Kako veštačka inteligencija pomaže u potrazi za lekovima protiv raka: Unutar BIOPTIC-ove molekulske otkrivne mašine

Pronalaženje novog leka često se opisuje kao potraga za iglom u plastu sena. U stvarnosti, problem je mnogo veći: "plasto sena" može sadržati milijarde, ili čak trilione, mogućih molekula.

Ovde u laboratoriju ulazi veštačka inteligencija.

BIOPTIC, biotehnološka kompanija fokusirana na veštačku inteligenciju, povezana sa preduzetnikom i bivšim izvršnim direktorom Google-a Andrejom Doronichevom, razvija tehnologiju koja koristi mašinsko učenje za pretraživanje ogromnih hemijskih biblioteka za molekule koje bi mogle postati novi lekovi. Jedan od najzanimljivijih programa kompanije fokusira se na rak, gde je njen AI sistem korišćen za identifikaciju selektivnih inhibitora VEGFR-3, biološkog cilja koji učestvuje u tumorske angiogeneze.

Važna reč ovde je konačno. AI ne pritisne dugme i ne proizvodi završeni lek protiv raka. Umesto toga, pomaže naučnicima da odluče koji molekuli vrede sintetisati i testirati u stvarnom svetu.

Šta je BIOPTIC i šta zapravo radi njegov AI?

BIOPTIC deluje na raskršću veštačke inteligencije, računske hemije i otkrivanja lekova. Njegova osnovna ideja je delimično tretirati hemijsko otkrivanje kao problem pretrage.

Konvencionalni program za otkrivanje lekova može početi sa biološkim ciljem, proteinom koji je povezan sa bolešću, i zatim tražiti molekul sposoban da interaguje sa tim ciljem na željeni način. Izazov je u tome što je broj teoretski mogućih molekula sličnih lekovima astronomski.

BIOPTIC-ov B1 sistem pokušava da ovu pretragu učini upravljivom.

Sistem predstavlja molekule matematički, kreirajući kompaktne numeričke uloge koje omogućavaju da se hemijske strukture upoređuju velikom brzinom. Prema peer-reviewed istraživanju kompanije, B1 može pretraživati biblioteke koje sadrže desetine milijardi jedinjenja i povlačiti molekule koje mogu imati slična biološka svojstva čak i kada se njihova hemijska struktura značajno razlikuje.

AI, dakle, ne zamenjuje laboratoriju. Ona deluje kao izuzetno brzi filtrir pre nego što laboratorijski rad počne.

Kako BIOPTIC B1 pretražuje milijarde molekula?

Tehnička osnova B1 je virtualni sistem zasnovan na ligandima.

Ligand je molekul koji se može vezati za biološki cilj, kao što je protein. Ako naučnici već znaju nekoliko molekula sa korisnom aktivnošću, ti molekuli mogu poslužiti kao polazne tačke za novu pretragu.

B1 pretvara molekularne informacije u kompaktne vektorske predstavnike. U objavljenom sistemu, svaki molekul je predstavljen kao 60-dimenzionalna uloga koja se čuva korišćenjem float16 preciznosti. Model tada može uporediti molekul upita sa prethodno indeksiranim molekularnim predstavama i izračunati sličnost na ogromnom nivou.

Sistem je testiran na Enamine REAL Space, virtuelnoj hemijskoj biblioteci koja sadrži otprilike 40 milijardi navedenih molekula.

Ta skala stvara inženjerski problem koliko i naučni. Istraživači BIOPTIC-a su proces podelili u dve faze:

• Skeniranje: neuronske mreže procesuiraju molekule i generišu uloge.

• Pretraga: prethodno obrađene uloge se upoređuju da bi se povukli najrelevantniji kandidati.

U objavljenim standardima, pretraga kroz biblioteku od 40 milijardi jedinjenja mogla je biti obavljena za otprilike dve minute i petnaest sekundi koristeći SSD-based pretragu opisanu u radu. Konfiguracija zasnovana na RAM-u bila je znatno brža.

To ne znači da AI razume biologiju na isti način kao naučnik. To znači da sistem može brzo navigirati matematičkom mapom hemijskog prostora i identifikovati kandidate koje vredi bliže istražiti.

Projekat protiv raka: Potraga za selektivnim inhibitora VEGFR-3

BIOPTIC-ov projekat vezan za rak pruža konkretan primer kako ovaj pristup može funkcionisati.

Cilj je VEGFR-3, takođe poznat kao FLT4, receptor uključen u signalne puteve povezane sa angiogeneza, formiranjem novih krvnih sudova. Tumori mogu iskoristiti angiogenezu da podrže svoj rast, čineći ovaj put važnim područjem istraživanja raka.

Izazov je selektivnost.

Lekovi koji široko utiču na više VEGF receptora takođe mogu interagovati sa drugim biološkim sistemima, potencijalno povećavajući toksičnost. BIOPTIC-ov projekat imao je za cilj identifikovati male molekule sa jačom selektivnošću za VEGFR-3.

Kompanija je koristila liniju sa dva modela:

SMILES je tekstualna notacija koja se koristi za opisivanje molekularnih struktura. Ovo čini hemiju iznenađujuće kompatibilnom sa tehnikama jezičkih modela: molekul može biti predstavljen kao niz simbola, omogućavajući AI sistemima da uče obrasce u hemijskim podacima.

