Evogene Ltd. ha presentado una primera de clase modelo de base de IA generativa Para el diseño de moléculas pequeñas, marcando un avance en cómo se descubren nuevos compuestos. Anunciado el 10 de junio de 2025, en colaboración con Google Cloud, el modelo expande la plataforma ChemPass AI de Evogene y aborda un desafío de larga data tanto en productos farmacéuticos como en la agricultura: encontrar nuevas moléculas que cumplan con múltiples criterios complejos simultáneamente. Este desarrollo está listo para acelerar la I + D en el descubrimiento de fármacos y la protección de los cultivos al permitir la optimización simultánea de propiedades como la eficacia, la toxicidad y la estabilidad en un solo ciclo de diseño.
Desde la detección secuencial hasta el diseño simultáneo
En la investigación química tradicional de drogas y agricultura, los científicos generalmente prueban un factor a la vez: la primera verificación si un compuesto funciona, luego luego de prueba para la seguridad y la estabilidad. Este método paso a paso es lento, costoso y a menudo termina en la falla, con muchos compuestos prometedores que se quedan cortos en etapas posteriores. También mantiene a los investigadores enfocados en estructuras químicas familiares, limitando la innovación y dificultan crear nuevos productos patentables. Este enfoque obsoleto contribuye a altos costos, largos plazos y una baja tasa de éxito, una tasa de éxito, el 90% de los candidatos a los medicamentos fallan antes de llegar al mercado.
La IA generativa cambia este paradigma. En lugar de un filtrado uno por uno, los modelos de IA pueden hacer malabarismos con múltiples requisitos a la vez, diseñando moléculas para ser potentes, seguras y estables desde el principio. El nuevo modelo de base de Evogene se construyó explícitamente para habilitar este diseño simultáneo de varios parámetros. Este enfoque tiene como objetivo eliminar las fases de desarrollo posteriores mediante consideraciones de carga frontal como ADME y toxicidad en el diseño inicial.
En la práctica, podría significar menos fallas en la etapa tardía, por ejemplo, menos candidatos a medicamentos que muestran excelentes resultados de laboratorio solo para fallar en los ensayos clínicos debido a los efectos secundarios. En resumen, la IA generativa permite a los investigadores innovar de manera más rápida e inteligente, optimizando simultáneamente para las muchas facetas de una molécula exitosa en lugar de abordar cada una aislada.
Inside ChemPass AI: cómo los modelos generativos diseñan moléculas
En el corazón de la plataforma ChemPass AI de Evogene hay un nuevo y poderoso modelo de base entrenado en un enorme conjunto de datos químicos. La compañía reunió una base de datos curada de aproximadamente 40 mil millones de estructuras moleculares, que abarca compuestos conocidos de fármaco y diversos andamios químicos, para enseñar a la IA el “lenguaje” de las moléculas. Utilizando la infraestructura de IA de vértices de Google Cloud con la supercomputación de GPU, el modelo aprendió patrones de esta vasta biblioteca de productos químicos, dándole una amplitud de conocimiento sin precedentes sobre cómo se ven las moléculas de drogas. Este régimen de capacitación masivo es similar a capacitar a un modelo de lenguaje grande, pero en lugar del lenguaje humano, la IA aprendió representaciones químicas.
El modelo generativo de Evogene se basa en la arquitectura de la red neuronal del transformador, similar a los modelos GPT que revolucionaron el procesamiento del lenguaje natural. De hecho, el sistema se conoce como ChemPass-GPT, un modelo de IA patentado entrenado en cadenas de sonrisas (una codificación de texto de estructuras moleculares). En términos simples, ChemPass-GPT trata moléculas como oraciones: la cadena de sonrisas de cada molécula es una secuencia de caracteres que describen sus átomos y enlaces. El modelo Transformer ha aprendido la gramática de este lenguaje químico, lo que le permite “escribir” nuevas moléculas prediciendo un personaje a la vez, de la misma manera que GPT puede escribir oraciones Carta por carta. Debido a que fue entrenado en miles de millones de ejemplos, el modelo puede generar sonrisas novedosas que corresponden a estructuras químicamente válidas de drogas.
