дэвшигчдийг сонгосон.

48 сонгосон аналогуудаас 47 амжилттай синтезлэсэн. Үүний үр дүнд бодисуудыг дахин шалгасан бөгөөд программ, химийн болон биологийн дунд холболтын тойрог үүсгэж орхижээ.

Яагаад AI эмийн ухаантай судлаачдыг орлуулах боломжгүй вэ?

“AI нь эмийг олсон” гэх өгүүлбэр сонирхолтой боловч дутуу байна.

AI нь өгөгдлөөс суралцсан загваруудаар молекулуудыг жагсааж чадна. Энэ нь виртуал ш фильтр хийж, гар угаалгад хүнд байдаг химийн төлөв байдлуудыг илрүүлэх боломжийг нэмэгдүүлнэ. Гэвч таамаг нь туршилтын ажиллагааг таслах хүртэл таамаг байна.

Эрдэмтэд үндсэн асуултуудад хариулах шаардлагатай:

• Молекул үнэхээр зорилгонд залагдаж байна уу?
• Энэ нь хүссэн биологийн замаар нөлөөлж байна уу?
• Энд эсэргүүцлээр хангалттай уу?
• Энэ нь хортой юу?
• Энэ нь зөв эдэд хүрч чадах уу?
• Эдгээрийг аюулгүйгээр метаболиздчихдэг үү?
• Энэ нь амьтан дээр ажилладаг уу?
• Энэ нь хүний өвчтөнд туслах уу?

Нэг амжилттай молекул бүх түвшинд амжилтгүй болох боломжтой.

Ийм учраас BIOPTIC B1 зэрэг системүүдийн жинхэнэ үнэ цэнэ магадгүй ид шид биш, харин хурд. Хэрэв AI тэрбум теоретик боломжуудыг хэд хэдэн мянган молекул руу хасдаг бол, эмийн илрүүлгийн хамгийн эхний шатанд илүү үр дүнтэй болгож чадна.

AI-ын удирдаж байгаа эмийн ирээдүй

BIOPTIC-ын ажил нь биотехнологийн өргөн цар хүрээний өөрчлөлтийг харуулж байна. AI судалгааны д infraestructura ихээр хэрэглэгдэж буй систем бол химийн орон зайг хайж, туршилтуудыг хэмжин, молекулын өгөгдлийг биологийн мэдээлэлтэй холбон ажиллахад зайлшгүй шаардлагатай болдог.

Компаний хавдрын судалгаа маш сонирхолтой болсон, учир нь энэ нь молекулын шүүх, ялгаварлагчийн загварчлал, хавдрын биологид RNA-seq анализыг хослуулсан.

Гэвч энэ үйл явцын эцсийн бүтээгдэхүүн нь AI-аар амласан жороор тодорхойлохгүй. Энэ нь эрдэмтэдийг сорилоор шалгах гипотезийн жагсаалт юм.

Энэ ялгаа чухал.

AI судлаачдад уламжлалт арга замаас хурдан тэрбум молекулыг хайхад туслаж болно. Энэ нь мэдэхгүй химийн хийцүүдийг олж илрүүлж, лабораторийг алтны өвч болохоос явагдаж чадах нэр дэвшигчдийг чиглүүлэхэд тусалж болно. Гэвч молекул нь химийн эдүүд, биологийн эдүүд, хортол зураглал, предварительные судалгаа болон клинические тестүүдэд дамжин өнгөрөх ёстой.

Товчоор хэлбэл, AI тухайн хавдрын эмийг ойлгох эрдэмтнийг орлуулахгүй байна.

Тэртээ тэргүй, энэ нь эрдэмтэнд асар том хүчтэй хайлтын системийг өгч байна.