Hoe AI Helpt bij het Zoeken naar Kankermedicijnen: Binnenin BIOPTIC’s Moleculaire Ontdekkingsmotor

Een nieuw medicijn vinden wordt vaak beschreven als het zoeken naar een naald in een hooiberg. In werkelijkheid is het probleem veel groter: de "hooiberg" kan miljarden, of zelfs triljoenen, mogelijke moleculen bevatten.

Hier komt kunstmatige intelligentie het laboratorium binnen.

BIOPTIC, een AI-eerst biotechnologiebedrijf dat is verbonden met ondernemer en voormalig Google-executive Andrey Doronichev, ontwikkelt technologie die machine learning gebruikt om enorme chemische bibliotheken te doorzoeken naar moleculen die uiteindelijk nieuwe medicijnen kunnen worden. Een van de meest interessante programma's van het bedrijf richt zich op kanker, waar het AI-systeem is gebruikt om selectieve remmers van VEGFR-3 te identificeren, een biologisch doelwit dat betrokken is bij tumorangiogenese.

Het belangrijke woord hier is uiteindelijk. AI drukt geen knop in en produceert een afgewerkt kankermedicijn. In plaats daarvan helpt het wetenschappers beslissen welke moleculen het waard zijn om te synthetiseren en te testen in de echte wereld.

Wat Is BIOPTIC en Wat Doet Zijn AI Eigenlijk?

BIOPTIC opereert op het snijvlak van kunstmatige intelligentie, computationele chemie en medicijnontdekking. Het kernidee is om chemische ontdekking deels als een zoekprobleem te behandelen.

Een conventioneel medicijnontdekkingsprogramma kan beginnen met een biologisch doelwit, een eiwit dat betrokken is bij een ziekte, en vervolgens zoeken naar een molecuul dat op de gewenste manier met dat doelwit kan interageren. De uitdaging is dat het aantal theoretisch mogelijke geneesmiddelachtige moleculen astronomisch is.

Het B1-systeem van BIOPTIC probeert deze zoektocht beheersbaar te maken.

Het systeem vertegenwoordigt moleculen wiskundig en creëert compacte numerieke embedding die het mogelijk maken om chemische structuren snel met elkaar te vergelijken. Volgens het peer-reviewed onderzoek van het bedrijf kan B1 bibliotheken doorzoeken met tientallen miljarden verbindingen en moleculen ophalen die mogelijk vergelijkbare biologische eigenschappen bezitten, zelfs wanneer hun chemische structuren aanzienlijk verschillen.

De AI vervangt dus niet het laboratorium. Het fungeert als een extreem snelle filter voordat het laboratoriumwerk begint.

Hoe Zoekt BIOPTIC B1 naar Miljarden Moleculen?

De technische basis van B1 is een ligand-gebaseerd virtueel screeningsysteem.

Een ligand is een molecuul dat kan binden aan een biologisch doelwit, zoals een eiwit. Als wetenschappers al verschillende moleculen met nuttige activiteit kennen, kunnen deze moleculen dienen als startpunt voor een nieuwe zoektocht.

B1 zet moleculaire informatie om in een compacte vectorrepresentatie. In het gepubliceerde systeem wordt elk molecuul weergegeven als een 60-dimensionale embedding die is opgeslagen met float16-precisie. Het model kan vervolgens een query-molecuul vergelijken met vooraf geïndexeerde moleculaire representaties en de gelijkenis op enorme schaal berekenen.

Het systeem werd getest op Enamine REAL Space, een virtuele chemische bibliotheek met ongeveer 40 miljard opgesomde moleculen.

Die schaal creëert een engineeringprobleem net zozeer als een wetenschappelijk probleem. De onderzoekers van BIOPTIC hebben het proces in twee fasen gescheiden:

• Scannen: neurale netwerken verwerken moleculen en genereren embeddings.

• Zoeken: de vooraf berekende embeddings worden vergeleken om de meest relevante kandidaten te vinden.

