Ako AI pomáha pri hľadaní liekov na rakovinu: Vo vnútri molekulárneho objavovacieho motora BIOPTIC

Hľadanie nového lieku je často opisované ako hľadanie ihly v kope sena. V skutočnosti je problém oveľa väčší: „kope“ môže obsahovať miliardy, alebo dokonca trilióny, možných molekúl.

Tu vstupuje do laboratória umelá inteligencia.

BIOPTIC, biotechnologická spoločnosť zameraná na AI, spojená s podnikateľom a bývalým výkonným riaditeľom Google Andrejom Doronichevom, vyvíja technológiu, ktorá využíva strojové učenie na hľadanie obrovských chemických knižníc pre molekuly, ktoré by sa mohli nakoniec stať novými liečivami. Jedným z najzaujímavejších programov spoločnosti sa zameriava na rakovinu, kde bol jej systém AI použitý na identifikáciu selektívnych inhibítorov VEGFR-3, biologického cieľa zapojeného do angiogenézy nádorov.

Dôležité slovo tu je nakoniec. AI nestlačí tlačidlo a nevytvorí hotový liek na rakovinu. Namiesto toho pomáha vedcom rozhodnúť, ktoré molekuly stoja za syntézu a testovanie v reálnom svete.

Čo je BIOPTIC a čo vlastne robí jeho AI?

BIOPTIC pôsobí na križovatke umelej inteligencie, výpočtovej chémie a objavovania liekov. Jeho základná myšlienka je chápať chemické objavovanie čiastočne ako problém hľadania.

Konvenčný program objavovania liekov môže začať biologickým cieľom, proteínom zapojeným do choroby, a potom hľadá molekulu schopnú interagovať s týmto cieľom požadovaným spôsobom. Výzvou je, že počet teoreticky možných molekúl podobných liekom je astronomický.

Systém BIOPTIC B1 sa snaží tento proces spraviť zvládnuteľným.

Systém reprezentuje molekuly matematicky, vytvára kompaktné číselné vloženia, ktoré umožňujú porovnávať chemické štruktúry vysokou rýchlosťou. Podľa odborným recenzovaným výskumu spoločnosti, B1 môže prehľadávať knižnice obsahujúce desiatky miliárd zlúčenín a získať molekuly, ktoré môžu mať podobné biologické vlastnosti, aj keď sa ich chemické štruktúry výrazne líšia.

AI preto nenahrádza laboratórium. Pôsobí ako extrémne rýchly filter pred začiatkom laboratórnej práce.

Ako BIOPTIC B1 hľadá miliardy molekúl?

Technologický základ B1 je systém virtuálneho skríningovania na báze ligandov.

Ligand je molekula, ktorá sa môže viazať na biologický cieľ, ako je proteín. Ak vedci už poznajú niekoľko molekúl s užitočnou aktivitou, tieto molekuly môžu slúžiť ako východiskové body pre nové hľadanie.

B1 konvertuje molekulárne informácie do kompaktného vektorového zastúpenia. V publikovanom systéme je každá molekula zastúpená ako 60-dimenzionálne vloženie uložené pomocou presnosti float16. Model potom môže porovnať dotazujúcu molekulu s predindexovanými molekulárnymi reprezentáciami a vypočítať podobnosť na obrovskej škále.

Systém bol testovaný na Enamine REAL Space, virtuálnej chemickej knižnici obsahujúcej približne 40 miliárd enumerovaných molekúl.

Takáto škála vytvára inžiniersky problém rovnako ako vedecký. Výskumníci BIOPTIC rozdelili proces na dve fázy:

• Skanning: neurónové siete spracovávajú molekuly a generujú vloženia.

• Hľadanie: predpočítané vloženia sú porovnávané na získanie najrelevantnejších kandidátov.

V publikovaných benchmarkoch sa hľadanie v knižnici s 40 miliardami zlúčenín mohlo uskutočniť za približne dve minúty a pätnásť sekúnd s použitím konfigurácie na báze SSD opísanej v článku. Konfigurácia na báze RAM bola podstatne rýchlejšia.

To neznamená, že AI rozumie biologickým procesom rovnakým spôsobom ako vedec. Znamená to, že systém dokáže rýchlo navigovať matematickou mapou chemického priestoru a identifikovať kandidátov, ktorí si zaslúžia bližšiu pozornosť.

Projekt rakoviny: Hľadanie selektívnych inhibítorov VEGFR-3

Rakovinový program BIOPTIC poskytuje konkrétny príklad toho, ako môže tento prístup fungovať.

Cieľom je VEGFR-3, známy aj ako FLT4, receptor zapojený do signálnych dráh spojených s angiogenézou, tvorbou nových krvných ciev. Tumory môžu využívať angiogenézu na podporu svojho rastu, čím sa táto dráha stáva dôležitou oblasťou výskumu rakoviny.

Výzvou je selektivita.

Lieky, ktoré široko ovplyvňujú viacero receptorov VEGF, môžu tiež interagovať s inými biologickými systémami, čo môže zvýšiť toxicitu. Projekt BIOPTIC sa snažil identifikovať malé molekuly so silnejšou selektivitou pre VEGFR-3.

Spoločnosť použila dvojmodelovú pipeline:

SMILES je textová notácia používaná na popis molekulárnych štruktúr. To robí chémiu prekvapivo kompatibilnou s technikami jazykových modelov: molekula môže byť reprezentovaná ako sekvencia symbolov, čo umožňuje AI systémom učiť sa vzory v chemických údajoch.