Este Enfoque generativo basado en secuencias Aprovecha la fuerza de los transformadores en la captura de patrones complejos. Al entrenar en un conjunto de datos tan grande y químicamente diverso, ChemPass AI supera los problemas que enfrentan los modelos de IA anteriores, como el sesgo de pequeños conjuntos de datos o generando moléculas redundantes o inválidas, el rendimiento del modelo de base ya supera con creces un GPT genérico aplicado a la química: las pruebas internas mostraron sobre 90% de precisión En la producción de nuevas moléculas que cumplan con todos los criterios de diseño, versus ~ 29% de precisión para un modelo tradicional basado en GPTEvogene.com. En términos prácticos, esto significa que casi todas las moléculas que Chempass Ai sugiere no solo son nuevas sino que también alcanzan su perfil objetivo, una mejora sorprendente sobre las técnicas generativas basales.
Si bien el principal motor generativo de Evogene usa un transformador en sonrisas lineales, vale la pena señalar que el kit de herramientas de IA más amplio incluye otras arquitecturas como las redes neuronales Graph (GNN). Las moléculas son gráficas naturales, con átomos como nodos y enlaces como bordes, y los GNN pueden razonar directamente en estas estructuras. En el diseño moderno de fármacos, los GNN a menudo se usan para predecir propiedades o incluso generar moléculas construyendo átomo por átomo. Este enfoque basado en gráficos complementa los modelos de secuencia; Por ejemplo, la plataforma de Evogene también incorpora herramientas como Deepdock para la detección virtual 3D, que probablemente use el aprendizaje profundo para evaluar la unión de la molécula en un contexto basado en estructuras mediante la combinación de modelos de secuencia (excelentes para la creatividad y la novedad) con modelos gráficos (excelentes para la precisión estructural y predicción de propiedades), ChemPass AI asegura que sus generados sean los complementos no solo son novedosos en el papel, sino que también son efectivos y efectivos en la práctica en la práctica. El bucle de diseño de la IA podría generar estructuras candidatas y luego evaluarlas a través de modelos predictivos, algunos posiblemente basados en GNN, para criterios como la toxicidad o la viabilidad sintética, creando un ciclo de retroalimentación que refina cada sugerencia.
Optimización de objetivos múltiples: potencia, toxicidad, estabilidad De repente
Una característica destacada de ChemPass AI es su capacidad incorporada para la optimización de objetivos múltiples. El descubrimiento clásico de fármacos a menudo optimiza una propiedad a la vez, pero ChemPass fue diseñado para manejar muchos objetivos simultáneamente. Esto se logra a través de técnicas avanzadas de aprendizaje automático que guían el modelo generativo para satisfacer múltiples restricciones. En el entrenamiento, Evogene puede imponer requisitos de propiedad, como una molécula debe activar un cierto objetivo fuertemente, evitar ciertos motivos tóxicos y tener una buena biodisponibilidad, y el modelo aprende a navegar en el espacio químico bajo esas reglas. El sistema ChemPass-GPT incluso permite “generación basada en restricciones”, lo que significa que se puede instruir solo para proponer moléculas que cumplan con las propiedades específicas deseadas desde el principio.
¿Cómo logra la IA esta Ley de Balanceo de Multi-Parameter? Un enfoque es el aprendizaje de tareas múltiples, donde el modelo no solo genera moléculas, sino que también predice sus propiedades utilizando predictores aprendidos, ajustando la generación en consecuencia. Otro enfoque poderoso es el aprendizaje de refuerzo (RL). En un flujo de trabajo mejorado por RL, el modelo generativo actúa como un agente “jugar un juego” de diseño de moléculas: propone una molécula y luego obtiene un puntaje de recompensa basado en qué tan bien esa molécula cumple con los objetivos (potencia, falta de toxicidad, etc.). En muchas iteraciones, el modelo ajusta su estrategia de generación para maximizar esta recompensa. Este método se ha utilizado con éxito en otros sistemas de diseño de fármacos impulsados por la IA: los investigadores han demostrado que los algoritmos de aprendizaje de refuerzo pueden guiar modelos generativos para producir moléculas con propiedades deseables. En esencia, la IA puede ser entrenada con una función de recompensa que encapsula múltiples objetivos, por ejemplo, dar puntos para la eficacia predicha y los puntos de resta para la toxicidad predicha. Luego, el modelo optimiza sus “movimientos” (agregando o eliminando átomos, alterando los grupos funcionales) para obtener la puntuación más alta, aprendiendo efectivamente las compensaciones necesarias para satisfacer todos los criterios.
