Cum AI Ajută La Căutarea Medicamentelor pentru Cancer: În Interiorul Motorului de Descoperire Moleculară BIOPTIC

Găsirea unui nou medicament este adesea descrisă ca o căutare a unui ac într-un şură. În realitate, problema este mult mai mare: „şura” poate conţine miliarde, sau chiar trilioane, de molecule posibile.

Aceasta este zona în care inteligenţa artificială intră în laborator.

BIOPTIC, o companie biotech axată pe AI asociată cu antreprenorul şi fostul executiv Google, Andrey Doronichev, dezvoltă tehnologie care foloseşte învăţarea automată pentru a căuta biblioteci chimice uriaşe pentru molecule care ar putea deveni în cele din urmă noi medicamente. Unul dintre cele mai interesante programe ale companiei se concentrează pe cancer, unde sistemul său AI a fost folosit pentru a identifica inhibitori selectivi ai VEGFR-3, o ţintă biologică implicată în angiogeneza tumorală.

Cuvântul important aici este în cele din urmă. AI nu apasă un buton şi produce un medicament pentru cancer finalizat. În schimb, ajută oamenii de ştiinţă să decidă care molecule merită să fie sintetizate şi testate în lumea reală.

Ce Este BIOPTIC Şi Ce Face De Fapt AI-ul Său?

BIOPTIC funcţionează la intersecţia dintre inteligenţa artificială, chimia computaţională şi descoperirea medicamentelor. Ideea sa de bază este de a trata descoperirea chimică parţial ca pe o problemă de căutare.

Un program convenţional de descoperire a medicamentelor poate începe cu o ţintă biologică, o proteină implicată într-o boală, şi apoi caută o moleculă capabilă să interacţioneze cu acea ţintă în modul dorit. Provocarea este că numărul de molecule teoretic posibile ce se comportă ca medicamente este astronomic.

Sistemul B1 al BIOPTIC încearcă să facă această căutare gestionabilă.

Sistemul reprezintă moleculele matematic, creând încorporări numerice compacte care permit compararea structurilor chimice la viteză mare. Conform cercetării revizuite de colegi a companiei, B1 poate căuta biblioteci care conţin zeci de miliarde de compuși și poate recupera molecule care pot avea proprietăți biologice similare, chiar și atunci când structurile chimice diferă semnificativ.

AI-ul nu înlocuieşte aşadar laboratorul. Acesta acţionează ca un filtru extrem de rapid înainte ca lucrările de laborator să înceapă.

Cum Caută BIOPTIC B1 Miliarde de Molecule?

Fundamentul tehnic al B1 este un sistem de screening virtual bazat pe liganzi.

Un ligand este o moleculă care se poate lega de o ţintă biologică, cum ar fi o proteină. Dacă oamenii de ştiinţă cunosc deja câteva molecule cu activitate utilă, aceste molecule pot servi ca puncte de plecare pentru o nouă căutare.

B1 converteşte informaţiile moleculare într-o reprezentare vectorială compactă. În sistemul publicat, fiecare moleculă este reprezentată ca o încorporare de 60 de dimensiuni stocată folosind precizie float16. Modelul poate apoi compara o moleculă de interogare cu reprezentări moleculare pre-indexate şi calcula similarităţi la o scară enormă.

Sistemul a fost testat pe Enamine REAL Space, o bibliotecă chimică virtuală ce conţine aproximativ 40 de miliarde de molecule enumerate.

Această scară creează o problemă inginerescă la fel de mult ca una ştiinţifică. Cercetătorii BIOPTIC au separat procesul în două faze:

• Scanare: reţelele neuronale procesează moleculele şi generează încorporări.
• Căutare: încorporările precompute sunt comparate pentru a recupera cele mai relevante candidate.

În benchmarkurile publicate, o căutare în biblioteca de 40 de miliarde de compuși ar putea fi realizată în aproximativ două minute și cincisprezece secunde folosind configurația de căutare pe bază SSD descrisă în lucrare. O configurație bazată pe RAM a fost considerabil mai rapidă.

Aceasta nu înseamnă că AI-ul înţelege biologia în acelaşi mod în care o face un om de ştiinţă. Aceasta înseamnă că sistemul poate naviga rapid pe o hartă matematică a spaţiului chimic şi poate identifica candidaţi care merită o atenţie mai mare.

Proiectul Cancerului: Căutând Inhibitori Selectivi ai VEGFR-3

Programul de cancer al BIOPTIC oferă un exemplu concret despre cum poate funcţiona această abordare.

Ţinta este VEGFR-3, cunoscut de asemenea ca FLT4, un receptor implicat în căile de semnalizare legate de angiogeneză, formarea de noi vase de sânge. Tumorile pot exploata angiogeneza pentru a-şi susţine creşterea, făcând această cale o zonă importantă de cercetare în cancer.

Provocarea este selectivitatea.

Medicamentele care afectează în mod general mai mulţi receptori VEGF pot interacţiona şi cu alte sisteme biologice, crescând potenţial toxicitatea. Proiectul BIOPTIC a avut ca scop identificarea unor molecule mici cu selectivitate mai puternică pentru VEGFR-3.

Compania a folosit un pipeline cu două modele:

SMILES este o notare bazată pe text folosită pentru a descrie structurile moleculare. Aceasta face chimia surprinzător de compatibilă cu tehnicile de modelare a limbajului: o moleculă poate fi reprezentată ca o secvenţă de simboluri, permițând sistemelor AI să înveţe modele în datele chimice.