Nakon što je prvi model pregledao ultra-veliku biblioteku od 40 milijardi jedinjenja, Graph Neural Network je korišćen kao drugi filter. Za razliku od tekstualnog niza, graf predstavlja atome kao čvorove i hemijske veze kao poveznice, što čini GNN korisnim za modeliranje molekularne strukture i odnosa.

Od digitalne predikcije do pravog molekula

Ovde priča o AI postaje prava nauka.

Računar može predvideti da molekul izgleda obećavajuće, ali molekul se još uvek mora sintetisati i testirati eksperimentalno.

U VEGFR-3 projektu, BIOPTIC je izvestio o testiranju 110 jedinjenja koristeći assay za profilisanje kinaze. Nekoliko molekula pokazalo je aktivnost protiv VEGFR-3, a tri su bila selektivna za jedan vegfr cilj. Jedan kandidat demonstrirao je više od 45 puta selektivnost u odnosu na VEGFR-1 i VEGFR-2 u izveštavanim eksperimentima. Ova otkrića su predstavljena u sažetku za 2025. ASCO godišnji sastanak i objavljena kao sažetak sastanka u časopisu Clinical Oncology.

Istraživači su potom kombinovali molekulsko otkrivanje sa analizom RNA sekvenciranja. Koristeći Oncobox algoritam, analizirali su hiljade izražajnih profila tumora kako bi procenili koji tipovi raka bi mogli biti najodgovorniji na selektivnu inhibiciju VEGFR-3. Izvešteni kandidati za dalja istraživanja uključivali su papilarni karcinom štitne žlezde, karcinom bubrega sa jasnim stanicama, pankreasni karcinom, karcinom jajnika i sarkome.

Ovo su istraživački nalazi, ne dokazi da je gotova medicina protiv raka spremna za pacijente.

Naučni dokazi iza BIOPTIC B1

BIOPTIC-ova tehnologija je takođe opisana u peer-reviewed naučnoj literaturi.

2025. godine, istraživači su objavili studiju u časopisu Journal of Chemical Information and Modeling opisujući BIOPTIC B1 i njegovu upotrebu u eksperimentu otkrivanja lekova usmerenog na LRRK2, protein povezan sa Parkinsonovom bolešću.

Sistem je pretraživao istih 40 milijardi molekula i identifikovao nove ligande za normalne i mutirane forme LRRK2. Najbolje eksperimentalno validirane jedinice postigle su konstantu disocijacije do 110 nanomolara.

Sledeća faza je posebno važna za razumevanje otkrivanja lekova uz pomoć AI. Početni hitovi nisu tretirani kao konačni odgovori. Naučnici su koristili najbolje jedinice kao polazne tačke za analognu pretragu, povukli strukturalno povezane molekule, filtrirali ih prema praktičnim svojstvima i odabrali kandidate koje bi bilo realno sintetizovati.

Od 48 izabranih analoga, 47 je uspešno sintetizovano. Rezultantna jedinjenja su zatim ponovo testirana, stvarajući povratnu petlju između računanja, hemije i biologije.

Zašto AI ne može zameniti naučnike za lekove

Fraza "AI otkriva lekove" je privlačna, ali nepotpuna.

AI može rangirati molekule na osnovu obrazaca naučenih iz podataka. Može ubrzati virtuelno pretraživanje i identifikovati hemijske odnose koji bi bili teški za istraživanje ručno. Ali predikcija ostaje predikcija dok eksperimentalni rad to ne potvrdi.

Naučnici i dalje moraju odgovoriti na osnovna pitanja:

• Da li se molekul zapravo vezuje za cilj?

• Da li utiče na željeni biološki put?

• Da li je dovoljno selektivan?

• Da li je toksičan?

• Može li doći do pravog tkiva?

• Da li se metabolizuje bezbedno?

• Da li deluje na životinjama?

• Da li pomaže ljudskim pacijentima?

Obećavajući molekul može propasti u bilo kojoj tački.

Zato pravi značaj sistema kao što je BIOPTIC B1 može biti brzina umesto magije. Ako AI može smanjiti milijarde teorijskih mogućnosti na nekoliko desetina molekula vrednih testiranja, može učiniti najranije faze otkrivanja lekova efikasnijim.

Budućnost medicine vođene AI-jem

BIOPTIC-ov rad ilustruje širu transformaciju u biotehnologiji. AI sve više postaje deo samog istraživačkog okvira, sistem za pretraživanje hemijskog prostora, prioritetizaciju pokusa i povezivanje molekularnih podataka sa biološkim informacijama.

Istraživanje raka kompanije je posebno zanimljivo jer kombinuje više slojeva računarstva: molekulsko skeniranje, modeliranje selektivnosti i RNA-seq analizu biologije tumora.

Ali konačni proizvod ovog procesa nije AI-generisana prepiska. To je spisak hipoteza koje naučnici treba da testiraju.

Ta razlika je važna.

AI može pomoći istraživačima da pretražuju milijarde molekula brže nego što to tradicionalne metode mogu. Može otkriti nepoznate hemijske strukture i uputiti laboratorije prema kandidatima koji bi inače ostali skriveni. Ipak, molekul se još uvek mora suočiti sa hemijom, biologijom, toksikologijom, prekliničkim istraživanjem i kliničkim ispitivanjima.

Drugim rečima, AI ne zamenjuje naučnika koji traži lek za rak.

Ona daje tom naučniku daleko moćniju pretraživačku mašinu.