Evogene no ha revelado la salsa patentada exacta detrás del motor múltiple de objetivos de ChemPass AI, pero de sus resultados está claro que tales estrategias están en funcionamiento. El hecho de que cada compuesto generado “cumpla simultáneamente los parámetros esenciales” como la eficacia, la sintetización y la seguridad. El próximo ChemPass AI Versión 2.0 lo impulsará aún más: se está desarrollando para permitir un ajuste multiparamétrico aún más flexible, incluidos los criterios definidos por el usuario adaptados a áreas terapéuticas específicas o requisitos de cultivos. Esto sugiere que el modelo de próxima generación podría permitir que los investigadores suban o bajan la importancia de ciertos factores (por ejemplo, priorizando la penetración cerebral para un fármaco neurológico o la biodegradabilidad ambiental para un pesticida) y la IA ajustará su estrategia de diseño en consecuencia. Al integrar tales capacidades múltiples de objetivos, ChemPass AI puede diseñar moléculas que alcancen el punto óptimo en numerosas métricas de rendimiento a la vez, una hazaña prácticamente imposible con los métodos tradicionales.
Un salto más allá de los métodos tradicionales de I + D
El advenimiento del modelo generativo de ChemPass AI destaca un cambio más amplio en la I + D de ciencia de la vida: el movimiento de los laboriosos flujos de trabajo de prueba y error a Creatividad y precisión de AI-AI. A diferencia de los químicos humanos, que tienden a atenerse a series químicas conocidas e iterar lentamente, una IA puede comprender miles de millones de posibilidades y aventurarse en el 99.9% del espacio químico inexplorado. Esto abre la puerta a encontrar compuestos eficaces que no se parezcan a nada que hemos visto antes, crucial para tratar enfermedades con una química novedosa o abordar plagas y patógenos que han evolucionado la resistencia a las moléculas existentes. Además, considerando patentabilidad Desde el primer momento, la IA generativa ayuda a evitar áreas de propiedad intelectual abarrotada. Evogene apunta explícitamente a producir moléculas que forjan una IP fresca, una ventaja competitiva importante.
Los beneficios sobre los enfoques tradicionales se pueden resumir de la siguiente manera:
-
Optimización de múltiples rasgos paralelos: La IA evalúa muchos parámetros en paralelo, diseñando moléculas que satisfacen la potencia, la seguridad y otros criterios. Las tuberías tradicionales, en contraste, a menudo solo descubren un problema de toxicidad después de años de trabajo en un medicamento prometedor. Al filtrar preventivamente para tales problemas, los candidatos diseñados por IA tienen una mejor oportunidad de éxito en los ensayos costosos posteriores.
-
Expansión de la diversidad química: Los modelos generativos no se limitan a las bibliotecas compuestas existentes. ChemPass AI puede conjurar estructuras que nunca antes se han hecho, pero se predice que sean efectivas. Este generación impulsada por la novedad Evite reinventar la rueda (o la molécula) y ayuda a crear productos diferenciados con nuevos modos de acción. Los métodos tradicionales a menudo conducen a compuestos “me-too” que ofrecen poca novedad.
-
Velocidad y escala: Lo que un equipo de químicos podría lograr mediante síntesis y pruebas en un año, una IA puede simular en días. La plataforma de aprendizaje profundo de ChemPass AI puede examinar rápidamente decenas de miles de millones de compuestos y generar cientos de ideas novedosas en una sola carrera. Esto comprime drásticamente la línea de tiempo del descubrimiento, enfocando los experimentos de laboratorio húmedo solo en los candidatos más prometedores identificados en Silico.
