Jak AI pomaga w poszukiwaniu leków na raka: w wewnętrznej maszynie odkryć molekularnych BIOPTIC

Znalezienie nowego leku często jest opisywane jako szukanie igły w stogu siana. W rzeczywistości problem jest znacznie większy: „stóg siana” może zawierać miliardy, a nawet tryliony, możliwych molekuł.

W tym miejscu do laboratorium wkracza sztuczna inteligencja.

BIOPTIC, biotechnologiczna firma stawiająca na AI, związana z przedsiębiorcą i byłym dyrektorem Google, Andreyem Doronichevem, opracowuje technologię wykorzystującą uczenie maszynowe do przeszukiwania ogromnych bibliotek chemicznych w poszukiwaniu molekuł, które mogą ostatecznie stać się nowymi lekami. Jeden z najciekawszych programów firmy koncentruje się na raku, gdzie system AI był wykorzystywany do identyfikacji selektywnych inhibitorów VEGFR-3, biologicznego celu związanego z angiogenezą guza.

Słowo kluczowe to ostatecznie. AI nie naciska przycisku i nie produkuje gotowego leku na raka. Zamiast tego pomaga naukowcom zdecydować, które molekuły warto zsyntetyzować i przetestować w rzeczywistym świecie.

Czym jest BIOPTIC i co właściwie robi jego AI?

BIOPTIC działa na styku sztucznej inteligencji, chemii obliczeniowej i odkrywania leków. Jego podstawowa idea polega na traktowaniu odkryć chemicznych częściowo jako problemu wyszukiwania.

Konwencjonalny program odkrywania leków może rozpocząć się od biologicznego celu, białka zaangażowanego w chorobę, a następnie przeszukać molekułę zdolną do interakcji z tym celem w pożądany sposób. Wyzwanie polega na tym, że liczba teoretycznie możliwych molekuł przypominających leki jest astronomiczna.

System B1 BIOPTIC stara się uczynić to wyszukiwanie wykonalnym.

System reprezentuje molekuły matematycznie, tworząc zwarte liczbowo zakotwiczenia, które pozwalają na porównywanie struktur chemicznych w wysokiej prędkości. Według recenzowanych badań firmy, B1 może przeszukiwać biblioteki zawierające dziesiątki miliardów związków i odnajdywać molekuły, które mogą mieć podobne właściwości biologiczne, nawet jeśli ich struktury chemiczne znacznie się różnią.

AI zatem nie zastępuje laboratorium. Działa jako ekstremalnie szybki filtr, zanim prace laboratoryjne się rozpoczną.

Jak BIOPTIC B1 wyszukuje miliardy molekuł?

Techniczną podstawą B1 jest system wirtualnego skanowania opartego na ligandach.

Ligand to molekuła, która może wiązać się z biologicznym celem, takim jak białko. Jeśli naukowcy już znają kilka molekuł o użytecznej aktywności, te molekuły mogą służyć jako punkty wyjścia do nowego wyszukiwania.

B1 przekształca informacje molekularne w zwartą reprezentację wektorową. W opublikowanym systemie każda molekuła jest reprezentowana jako 60-wymiarowe osadzenie przechowywane z użyciem precyzji float16. Model może następnie porównać molekułę zapytania z wcześniej zindeksowanymi reprezentacjami molekularnymi i obliczyć podobieństwo w ogromnej skali.

System był testowany na Enamine REAL Space, wirtualnej bibliotece chemicznej zawierającej około 40 miliardów enumerowanych molekuł.

Ta skala tworzy problem inżynieryjny, tak samo jak naukowy. Badacze BIOPTIC podzielili ten proces na dwie fazy:

• Skanning: sieci neuronowe przetwarzają molekuły i generują osadzenia.
• Wyszukiwanie: wstępnie obliczone osadzenia są porównywane, aby znaleźć najbardziej odpowiednich kandydatów.

