Bagaimana AI Membantu Mencari Ubat Kanser: Di Dalam Enjin Penemuan Molekul BIOPTIC

Mencari ubat baru sering digambarkan sebagai mencari jarum dalam jerami. Sebenarnya, masalah ini jauh lebih besar: “jerami” boleh mengandungi bilion, atau bahkan trilion, molekul yang mungkin.

Di sinilah kecerdasan buatan memasuki makmal.

BIOPTIC, sebuah syarikat bioteknologi berasaskan AI yang diasaskan oleh usahawan dan bekas eksekutif Google Andrey Doronichev, sedang membangunkan teknologi yang menggunakan pembelajaran mesin untuk mencari perpustakaan kimia yang besar bagi molekul yang akhirnya boleh menjadi ubat baru. Salah satu program paling menarik syarikat ini memfokuskan pada kanser, di mana sistem AInya telah digunakan untuk mengenal pasti penghambat selektif VEGFR-3, sasaran biologi yang terlibat dalam angiogenesis tumor.

Kata penting di sini adalah akhirnya. AI tidak menekan butang dan menghasilkan ubat kanser yang siap. Sebaliknya, ia membantu saintis memutuskan molekul mana yang berbaloi untuk disintesis dan diuji di dunia sebenar.

Apa itu BIOPTIC dan Apa yang Dilakukan AI-nya?

BIOPTIC beroperasi di persimpangan kecerdasan buatan, kimia komputasional dan penemuan ubat. Idea utama adalah untuk memperlakukan penemuan kimia sebahagiannya sebagai masalah pencarian.

Program penemuan ubat konvensional mungkin bermula dengan sasaran biologi, protein yang terlibat dalam penyakit, dan kemudian mencari molekul yang mampu berinteraksi dengan sasaran tersebut dengan cara yang diingini. Cabarannya adalah jumlah molekul yang berpotensi seperti ubat adalah sangat besar.

Sistem B1 BIOPTIC berusaha untuk menjadikan pencarian ini boleh diurus.

Sistem ini mewakili molekul secara matematik, mencipta penggambaran nombor yang padat yang membolehkan struktur kimia dibandingkan dengan pantas. Menurut penyelidikan yang telah disemak rakan sebaya syarikat, B1 boleh mencari perpustakaan yang mengandungi puluhan bilion sebatian dan mengambil molekul yang mungkin mempunyai sifat biologi yang serupa walaupun struktur kimianya berbeza dengan ketara.

Oleh itu, AI tidak menggantikan makmal. Ia berfungsi sebagai penapis yang sangat pantas sebelum kerja makmal bermula.

Bagaimana BIOPTIC B1 Mencari Bilion Molekul?

Asas teknikal B1 adalah sistem penapisan maya berasaskan ligand.

Ligand adalah molekul yang boleh mengikat kepada sasaran biologi, seperti protein. Jika saintis sudah mengetahui beberapa molekul dengan aktiviti berguna, molekul-molekul tersebut boleh menjadi titik permulaan untuk pencarian baru.

B1 mengubah maklumat molekul menjadi representasi vektor yang padat. Dalam sistem yang diterbitkan, setiap molekul diwakili sebagai penggambaran 60-dimensi yang disimpan dengan ketepatan float16. Model tersebut kemudian boleh membandingkan molekul pertanyaan dengan penggambaran molekul yang telah dipratanda dan mengira kesamaan pada skala yang besar.

Sistem ini telah diuji di Enamine REAL Space, sebuah perpustakaan kimia maya yang mengandungi kira-kira 40 bilion molekul yang disenaraikan.

Skala itu menciptakan masalah kejuruteraan sama ada masalah saintifik. Penyelidik BIOPTIC memisahkan proses ini kepada dua fasa:

• Mengimbas: rangkaian neural memproses molekul dan menjana penggambaran.

• Mencari: penggambaran yang telah dikira dibandingkan untuk mendapatkan calon yang paling relevan.

