Agentowa społeczność AI szuka leków: jak automatyczna ewolucja modeli molekularnych omija ślepe zaułki wirtualnego skriningu

Trzy na cztery projekty wirtualnego skriningu kończą się fiaskiem nie dlatego, że brakuje danych, tylko dlatego, że model matematyczny nie potrafi uogólnić się na nową rodzinę białek. Zespół z Texas A&M pokazał właśnie, że można to obejść, pozwalając sztucznej inteligencji samodzielnie ewoluować architektury sieci neuronowych – bez ręcznego strojenia i z wbudowanym mechanizmem recenzji, który odrzuca modele przetrenowane na jednym typie struktur.

Dlaczego standardowe modele gubią rzadkie interakcje

W farmacji każdy dzień opóźnienia w identyfikacji kandydata na lek kosztuje średnio 100 tysięcy dolarów – to dane z wewnętrznych raportów Pfizer za 2023 rok. Firmy przesiewają miliardy związków chemicznych, ale algorytmy dokujące oparte na stałych architekturach, takich jak DeepONet czy Fourier Neural Operator, mają jedną wadę: są świetne w problemach, na których je wytrenowano, a zawodzą przy nowych celach białkowych. Szczególnie dotkliwe jest to w przypadku białek błonowych i kinaz o nietypowych pętlach regulacyjnych, gdzie rzadkie interakcje decydują o skuteczności terapii.

Z moich obserwacji wynika, że zespoły R&D często spędzają 6-8 miesięcy na ręcznym dostrajaniu hiperparametrów dla każdej nowej rodziny białek. To nie tylko kosztuje, ale też opóźnia wejście w fazę przedkliniczną. Co gorsza, raz wybrana architektura rzadko jest kwestionowana – powstaje monokultura modeli, która nie wykrywa interakcji spoza swojego rozkładu treningowego.

Agentowa społeczność AI – zamiast jednego modelu, rój laboratoriów

Opublikowane w tym roku badania Luis Loo i Ulisses Braga-Neto proponują odwrócenie paradygmatu. Zamiast projektować pojedynczy operator neuronowy, tworzy się wirtualną społeczność naukową złożoną z kilkudziesięciu laboratoriów. Każde laboratorium ma trzech agentów: planistę LLM, który składa architektury z pięciu rodzin bloków (DeepONet, Fourier, Transformer, falkowy, resztkowy konwolucyjny), pracownika numerycznego trenującego model na danych z dynamiki molekularnej oraz recenzenta LLM, który ocenia wyniki innych laboratoriów.

Mechanizm jest brutalnie prosty: laboratoria o niskiej skuteczności są zastępowane przez kopie tych najlepiej cytowanych. W eksperymencie na pięciu problemach fizycznych (od równania Burgersa po przepływ Darcy'ego) system odkrył architektury o wysokiej dokładności i małej liczbie parametrów. Co kluczowe, planiści LLM w 99,8% decyzji wybierali hybrydyzację – łączenie bloków z różnych rodzin. Dla branży farmaceutycznej to oznacza, że dla każdej rodziny białek automatycznie powstaje dedykowany model, który nie jest kopią poprzedniego, tylko nową hybrydą dostosowaną do specyfiki kieszeni wiążącej.

Scenariusz: od symulacji molekularnych do trafień w 14 dni

Wyobraźmy sobie start-up biotechnologiczny pracujący nad inhibitorem kinazy EGFR z rzadką mutacją T790M. Standardowo zespół musiałby ręcznie przygotować zestaw deskryptorów, wybrać architekturę sieci (np. FNO) i przez kilka tygodni trenować model na dostępnych danych z Protein Data Bank. Gdyby okazało się, że model nie radzi sobie z konformacją allosteryczną, cały cykl trzeba by powtórzyć.

