Paano Tinutulungan ng AI ang Paghahanap ng mga Gamot sa Kanser: Sa Likod ng Molecular Discovery Engine ng BIOPTIC

Ang paghahanap ng bagong gamot ay madalas na inilarawan bilang paghahanap ng karayom sa dayami. Sa katotohanan, mas malaki ang problema: ang “dayami” ay maaaring maglaman ng bilyun-bilyong, o kahit na trilyon, ng posibleng molekula.

Dito pumapasok ang artipisyal na talino sa laboratoryo.

Ang BIOPTIC, isang biotech na kumpanya na pangunahing nakatuon sa AI na nauugnay kay entrepreneur at dating executive ng Google na si Andrey Doronichev, ay bumubuo ng teknolohiya na gumagamit ng machine learning upang maghanap sa malalaking aklatan ng kemikal para sa mga molekula na maaaring maging bagong gamot. Isa sa mga pinakakaakit-akit na programa ng kumpanya ay nakatuon sa kanser, kung saan ginamit ang sistema ng AI nito upang matukoy ang mga selectibong inhibitor ng VEGFR-3, isang biological target na kasangkot sa tumor angiogenesis.

Ang mahalagang salita dito ay sa huli. Ang AI ay hindi nagpipindot ng pindutan at nagbubunga ng isang tapos na gamot sa kanser. Sa halip, nakakatulong ito sa mga siyentipiko na magpasya kung aling mga molekula ang nagkakahalaga ng sintetisahin at subukan sa totoong mundo.

Ano ang BIOPTIC at Ano ang Ginagawa ng Kanyang AI?

Ang BIOPTIC ay gumagana sa interseksyon ng artipisyal na talino, computational chemistry at drug discovery. Ang pangunahing ideya nito ay ituring ang kemikal na pagtuklas bilang bahagi ng isang problema sa paghahanap.

Ang isang karaniwang programa sa pagtuklas ng gamot ay maaaring magsimula sa isang biological target, isang protina na kasangkot sa isang sakit, at pagkatapos ay maghanap ng isang molekula na maaaring makipag-ugnayan sa target na iyon sa kanais-nais na paraan. Ang hamon ay ang bilang ng mga teoretikal na posibleng molekulang katulad ng gamot ay napakalaki.

Sinusubukang gawing mas maayos ng B1 system ng BIOPTIC ang paghahanap na ito.

Ang sistema ay kumakatawan sa mga molekula sa matematikal na paraan, lumilikha ng compact numerical embeddings na nagpapahintulot sa mga kemikal na estruktura na maihambing nang mabilis. Ayon sa pananaliksik na sinaliksik ng mga kapwa ng kumpanya, ang B1 ay maaaring maghanap sa mga aklatan na naglalaman ng sampu-sampung bilyong mga compound at makuha ang mga molekulang maaaring may katulad na mga biological properties kahit na malaki ang pagkakaiba ng kanilang mga kemikal na estruktura.

Ang AI ay samakatuwid ay hindi pumapalit sa laboratoryo. Ito ay kumikilos bilang isang napakabilis na filter bago magsimula ang gawain sa laboratoryo.

Paano Naghahanap ang BIOPTIC B1 ng Bilyun-bilyong Molekula?

Ang teknikal na pundasyon ng B1 ay isang ligand-based virtual screening system.

Ang ligand ay isang molekula na maaaring kumabit sa isang biological target, tulad ng isang protina. Kung ang mga siyentipiko ay may alam na ilang mga molekula na may kapaki-pakinabang na aktibidad, ang mga molekulang ito ay maaaring magsilbing panimulang mga punto para sa bagong paghahanap.

Ang B1 ay nagko-convert ng impormasyon ng molekula sa isang compact vector representation. Sa na-publish na sistema, bawat molekula ay kinakatawan bilang isang 60-dimensional embedding na naka-imbak gamit ang float16 precision. Ang modelo ay pagkatapos ay maaari nang ihambing ang isang query molekula sa mga pre-indexed molecular representations at kalkulahin ang pagkakatulad sa napakalaking sukat.

Sinubukan ang sistema sa Enamine REAL Space, isang virtual chemical library na naglalaman ng humigit-kumulang na 40 bilyon na enumerated molecules.

Ang sukat na iyon ay nagdudulot ng isang problema sa engineering kasabay ng isang siyentipikong problema. Hinati ng mga mananaliksik ng BIOPTIC ang proseso sa dalawang yugto:

• Pagsusuri: pinoproseso ng mga neural networks ang mga molekula at bumubuo ng embeddings.