-
Conocimiento integrado: Los modelos de IA como ChemPass incorporan grandes cantidades de conocimiento químico y biológico (p. Ej., Conocidas relaciones de estructura-actividad, alertas de toxicidad, reglas de propiedad de drogas) en su entrenamiento, esto significa que cada diseño de moléculas se beneficia de una amplitud de datos anteriores que ningún experto humano solo podría sostenerse en su cabeza. El diseño tradicional se basa en la experiencia de los químicos medicinales, valiosos pero limitados a la memoria y el sesgo humanos, mientras que la IA puede capturar patrones en millones de experimentos y diversas familias químicas.
En términos prácticos, para farmacéuticos, esto podría conducir a tasas de éxito más altas en ensayos clínicos y costos de desarrollo reducidos, ya que se desperdician menos recursos en compuestos condenados. En la agricultura, significa una creación más rápida de soluciones de protección de cultivos más seguras y sostenibles, por ejemplo, un herbicida que es letal para las malas hierbas pero benignas para los organismos no objetivo y se descompone inofensivamente en el medio ambiente. Al optimizar juntos la eficacia y la seguridad ambiental, la IA puede ayudar a ofrecer a los AG-químicos “efectivos, sostenibles y patentados”, abordando los desafíos regulatorios y de resistencia de una sola vez.
Parte de una caja de herramientas de IA más amplia en Evogene
Mientras que ChemPass AI roba el centro de atención para el diseño de moléculas pequeñas, es parte del trío de “motores tecnológicos” con alimentación de Evogene adaptados a diferentes dominios. La compañía tiene Microboost AI centrada en microbios, AI ChemPass en química e IA del generador en elementos genéticos. Cada motor aplica análisis de datos grandes y aprendizaje automático a su campo respectivo.
Este ecosistema integrado de motores de IA subraya la estrategia de Evogene como una compañía de ciencias de la vida “AI primero”. Su objetivo es revolucionar el descubrimiento de productos en todos los ámbitos, ya sea formulando una droga, un bioestimulante o una cosecha tolerante a la sequía, por aprovechar el cálculo para navegar por la complejidad biológica. Los motores comparten una filosofía común: use el aprendizaje automático de vanguardia para aumentar la probabilidad de éxito de I + D y reducir el tiempo y el costo.
Outlook: el descubrimiento de IA viene a la mayoría de edad
La IA generativa está transformando el descubrimiento de moléculas, cambiando el papel de la IA de asistente a colaborador creativo. En lugar de probar una idea a la vez, los científicos ahora pueden usar AI para diseñar compuestos completamente nuevos que cumplan con múltiples objetivos (potencia, seguridad, estabilidad y más) en un solo paso.
Este futuro ya se está desarrollando. Un equipo farmacéutico puede solicitar una molécula que se dirige a una proteína específica, evite el cerebro y esté disponible por vía oral: AI puede entregar candidatos a pedido. En la agricultura, los investigadores podrían generar controles de plagas ecológicos adaptados a restricciones regulatorias y ambientales.
El modelo de base reciente de Evogene, desarrollado con Google Cloud, es un ejemplo de este cambio. Permite el diseño de varios parámetros y abre nuevas áreas de espacio químico. Como las versiones futuras permiten aún más personalización, estos modelos se convertirán en herramientas esenciales en las ciencias de la vida.
Crucialmente, el impacto depende de la validación del mundo real. A medida que se prueban y refinan las moléculas generadas por AI, los modelos mejoran, creando un poderoso circuito de retroalimentación entre el cálculo y la experimentación.
Este enfoque generativo no se limita a drogas o pesticidas. Pronto podría impulsar avances en materiales, alimentos y sostenibilidad, ofreciendo un descubrimiento más rápido e inteligente en todas las industrias una vez limitados por juicio y error.