Dalam penanda aras yang diterbitkan, pencarian di seluruh perpustakaan 40 bilion sebatian boleh dilakukan dalam kira-kira dua minit dan lima belas saat menggunakan konfigurasi pencarian berdasarkan SSD yang diterangkan dalam kertas tersebut. Konfigurasi berasaskan RAM jauh lebih pantas.

Ini tidak bermakna AI memahami biologi sama seperti saintis. Ia bermakna sistem ini boleh menavigasi peta matematik ruang kimia dengan cepat dan mengenal pasti calon yang patut diberi perhatian lebih lanjut.

Projek Kanser: Mencari Penghambat VEGFR-3 Selektif

Program kanser BIOPTIC memberikan contoh konkrit tentang bagaimana pendekatan ini boleh berfungsi.

Sasaran adalah VEGFR-3, juga dikenali sebagai FLT4, reseptor yang terlibat dalam laluan isyarat yang berkaitan dengan angiogenesis, pembentukan saluran darah baru. Tumor boleh mengeksploitasi angiogenesis untuk menyokong pertumbuhannya, menjadikan laluan ini sebagai kawasan penyelidikan kanser yang penting.

Cabaran adalah selektiviti.

Ubat yang mempengaruhi berbilang reseptor VEGF secara meluas juga boleh berinteraksi dengan sistem biologi lain, berpotensi meningkatkan ketoksikan. Projek BIOPTIC bertujuan untuk mengenal pasti molekul kecil dengan selektiviti yang lebih kuat untuk VEGFR-3.

Syarikat menggunakan dua model pipeline:

SMILES adalah notasi berasaskan teks yang digunakan untuk menerangkan struktur molekul. Ini membuatkan kimia sangat sesuai dengan teknik model bahasa: satu molekul boleh diwakili sebagai satu urutan simbol, membolehkan sistem AI mempelajari pola dalam data kimia.

Setelah model pertama menyaring perpustakaan ultra besar 40 bilion sebatian, Rangkaian Neural Graf digunakan sebagai penapis kedua. Berbeza dengan urutan teks, graf mewakili atom sebagai nod dan ikatan kimia sebagai sambungan, menjadikan GNN berguna untuk memodelkan struktur molekul dan hubungan.

Dari Ramalan Digital kepada Molekul Sebenar

Inilah titik di mana cerita AI menjadi sains sebenar.

Komputer boleh meramalkan bahawa satu molekul kelihatan menjanjikan, tetapi molekul itu masih perlu disintesis dan diuji secara eksperimen.

Dalam projek VEGFR-3, BIOPTIC melaporkan menguji 110 sebatian menggunakan ujian pengprofilan kinase. Beberapa molekul menunjukkan aktiviti terhadap VEGFR-3, dan tiga adalah selektif untuk satu sasaran VEGFR. Satu calon menunjukkan selektiviti lebih dari 45 kali ke atas VEGFR-1 dan VEGFR-2 dalam eksperimen yang dilaporkan. Penemuan ini dibentangkan dalam abstrak untuk Mesyuarat Tahunan ASCO 2025 dan diterbitkan sebagai abstrak mesyuarat dalam Journal of Clinical Oncology.

Penyelidik kemudian menggabungkan penemuan molekul dengan analisis penjujukan RNA. Menggunakan algoritma Oncobox, mereka menganalisis ribuan profil ekspresi tumor untuk menganggarkan jenis kanser mana yang mungkin paling responsif terhadap penghambatan VEGFR-3 selektif. Calon yang dilaporkan untuk penyelidikan selanjutnya termasuk kanser tiroid papillary, kanser ginjal sel jelas, kanser pankreas, kanser ovari dan sarkoma.

Ini adalah penemuan penyelidikan, bukan bukti bahawa ubat kanser yang siap sedia untuk pesakit.

Bukti Sains di Sebalik BIOPTIC B1

Teknologi BIOPTIC juga telah diterangkan dalam literatur sains yang disemak rakan sebaya.