W opublikowanych benchmarkach, przeszukiwanie biblioteki zawierającej 40 miliardów związków mogło być wykonane w około dwie minuty i piętnaście sekund przy użyciu opisanego w artykule zestawu SSD. Konfiguracja oparta na RAM była znacznie szybsza.

To nie oznacza, że AI rozumie biologię w ten sam sposób, w jaki robi to naukowiec. Oznacza to, że system może szybko poruszać się po matematycznej mapie przestrzeni chemicznej i identyfikować kandydatów zasługujących na bliższą uwagę.

Projekt rakowy: poszukiwanie selektywnych inhibitorów VEGFR-3

Program onkologiczny BIOPTIC stanowi konkretny przykład tego, jak ta metoda może działać.

Celem jest VEGFR-3, znany także jako FLT4, receptor zaangażowany w szlaki sygnalizacyjne związane z angiogenezą, tworzeniem nowych naczyń krwionośnych. Nowotwory mogą wykorzystywać angiogenezę do wspierania swojego wzrostu, co sprawia, że ten szlak jest ważnym obszarem badań nad rakiem.

Wyzwanie stanowi selektywność.

Leki, które szeroko wpływają na wiele receptorów VEGF, mogą również oddziaływać z innymi systemami biologicznymi, potencjalnie zwiększając toksyczność. Projekt BIOPTIC miał na celu identyfikację małych molekuł o silniejszej selektywności dla VEGFR-3.

Firma użyła dwumodelowego pipeline'u:

SMILES to tekstowa notacja używana do opisywania struktur molekularnych. Dzięki temu chemia jest zaskakująco kompatybilna z technikami modeli językowych: molekułę można reprezentować jako sekwencję symboli, co pozwala systemom AI uczyć się wzorców w danych chemicznych.

Po przeskanowaniu ultra-wielkiej biblioteki 40 miliardów związków, jako drugi filtr użyto sieci neuronowej grafowej. W odróżnieniu od sekwencji tekstu, graf przedstawia atomy jako węzły i wiązania chemiczne jako połączenia, co czyni sieci GNN użytecznymi w modelowaniu struktury molekularnej i relacji.

Od cyfrowej prognozy do rzeczywistej molekuły

W tym momencie historia AI staje się rzeczywistą nauką.

Komputer może przewidzieć, że molekuła wygląda obiecująco, ale molekuła musi zostać zsyntetyzowana i przetestowana eksperymentalnie.

W projekcie VEGFR-3 BIOPTIC zgłosił przetestowanie 110 związków przy użyciu testu profilu kinazy. Kilka molekuł wykazało aktywność przeciwko VEGFR-3, z czego trzy były selektywne dla jednego celu VEGFR. Jeden z kandydatów wykazał ponad 45-krotną selektywność w porównaniu do VEGFR-1 i VEGFR-2 w zgłoszonych eksperymentach. Wyniki zostały przedstawione w streszczeniu na coroczne spotkanie ASCO w 2025 roku i opublikowane jako abstrakt w Journal of Clinical Oncology.

Naukowcy połączyli odkrycia molekularne z analizą sekwencjonowania RNA. Korzystając z algorytmu Oncobox, analizowali tysiące profili ekspresji nowotworów, aby oszacować, które typy nowotworów mogłyby być najbardziej wrażliwe na selektywną inhibicję VEGFR-3. W zgłoszonych kandydatach do dalszych badań znalazły się nowotwór tarczycy brodawkowaty, rak nerkowy typu clear-cell, rak trzustki, rak jajnika oraz sarcoma.

To są wyniki badań, nie dowody na to, że gotowy lek na raka jest gotowy dla pacjentów.

Dowody naukowe stojące za BIOPTIC B1

Technologia BIOPTIC została również opisana w recenzowanej literaturze naukowej.