După ce primul model a scanat o bibliotecă ultra-gigantică de 40 de miliarde de compuși, o Rețea Neurală Grafică a fost folosită ca un al doilea filtru. Spre deosebire de o secvenţă de text, un grafic reprezintă atomii ca noduri şi legăturile chimice ca conexiuni, făcând GNN-uri utile pentru modelarea structurii moleculare şi a relaţiilor.

De la O Predicţie Digitală La O Moleculă Reală

Acesta este momentul în care povestea AI devine o ştiinţă reală.

Computerul poate prezice că o moleculă pare promiţătoare, dar molecula trebuie totuşi să fie sintetizată şi testată experimental.

În proiectul VEGFR-3, BIOPTIC a raportat testarea a 110 compuși folosind un test de profilare a kinazelor. Câteva molecule au arătat activitate împotriva VEGFR-3, iar trei au fost selective pentru o singură ţintă VEGFR. Un candidat a demonstrat o selectivitate mai mare de 45 de ori faţă de VEGFR-1 şi VEGFR-2 în experimentele raportate. Descoperirile au fost prezentate într-un rezumat pentru Conferinţa Anuală ASCO 2025 şi publicate ca un rezumat de întâlnire în Journal of Clinical Oncology.

Cercetătorii au combinat apoi descoperirea moleculară cu analiza secvenţei ARN. Folosind algoritmul Oncobox, au analizat mii de profiluri de exprimare a tumorilor pentru a estima care tipuri de cancer ar putea fi cele mai responsabile la inhibarea selectivă a VEGFR-3. Candidaţii raportaţi pentru investigaţii ulterioare au inclus cancerul tiroidian papilar, cancerul renal cu celule clare, cancerul pancreatic, cancerul ovarian şi sarcoamele.

Acestea sunt descoperiri de cercetare, nu dovezi că un medicament finalizat pentru cancer este gata pentru pacienţi.

Dovezile Ştiinţifice Din Spatele BIOPTIC B1

Tehnologia BIOPTIC a fost de asemenea descrisă în literatura ştiinţifică revizuită de colegi.

În 2025, cercetătorii au publicat un studiu în Journal of Chemical Information and Modeling descriind BIOPTIC B1 şi utilizarea sa într-un experiment prospectiv de descoperire a medicamentelor destinat LRRK2, o proteină asociată cu boala Parkinson.

Sistemul a căutat aceeaşi spaţiu chimic de 40 de miliarde de molecule şi a identificat liganzi noi atât pentru forme normale cât şi mutante de LRRK2. Cele mai bune compuși validaţi experimental au realizat constante de disociere cât mai mici de 110 nanomolari.

Următoarea etapă este deosebit de importantă pentru înţelegerea descoperirii medicamentelor asistate de AI. Loviturile inițiale nu au fost tratate ca răspunsuri finale. Oamenii de ştiinţă au folosit cele mai bune compuși ca puncte de plecare pentru o căutare analogică, au recuperat molecule structural conexe, le-au filtrat pentru proprietăţi practice şi au selectat candidaţi care ar putea fi sintetizate realist.

Din cele 48 de analogi aleşi, 47 au fost sintetizați cu succes. Compușii rezultat au fost apoi testați din nou, creând un ciclu de feedback între calcul, chimie şi biologie.

De Ce AI Nu Poate Înlocui Oameni De Ştiinţă În Medicină

Expresia „AI descoperă medicamente” este atrăgătoare, dar incompletă.

AI-ul poate clasifica moleculele în funcţie de modele învăţate din date. Poate accelera screeningul virtual şi identifica relaţiile chimice care ar fi dificil de explorat manual. Dar o predicţie rămâne o predicţie până când munca experimentală o confirmă.

Oamenii de ştiinţă trebuie să răspundă la întrebări fundamentale:

• Se leagă molecula efectiv de ţintă?
• Afectează calea biologică dorită?
• Este suficient de selectivă?
• Este toxică?
• Poate ajunge la ţesutul corect?
• Este metabolizată în siguranţă?
• Funcţionează la animale?
• Îi ajută pe pacienţii umani?

O moleculă promiţătoare poate eşua în orice punct.

De aceea, adevărata valoare a sistemelor precum BIOPTIC B1 poate fi viteza mai degrabă decât magia. Dacă AI poate reduce miliarde de posibilităţi teoretice la câteva zeci de molecule care merită testate, poate face etapele cele mai timpurii ale descoperirii medicamentelor mai eficiente.

Viitorul Medicinii Pe Bază de AI

Lucrările BIOPTIC ilustrează o transformare mai amplă în biotehnologie. AI devine tot mai mult parte a infrastructurii de cercetare în sine, un sistem pentru căutarea spaţiului chimic, prioritizarea experimentelor şi conectarea datelor moleculare cu informaţii biologice.

Cercetarea cancerului a companiei este deosebit de interesantă deoarece combină mai multe straturi de calcul: screening molecular, modelarea selectivităţii şi analiza secvenţei ARN a biologiei tumorale.

Dar produsul final al acestui proces nu este o reţetă generată de AI. Este un scurt listă de ipoteze pentru ca oamenii de ştiinţă să testeze.

Această distincţie contează.

AI poate ajuta cercetătorii să caute miliarde de molecule mai repede decât metodele tradiţionale. Poate descoperi structuri chimice necunoscute şi îndrepta laboratoarele către candidaţi care altfel ar rămâne ascunşi. Cu toate acestea, molecula trebuie în continuare să supraviețuiească chimiei, biologiei, toxicologiei, cercetării preclinice şi studiilor clinice.

Cu alte cuvinte, AI nu înlocuieşte omul de ştiinţă care caută o cură pentru cancer.

Îi oferă acelui om de ştiinţă un motor de căutare extrem de puternic.