• Paghahanap: ang mga precomputed embeddings ay ihinahambing upang makuha ang pinaka-relevat na mga kandidato.

Sa na-publish na benchmarks, ang isang paghahanap sa library ng 40 bilyong compound ay maari nang isagawa sa loob ng mga dalawa at labinlimang segundo gamit ang SSD-based search setup na inilarawan sa papel. Ang configuration na batay sa RAM ay naging mas mabilis.

Hindi ito nangangahulugan na nauunawaan ng AI ang biology sa parehong paraan na ginagawa ng isang siyentipiko. Nangangahulugan ito na ang sistema ay maaaring mabilis na mag-navigate sa isang matematikal na mapa ng chemical space at matukoy ang mga kandidato na nararapat na bigyang-pansin.

Ang Proyekto ng Kanser: Paghahanap ng mga Selective VEGFR-3 Inhibitors

Ang programang kanser ng BIOPTIC ay nagbibigay ng kongkretong halimbawa ng kung paano maaaring gumana ang diskarteng ito.

Ang target ay VEGFR-3, na kilala rin bilang FLT4, isang receptor na kasangkot sa mga signaling pathways na konektado sa angiogenesis, ang pagbuo ng mga bagong daluyan ng dugo. Maaaring samantalahin ng mga tumor ang angiogenesis upang suportahan ang kanilang paglago, na ginagawa itong isang mahalagang lugar ng pananaliksik sa kanser.

Ang hamon ay selectivity.

Ang mga gamot na malawak na nakakaapekto sa maraming VEGF receptors ay maaari ring makipag-ugnayan sa iba pang biological systems, na posibleng nagdaragdag ng toxicity. Ang proyekto ng BIOPTIC ay naglalayong matukoy ang mga maliliit na molekula na may mas malakas na selectivity para sa VEGFR-3.

Gumamit ang kumpanya ng isang two-model pipeline:

Ang SMILES ay isang text-based notation na ginagamit upang ilarawan ang mga molekular na estruktura. Ito ay ginagawa ang chemistry na nakakagulat na katugma sa mga technique ng language-model: ang isang molekula ay maaaring ilarawan bilang isang sunud-sunod na simbolo, na nagpapahintulot sa mga sistema ng AI na matutunan ang mga pattern sa kemikal na data.

Pagkatapos ng unang modelo na nag-screen sa isang ultra-large library ng 40 bilyong compound, ginamit ang Graph Neural Network bilang pangalawang filter. Hindi tulad ng isang text sequence, isang graph ang kumakatawan sa mga atom bilang mga node at mga kemikal na bond bilang mga koneksyon, na ginagawa ang GNNs na kapaki-pakinabang para sa pagmomodelo ng estruktura at mga relasyon ng molekula.

Mula sa Digital Prediction Hanggang sa Totoong Molekula

Ito na ang punto kung saan nagiging totoo ang kwento ng AI sa siyensiya.

Maaaring hulaan ng computer na ang isang molekula ay mukhang promising, ngunit ang molekula ay kailangan pa ring sintetisahin at subukan sa eksperimento.

Sa proyekto ng VEGFR-3, iniulat ng BIOPTIC ang pagsusuri ng 110 compound gamit ang isang kinase profiling assay. Ang ilang molekula ay nagpakita ng aktibidad laban sa VEGFR-3, at tatlo ang selectivo para sa isang solong VEGFR target. Isang kandidato ang nagpakita ng higit sa 45-fold na selectivity laban sa VEGFR-1 at VEGFR-2 sa mga naulat na eksperimentong ito. Ang mga natuklasan ay iniharap sa isang abstract para sa 2025 ASCO Annual Meeting at na-publish bilang isang meeting abstract sa Journal of Clinical Oncology.

Pagkatapos, pinagsama ng mga mananaliksik ang molekular na pagtuklas sa pagsusuri ng RNA sequencing. Gamit ang Oncobox algorithm, sinuri nila ang libu-libong profile ng tumor expression upang tantiyahin kung aling mga uri ng kanser ang maaaring maging pinaka-tumutugon sa selectibong VEGFR-3 inhibition. Ang mga inireport na kandidato para sa karagdagang pagsusuri ay kinabibilangan ng papillary thyroid cancer, clear-cell renal cancer, pancreatic cancer, ovarian cancer at sarcomas.

Ito ay mga natuklasan sa pananaliksik, hindi ebidensya na ang isang tapos na gamot sa kanser ay handa na para sa mga pasyente.

Ang Siyentipikong Ebidensiya sa Likod ng BIOPTIC B1

Ang teknolohiya ng BIOPTIC ay nailarawan din sa mga peer-reviewed scientific literature.