In de gepubliceerde benchmarks kon een zoektocht door de bibliotheek met 40 miljard verbindingen in ongeveer twee minuten en vijftien seconden worden uitgevoerd met de SSD-gebaseerde zoekopstelling die in het artikel werd beschreven. Een RAM-gebaseerde configuratie was aanzienlijk sneller.

Dit betekent niet dat de AI biologie begrijpt op dezelfde manier als een wetenschapper. Het betekent dat het systeem snel kan navigeren op een wiskundige kaart van chemische ruimte en kandidaten kan identificeren die nadere aandacht verdienen.

Het Kankerproject: Zoeken naar Selectieve VEGFR-3 Remmers

Het kankerprogramma van BIOPTIC biedt een concreet voorbeeld van hoe deze aanpak kan werken.

Het doelwit is VEGFR-3, ook bekend als FLT4, een receptor die betrokken is bij signaalpaden die verbonden zijn met angiogenese, de vorming van nieuwe bloedvaten. Tumoren kunnen angiogenese benutten om hun groei te ondersteunen, wat dit pad een belangrijk gebied van kankeronderzoek maakt.

De uitdaging is selectiviteit.

Geneesmiddelen die meerdere VEGF-receptoren breed beïnvloeden, kunnen ook interageren met andere biologische systemen, wat de toxiciteit kan verhogen. Het project van BIOPTIC was gericht op het identificeren van kleine moleculen met sterkere selectiviteit voor VEGFR-3.

Het bedrijf gebruikte een twee-model pijplijn:

SMILES is een tekst-gebaseerde notatie die wordt gebruikt om moleculaire structuren te beschrijven. Dit maakt chemie verrassend compatibel met taalmiddeltechnieken: een molecuul kan worden weergegeven als een reeks symbolen, waardoor AI-systemen patronen in chemische gegevens kunnen leren.

Nadat het eerste model een ultragrote bibliotheek van 40 miljard verbindingen had gescreend, werd een Graf Neuraal Netwerk gebruikt als een tweede filter. In tegenstelling tot een tekstreeks, vertegenwoordigt een graf atomen als knooppunten en chemische bindingen als verbindingen, waardoor GNN's nuttig zijn voor het modelleren van moleculaire structuren en relaties.

Van Digitale Voorspelling naar Een Echt Molecuul

Dit is het punt waarop het AI-verhaal echte wetenschap wordt.

De computer kan voorspellen dat een molecuul veelbelovend lijkt, maar het molecuul moet nog steeds worden gesynthetiseerd en experimenteel getest.

In het VEGFR-3-project rapporteerde BIOPTIC dat 110 verbindingen werden getest met behulp van een kinase-profileringsassay. Verschillende moleculen toonden activiteit tegen VEGFR-3 en drie waren selectief voor een enkel VEGFR-doelwit. Eén kandidaat toonde meer dan 45-voudige selectiviteit over VEGFR-1 en VEGFR-2 in de gerapporteerde experimenten. De bevindingen werden gepresenteerd in een samenvatting voor de ASCO Jaarlijkse Vergadering van 2025 en gepubliceerd als een vergaderabstract in het Journal of Clinical Oncology.

De onderzoekers combineerden vervolgens moleculaire ontdekking met RNA-sequencinganalyse. Met behulp van het Oncobox-algoritme analyseerden ze duizenden tumorexpressieprofielen om in te schatten welke kankertypen mogelijk het meest reageren op selectieve VEGFR-3-remming. De gerapporteerde kandidaten voor verder onderzoek omvatten papillaire schildklierkanker, heldercellige nierkanker, alvleesklierkanker, eierstokkanker en sarcomen.

Dit zijn onderzoeksbevindingen, geen bewijs dat een afgewerkt kankermedicijn klaar is voor patiënten.

Het Wetenschappelijke Bewijs Achter BIOPTIC B1

De technologie van BIOPTIC is ook beschreven in peer-reviewed wetenschappelijke literatuur.