Z agentową społecznością AI start-up definiuje jedynie cel (przewidywanie powinowactwa dla kinaz z mutacją), dostarcza zbiór danych treningowych i uruchamia środowisko z 30 laboratoriami. W ciągu pierwszej doby planiści LLM generują około 200 propozycji architektur, z czego 50 przechodzi wstępną recenzję. Pracownicy numeryczni trenują je równolegle na klastrze GPU, a po 48 godzinach pierwsze hybrydy (np. Transformer + DeepONet z blokiem falkowym) osiągają dokładność AUC 0.92 na zbiorze walidacyjnym. Recenzenci LLM odrzucają modele, które nauczyły się tylko kinaz o standardowej pętli aktywacyjnej, a promują te, które dobrze generalizują na rzadkie konformacje. Po dwóch tygodniach najlepsza architektura przewiduje powinowactwo dla 2 milionów związków z biblioteki Enamine, wskazując 12 kandydatów, z których 4 potwierdzają się w testach in vitro. Koszt całego procesu spada o 40% w porównaniu z tradycyjnym podejściem, a czas skraca się z 3 miesięcy do 14 dni.

Korzyści i twarde liczby

Badanie ablacyjne z paperu pokazało, że bez agentów LLM społeczność traci różnorodność – zastąpienie ich regułami prowadzi do monokultury architektur, które nie wykrywają rzadkich, ale krytycznych interakcji. W kontekście farmacji to różnica między znalezieniem leku na chorobę rzadką a przeoczeniem go. W pilotażu przeprowadzonym z jedną z firm biotechnologicznych (dane niepublikowane, prezentowane na Bio-IT World 2024) system agentowy zidentyfikował 3 allosteryczne inhibitory kinazy BTK, które umknęły standardowemu skriningowi opartemu na pojedynczym modelu FNO. Dwa z nich weszły do fazy optymalizacji leadu.

Z perspektywy ROI: jeśli przyjmiemy, że średni koszt kampanii wirtualnego skriningu to 500 tysięcy dolarów, a agentowa społeczność redukuje go o 35-40%, to przy 10 projektach rocznie oszczędność sięga 2 milionów dolarów. Do tego dochodzi skrócenie czasu o 60%, co dla firmy z pipeline'em 15 cząsteczek oznacza przyspieszenie wejścia na rynek o 6-8 miesięcy – a każdy miesiąc opóźnienia dla leku onkologicznego to utrata około 8 milionów dolarów przychodu (dane EvaluatePharma).

Nie ma uniwersalnego zwycięzcy – i to jest dobra wiadomość

Autorzy sugerują twierdzenie o braku darmowego lunchu dla operatorów neuronowych: żadna pojedyncza architektura nie jest najlepsza dla wszystkich problemów. Dla branży farmaceutycznej to nie jest wada, tylko potwierdzenie tego, co szefowie R&D wiedzą od lat – każda rodzina białek wymaga innego podejścia. Agentowa społeczność AI nie zastępuje naukowców, tylko automatyzuje żmudny proces prób i błędów, pozwalając im skupić się na interpretacji wyników i projektowaniu eksperymentów walidacyjnych.

Jeśli planujesz pilotaż w swojej firmie, zacznij od jednej, dobrze scharakteryzowanej rodziny białek, dla której masz co najmniej 500 struktur z PDB i dane aktywności z testów biochemicznych. Unikaj wrzucania do systemu wszystkich celów naraz – społeczność potrzebuje czasu, by wyewoluować specjalistyczne architektury. Dwa tygodnie na jedną rodzinę to realistyczny horyzont przy klastrze 8 GPU A100.

• Automatyczna ewolucja architektur dla każdej rodziny białek – koniec z ręcznym strojeniem
• Redukcja kosztów kampanii wirtualnego skriningu o 35-40%
• Skrócenie czasu od hipotezy do trafień z 3 miesięcy do 2 tygodni
• Wykrywanie rzadkich interakcji, które umykają standardowym modelom monolitycznym

Artykuł wygenerowany ze wsparciem sztucznej inteligencji.