Pada tahun 2025, penyelidik menerbitkan satu kajian dalam Journal of Chemical Information and Modeling yang menerangkan BIOPTIC B1 dan penggunaannya dalam eksperimen penemuan ubat prospektif yang menyasarkan LRRK2, satu protein yang dikaitkan dengan penyakit Parkinson.

Sistem ini mencari ruang kimia 40 bilion molekul yang sama dan mengenal pasti ligand baru untuk bentuk normal dan mutan LRRK2. Sebatian terbaik yang disahkan secara eksperimen mencapai pembubaran konstan serendah 110 nanomolar.

Peringkat seterusnya adalah penting untuk memahami penemuan ubat yang dibantu AI. Kesan awal tidak dianggap sebagai jawapan akhir. Saintis menggunakan sebatian terbaik sebagai titik permulaan untuk pencarian analog, mengambil molekul yang berkaitan secara struktur, menapisnya untuk sifat praktikal dan memilih calon yang boleh disintesis secara realistik.

Daripada 48 analog yang dipilih, 47 berjaya disintesis. Sebatian yang terhasil kemudian diuji semula, menciptakan gelung maklum balas antara pengiraan, kimia dan biologi.

Mengapa AI Tidak Boleh Menggantikan Saintis Ubat

Frasa “AI menemui ubat” menarik, tetapi tidak lengkap.

AI boleh menyusun molekul berdasarkan pola yang dipelajari daripada data. Ia boleh mempercepatkan penapisan maya dan mengenal pasti hubungan kimia yang sukar diterokai secara manual. Tetapi satu ramalan tetap ramalan sehingga kerja eksperimen mengesahkannya.

Saintis masih perlu menjawab soalan asas:

• Adakah molekul itu benar-benar mengikat kepada sasaran?

• Adakah ia mempengaruhi laluan biologi yang dimaksudkan?

• Adakah ia cukup selektif?

• Adakah ia toksik?

• Bolehkah ia sampai ke tisu yang betul?

• Adakah ia dimetabolismakan dengan selamat?

• Adakah ia berfungsi dalam haiwan?

• Adakah ia membantu pesakit manusia?

Molekul yang menjanjikan boleh gagal pada mana-mana tahap.

Itulah sebabnya nilai sebenar sistem seperti BIOPTIC B1 mungkin adalah kelajuan daripada keajaiban. Jika AI dapat menurunkan berbilion kemungkinan teoretikal kepada beberapa dozen molekul yang berbaloi untuk diuji, ia dapat menjadikan peringkat awal penemuan ubat lebih efisien.

Masa Depan Perubatan Didorong AI

Kerja BIOPTIC menggambarkan transformasi yang lebih luas dalam bioteknologi. AI semakin menjadi sebahagian daripada infrastruktur penyelidikan itu sendiri, sebuah sistem untuk mencari ruang kimia, mengutamakan eksperimen dan menghubungkan data molekul dengan maklumat biologi.

Penyelidikan kanser syarikat ini sangat menarik kerana ia menggabungkan beberapa lapisan pengiraan: penapisan molekul, pemodelan selektiviti dan analisis RNA-seq tentang biologi tumor.

Tetapi produk akhir proses ini bukan preskripsi yang dihasilkan AI. Ia adalah senarai pendek hipotesis untuk saintis menguji.

Perbezaan itu penting.

AI mungkin membantu penyelidik mencari berbilion molekul lebih cepat daripada kaedah tradisional. Ia mungkin mendedahkan scaffold kimia yang tidak dikenali dan mengarahkan makmal kepada calon-calon yang sebaliknya mungkin kekal tersembunyi. Namun molekul itu masih perlu bertahan dalam kimia, biologi, toksikologi, penyelidikan prasile, dan ujian klinikal.

Dengan kata lain, AI tidak menggantikan saintis yang mencari penawar untuk kanser.

Ia memberikan saintis itu enjin pencarian yang jauh lebih berkuasa.