W 2025 roku badacze opublikowali badanie w Journal of Chemical Information and Modeling opisujące BIOPTIC B1 i jego zastosowanie w prospektywnym eksperymencie odkrywania leków celujących w LRRK2, białko związane z chorobą Parkinsona.

System przeszukiwał tę samą przestrzeń chemiczną 40 miliardów molekuł i zidentyfikował nowe ligandy zarówno dla normalnych, jak i mutacyjnych form LRRK2. Najlepsze doświadczalnie zweryfikowane związki osiągnęły stałe dysocjacji tak niskie jak 110 nanomolarów.

Następny etap jest szczególnie ważny dla zrozumienia odkrywania leków wspomaganego przez AI. Początkowe uderzenia nie były traktowane jako ostateczne odpowiedzi. Naukowcy wykorzystali najlepsze związki jako punkty wyjścia dla analogowego wyszukiwania, pozyskując molekuły o podobnej strukturze, filtrując je pod kątem praktycznych właściwości i wybierając kandydatów, którzy mogliby zostać realistycznie zsyntetyzowani.

Spośród 48 wybranych analogów 47 zostało pomyślnie zsyntetyzowanych. Ostateczne związki zostały następnie przetestowane ponownie, tworząc pętlę sprzężenia zwrotnego między obliczeniami, chemią a biologią.

Dlaczego AI nie może zastąpić naukowców zajmujących się lekami

Zwrot „AI odkrywa leki” jest chwytliwy, ale niepełny.

AI może ustalać rankingi molekuł na podstawie wzorców wyuczonych z danych. Może przyspieszać wirtualne skanowanie i identyfikować relacje chemiczne, które byłyby trudne do odkrycia ręcznie. Jednak przewidywanie pozostaje przewidywaniem, dopóki prace eksperymentalne tego nie potwierdzą.

Naukowcy wciąż muszą odpowiedzieć na fundamentalne pytania:

• Czy molekuła rzeczywiście wiąże się z celem?
• Czy wpływa na zamierzony szlak biologiczny?
• Czy jest wystarczająco selektywna?
• Czy jest toksyczna?
• Czy może dotrzeć do odpowiednich tkanek?
• Czy jest metabolizowana bezpiecznie?
• Czy działa na zwierzętach?
• Czy pomaga pacjentom?

Obiecująca molekuła może zawieść na każdym etapie.

Dlatego prawdziwa wartość systemów takich jak BIOPTIC B1 może polegać na szybkości, a nie na magii. Jeśli AI może ograniczyć miliardy teoretycznych możliwości do kilku tuzinów molekuł wartych testowania, może uczynić najwcześniejsze etapy odkrywania leków bardziej efektywnymi.

Przyszłość medycyny napędzanej przez AI

Praca BIOPTIC ilustruje szerszą transformację w biotechnologii. AI coraz częściej staje się częścią samej infrastruktury badawczej, systemem przeszukiwania przestrzeni chemicznej, priorytetyzacji eksperymentów i łączenia danych molekularnych z informacjami biologicznymi.

Badania nad rakiem firmy są szczególnie interesujące, ponieważ łączą kilka warstw obliczeniowych: skanowanie molekularne, modelowanie selektywności oraz analizę RNA-seq biologii nowotworów.

Jednak ostatecznym produktem tego procesu nie jest recepta generowana przez AI. To lista hipotez, które naukowcy powinni przetestować.

Ta różnica ma znaczenie.

AI może pomóc badaczom wyszukiwać miliardy molekuł szybciej, niż tradycyjne metody są w stanie. Może odkrywać nieznane szkieletowe struktury chemiczne i wskazywać laboratoria na kandydatów, którzy w przeciwnym razie pozostawaliby ukryci. Niemniej jednak molekuła musi przetrwać chemię, biologię, toksykologię, badania przedkliniczne i badania kliniczne.

Innymi słowy, AI nie zastępuje naukowca, który szuka leku na raka.

Daje temu naukowcowi znacznie potężniejszą maszynę do wyszukiwania.