Po tom, čo prvý model screeningoval ultra-veľkú knižnicu so 40 miliardami zlúčenín, bola použité grafová neurónová sieť ako druhý filter. Na rozdiel od textovej sekvencie, graf predstavuje atómy ako uzly a chemické väzby ako spojenia, čo robí GNN užitočnými na modelovanie molekulárnej štruktúry a vzťahov.

Od digitálnej predikcie po skutočnú molekulu

Tu sa príbeh AI stáva reálnou vedou.

Počítač môže predpovedať, že molekula vyzerá sľubne, ale molekula musí byť ešte syntetizovaná a testovaná experimentálne.

V projekte VEGFR-3 BIOPTIC oznámil testovanie 110 zlúčenín pomocou profilačného testu kinázy. Niekoľko molekúl preukázalo aktivitu proti VEGFR-3 a tri z nich boli selektívne pre jediný VEGFR cieľ. Jeden kandidát preukázal viac ako 45-násobnú selektivitu nad VEGFR-1 a VEGFR-2 v oznámených experimentoch. Výsledky boli prezentované v abstrakte na 2025 ASCO Annual Meeting a publikované ako abstrakt na stretnutí v Journal of Clinical Oncology.

Vedci potom spojili molekulárne objavovanie s analýzou sekvencovania RNA. Pomocou algoritmu Oncobox analyzovali tisíce profilov expresie nádorov, aby odhadli, ktoré typy rakoviny by mohli byť najreagujúcejšie na selektívnu inhibíciu VEGFR-3. Oznámení kandidáti na ďalšie skúmanie zahŕňali papilárny karcinóm štítnej žľazy, clear-cell karcinóm obličiek, pankreatický karcinóm, ovariálny karcinóm a sarkómy.

Toto sú výskumné zistenia, nie dôkaz, že hotový liek na rakovinu je pripravený pre pacientov.

Vedecké dôkazy za BIOPTIC B1

Technológia BIOPTIC bola tiež opísaná v odborných recenzovaných vedeckých publikáciách.

V roku 2025 výskumníci publikovali štúdiu v Journal of Chemical Information and Modeling, popisujúcu BIOPTIC B1 a jeho využitie v perspektívnom experimente objavovania liekov zameranom na LRRK2, proteín spojený s Parkinsonovou chorobou.

Systém prehľadával rovnaký chemický priestor s 40 miliardami molekúl a identifikoval nových ligandov pre normálne aj mutované formy LRRK2. Najlepšie experimentálne validované zlúčeniny dosiahli disociačné konštanty až 110 nanomolárne.

Ďalšia fáza je zvlášť dôležitá na pochopenie AI-asistovaného objavovania liekov. Počiatočné nálezy neboli považované za konečné odpovede. Vedci použili najlepšie zlúčeniny ako východiskové body na analogové hľadanie, získali štrukturálne príbuzné molekuly, filtrovali ich kvôli praktickým vlastnostiam a vybrali kandidátov, ktorí by mohli byť realisticky syntetizovaní.

Zo 48 vybraných analogov bolo úspešne syntetizovaných 47. Výsledné zlúčeniny boli znova testované, čím sa vytvoril spätný cyklus medzi výpočtom, chémiou a biológiou.

Prečo AI nemôže nahradiť vedcov o liekoch

Fráza „AI objavuje lieky“ je chytľavá, ale nekompletná.

AI môže hodnotiť molekuly na základe vzorov naučených z údajov. Môže urýchliť virtuálne skríningy a identifikovať chemické vzťahy, ktoré by bolo ťažké preskúmať manuálne. Ale predikcia zostáva predikciou, kým experimentálna práca to nepotvrdí.

Vedci musia stále odpovedať na základné otázky:

• Skutočne sa molekula viaže na cieľ?

• Ovplyvňuje zamýšľanú biologickú dráhu?

• Je dostatočne selektívna?

• Je toxická?

• Môže dosiahnuť správne tkanivo?

• Je metabolizovaná bezpečne?

• Funguje u zvierat?

• Pomáha ľudským pacientom?

Sľubná molekula môže zlyhať v akomkoľvek bode.

Preto je skutočná hodnota systémov ako BIOPTIC B1 rýchlosť, nie kúzlo. Ak AI dokáže zredukovať miliardy teoretických možností na niekoľko desiatok molekúl, ktoré stoja za testovanie, môže spraviť najskoršie fázy objavovania liekov efektívnejšími.

Budúcnosť medicíny riadenej AI

Práca BIOPTIC ilustruje širšiu transformáciu v biotechnológii. AI sa čoraz viac stáva súčasťou výskumnej infraštruktúry, systémom na hľadanie chemického priestoru, uprednostňovanie experimentov a prepojenie molekulárnych údajov s biologickými informáciami.

Rakovinový výskum spoločnosti je obzvlášť zaujímavý, pretože kombinuje niekoľko vrstiev výpočtov: molekulárne skríningy, modelovanie selektivity a analýzu RNA-seq nádoru.

Ale konečný produkt tohto procesu nie je predpísanie generované AI. Je to zoznam hypotéz pre vedcov na testovanie.

Toto rozlíšenie je dôležité.

AI môže pomôcť výskumníkom prehľadávať miliardy molekúl rýchlejšie ako tradičné metódy. Môže odhaliť neznáme chemické kostry a nasmerovať laboratória na kandidátov, ktorí by inak ostali skrytí. Napriek tomu ešte musí molekula prežiť chémiu, biológiu, toxicológiu, predklinický výskum a klinické testy.

Inými slovami, AI nenahrádza vedca, ktorý hľadá liek na rakovinu.

Dáva tomu vedcovi omnoho mocnejší vyhľadávací motor.