In 2025 publiceerden onderzoekers een studie in het Journal of Chemical Information and Modeling die BIOPTIC B1 en het gebruik ervan in een prospectieve medicijnontdekkingsexperiment gericht op LRRK2 beschreef, een eiwit dat geassocieerd is met de ziekte van Parkinson.

Het systeem doorzocht dezelfde chemische ruimte van 40 miljard moleculen en identificeerde nieuwe liganden voor zowel normale als gemuteerde vormen van LRRK2. De beste experimenteel gevalideerde verbindingen behaalden dissociatieconstanten zo laag als 110 nanomolair.

De volgende fase is bijzonder belangrijk om AI-ondersteunde medicijnontdekking te begrijpen. Eerste hits werden niet behandeld als definitieve antwoorden. Wetenschappers gebruikten de beste verbindingen als startpunt voor een analoge zoektocht, haalden structureel gerelateerde moleculen op, filterden ze op praktische eigenschappen en selecteerden kandidaten die realistisch konden worden gesynthetiseerd.

Van de 48 gekozen analogen werden er 47 succesvol gesynthetiseerd. De resulterende verbindingen werden vervolgens opnieuw getest, waardoor een feedbackloop tussen computationele, chemische en biologische processen ontstond.

Waarom AI Geneesmiddelkundigen Niet Kan Vervangen

De zin “AI ontdekt medicijnen” is catchy, maar incompleet.

AI kan moleculen rangschikken op basis van patronen die uit gegevens zijn geleerd. Het kan virtuele screening versnellen en chemische relaties identificeren die moeilijk handmatig te verkennen zijn. Maar een voorspelling blijft een voorspelling totdat experimenteel werk het bevestigt.

Wetenschappers moeten nog steeds fundamentele vragen beantwoorden:

• Bindt het molecuul eigenlijk aan het doelwit?

• Beïnvloedt het het bedoelde biologische pad?

• Is het selectief genoeg?

• Is het toxisch?

• Kan het de juiste weefsels bereiken?

• Wordt het veilig gemetaboliseerd?

• Werkt het in dieren?

• Helpt het menselijke patiënten?

Een veelbelovend molecuul kan op elk moment falen.

Dat is waarom de werkelijke waarde van systemen zoals BIOPTIC B1 misschien snelheid is eerder dan magie. Als AI miljarden theoretische mogelijkheden kan terugbrengen naar een paar dozijn moleculen die de moeite waard zijn om te testen, kan het de vroegste stadia van medicijnontdekking efficiënter maken.

De Toekomst van AI-gestuurde Geneeskunde

Het werk van BIOPTIC illustreert een bredere transformatie in biotechnologie. AI wordt steeds meer een onderdeel van de onderzoeksinfrastructuur zelf, een systeem voor het doorzoeken van chemische ruimte, het prioriteren van experimenten en het verbinden van moleculaire gegevens met biologische informatie.

Het kankeronderzoek van het bedrijf is vooral interessant omdat het verschillende lagen van computationele technieken combineert: moleculaire screening, selectiviteitsmodellering en RNA-seq-analyse van tumorbiologie.

Maar het uiteindelijke product van dit proces is geen door AI gegenereerd recept. Het is een shortlist van hypothesen voor wetenschappers om te testen.

Dat onderscheid is belangrijk.

AI kan onderzoekers helpen sneller miljarden moleculen te doorzoeken dan traditionele methoden. Het kan onbekende chemische schalen onthullen en laboratoria wijzen op kandidaten die anders verborgen zouden blijven. Toch moet het molecuul nog steeds de chemie, biologie, toxicologie, preklinisch onderzoek en klinische onderzoeken overleven.

Met andere woorden, AI vervangt de wetenschapper die zoekt naar een behandeling voor kanker niet.

Het geeft die wetenschapper een veel krachtiger zoekmachine.