Noong 2025, nag-publish ang mga mananaliksik ng isang pag-aaral sa Journal of Chemical Information and Modeling na naglalarawan sa BIOPTIC B1 at ang paggamit nito sa isang prospective na eksperimento sa pagtuklas ng gamot na nakatuon sa LRRK2, isang protina na nauugnay sa Parkinson's disease.

Sinuri ng sistema ang parehong 40-bilyong molekula na chemical space at nakilala ang mga bagong ligand para sa parehong normal at mutant na mga anyo ng LRRK2. Ang pinakamahusay na experimentally validated compounds ay umabot sa dissociation constants na kasing baba ng 110 nanomolar.

Ang susunod na yugto ay lalo nang mahalaga para sa pag-unawa sa AI-assisted drug discovery. Ang mga paunang hits ay hindi itinuturing na mga pangwakas na sagot. Ginamit ng mga siyentipiko ang mga pinakamahusay na compound bilang mga panimulang punto para sa isang analog search, nakuha ang mga structurally related na molekula, in-filter ang mga ito para sa mga praktikal na properties at pinili ang mga kandidato na maaaring realistically na sintetisahin.

Sa 48 na napiling analogs, 47 ang matagumpay na sintetisado. Ang mga naging compound ay pagkatapos ay sinubok muli, lumilikha ng isang feedback loop sa pagitan ng computation, chemistry at biology.

Bakit Hindi Maaaring Palitan ng AI ang mga Siyentipiko ng Gamot

Ang pariral na “AI ang nagtatuklas ng mga gamot” ay nakakainteres, ngunit hindi kumpleto.

Maaari ng AI na i-ranggo ang mga molekula batay sa mga pattern na natutunan mula sa data. Maaari rin itong pabilisin ang virtual screening at tuklasin ang mga kemikal na relasyon na magiging mahirap suriin nang manu-mano. Ngunit ang isang hula ay nananatiling hula hanggang ang eksperimento ay nakumpirma ito.

Kailangan pa ring sagutin ng mga siyentipiko ang mga pangunahing tanong:

• Ang molekula ba ay talagang kumakabit sa target?

• Nakakaapekto ba ito sa inilaan na biological pathway?

• Sapat ba ang selectivity nito?

• Ito ba ay nakakalason?

• Maabot ba nito ang wastong tisyu?

• Ligtas ba itong ma-metabolize?

• Gumagana ba ito sa mga hayop?

• Nakakatulong ba ito sa mga pasyenteng tao?

Ang isang promising molekula ay maaaring mabigo sa anumang punto.

Iyon ang dahilan kung bakit ang tunay na halaga ng mga sistema tulad ng BIOPTIC B1 ay maaaring bilis sa halip na mahika. Kung ang AI ay makakapagpababa ng bilyun-bilyong teoretikal na posibilidad sa ilang dosena ng mga molekula na karapat-dapat subukin, maaari nitong gawing mas mahusay ang mga pinakamaagang yugto ng pagtuklas ng gamot.

Ang Kinabukasan ng AI-Driven Medicine

Ang trabaho ng BIOPTIC ay naglalarawan ng mas malawak na transformasyon sa biotechnology. Ang AI ay lalong nagiging bahagi ng research infrastructure mismo, isang sistema para sa paghahanap sa chemical space, pag-prioritize sa mga eksperimento at pag-uugnay ng molekular na data sa biological information.

Ang pananaliksik sa kanser ng kumpanya ay lalo na nakakaintriga dahil pinagsasama nito ang ilang mga layer ng computation: molekular na screening, modeling ng selectivity at RNA-seq analysis ng biology ng tumor.

Ngunit ang huling produkto ng prosesong ito ay hindi isang AI-generated na reseta. Ito ay isang shortlist ng mga hypothesis para sa mga siyentipiko na subukin.

Mahalaga ang pagkakaibang iyon.

Maaari ring tulungan ng AI ang mga mananaliksik na maghanap ng bilyun-bilyong molekula nang mas mabilis kaysa sa mga tradisyonal na pamamaraan. Maaaring matuklasan nito ang mga di-pamilyar na kemikal na scaffolds at ituro ang mga laboratoryo sa mga kandidato na kung hindi man ay mananatiling nakatago. Ngunit ang molekula ay kailangan pa ring makaligtas sa chemistry, biology, toxicology, preclinical research at clinical trials.

Sa ibang salita, ang AI ay hindi pumapalit sa siyentipiko na naghahanap ng lunas para sa kanser.

Ito ay nagbibigay sa siyentipikong iyon ng isang napakalakas na search engine.