Insilico Medicine lansează modele avansate de inteligență artificială pentru descoperirea medicamentelor

Insilico Medicine lansează modele avansate de inteligență artificială pentru descoperirea medicamentelor

Insilico Medicine, o companie dedicată descoperirii medicamentelor prin inteligență artificială generativă, a anunțat lansarea unei serii de modele specializate avansate pentru chimie și biologie, dezvoltate prin intermediul platformei MMAI Gym for Science.

Modelele demonstrate în domeniul chimiei și biologiei oferă performanțe de vârf în peste 50 de sarcini de referință.

Până recent, modelele de limbaj erau considerate unelte versatile de conversație, dar, în fața problemelor complexe și cu puține date din descoperirea medicamentelor, metodele computaționale specializate aveau un avantaj. Cu ajutorul MMAI Gym, se dovedește că arhitecturile modelelor de limbaj, atunci când sunt antrenate cu precizie pe sarcini specifice domeniului, pot depăși cunoștințele generale de nivel înalt. Acestea concurează acum cu metodele științifice dedicate și le depășesc în benchmark-uri reale de chimie și gerosciență, marcând o schimbare fundamentală către o inteligență artificială cu adevărat predictivă pentru sănătatea umană.

Alex Zhavoronkov a declarat: „Istoric, sarcinile de descoperire a medicamentelor cu date limitate, cum ar fi predicția ADMET și a potenței țintă, au fost dominate de modele specializate dezvoltate pentru datele moleculare. Modelele de limbaj au rămas în mare parte în afara acestui peisaj competitiv. Cele mai recente rezultate din MMAI Gym sugerează că aceasta începe să se schimbe; modelele specializate bazate pe modele de limbaj încep acum să egaleze sau să depășească abordările consacrate în sarcini selectate.”

Modelele lansate prin MMAI Gym sunt modele de limbaj mici, antrenate ca specialiști științifici. Fiecare model este adaptat pentru o categorie definită de sarcini științifice și antrenat pe multiple probleme conexe din acea categorie. Aceste specializări sunt comparate direct cu metodele computaționale stabilite, utilizând aceleași seturi de date și împărțiri de antrenament-test, permițând o comparație directă în loc să se bazeze pe scoruri raportate pe leaderboard-uri publice.

În prezent, setul de modele pentru chimie include specialiști bazați pe modele de limbaj pentru sinteză chimică, predicția ADMET și predicția potenței pe panouri GPCR și kinaze.

În ceea ce privește predicția ADMET, specialistul a fost evaluat pe 28 de sarcini și a atins performanțe de vârf în comparație cu metodele computaționale consacrate, având rezultate deosebite în evaluarea riscurilor de interacțiune medicament-medicament, citotoxicitate și proprietăți farmacocinetice. O predicție precisă a acestor proprietăți poate ajuta la identificarea problemelor mai devreme și sprijină prioritizarea compusului înainte de studii experimentale mai costisitoare. Fiind un model concentrat pe categorie, acesta poate evalua multiple endpoint-uri legate de ADMET folosind un singur model, în loc să depindă de modele separate pentru fiecare proprietate individuală. În plus, modelul a avut cele mai bune rezultate generale pe un set experimental reținut, acoperind 14 proprietăți din benchmark-ul Drug Candidate Essentials, depășind modelele de referință consacrate.

Pentru predicția activității țintă, au fost antrenate două modele axate pe familii de proteine: unul pentru GPCR-uri, acoperind 44 de receptori, și unul pentru kinaze, acoperind 67 de enzime. În ambele categorii, modelele au atins performanțe de vârf în predicția IC50 pe ținte selectate. Aceste modele pot susține o gamă largă de aplicații în descoperirea medicamentelor, de la screening virtual și prioritizarea conducătorilor, până la proiectarea compușilor multi-țintă și profilarea selectivității pentru a identifica și minimiza posibila activitate off-target.

În ceea ce privește sinteza chimică, modelele sunt specializate pentru retrosinteză pe un singur pas și sunt construite pe arhitectura compactă de 2,6 miliarde de parametri a Liquid AI. Specialiștii în retrosinteză depășesc metodele dedicate de top atât pe benchmark-uri standard, cât și pe seturi de evaluare mai dificile. O versiune anterioară este deja disponibilă prin Microsoft Marketplace, iar o versiune actualizată, cu performanțe mai ridicate, este planificată pentru a fi lansată în curând. Pe lângă predicția de retrosinteză independentă, aceste modele pot servi și ca componente în procesele mai ample de descoperire și planificare a sintezei medicamentelor care necesită un motor de retrosinteză puternic pe un singur pas.

Pe lângă chimie, MMAI Gym este aplicat și la modelele specializate axate pe biologie, antrenate pe diverse tipuri de date biologice și sarcini de predicție conexe. Aceste modele extind aceeași abordare bazată pe categorie pentru aplicații de biologie clinică, omică și biologică moleculară și au demonstrat, pe benchmark-uri selectate, performanțe de vârf comparativ cu modele generale de dimensiuni mult mai mari.

În ansamblu, modelele demonstrează o performanță de vârf sau superioară pe peste 70 de sarcini de benchmark în chimie și biologie. Rezultatele evaluării sunt documentate folosind DDD Bench, un cadru de referință standardizat stabilit de Insilico Medicine pentru a evalua sistematic modelele AI în cadrul sarcinilor cheie de descoperire și dezvoltare a medicamentelor.

Este important de menționat că aceste rezultate sunt semnificative nu pentru că modelele de limbaj pot discuta despre chimie sau biologie, ci pentru că specialiștii bazați pe modele de limbaj pot acum să concureze cu metodele științifice consacrate și, pe sarcini selectate, să depășească metodele dezvoltate special pentru aceste probleme de predicție.

MMAI Gym este proiectat în jurul acestei abordări: transformarea modelelor de limbaj în specialiști științifici specifici domeniului prin antrenamente țintite pe sarcini conexe și o evaluare riguroasă comparativ cu metodele consacrate. Aceste rezultate demonstrează că modelele de limbaj pot depăși cunoștințele științifice generale și pot deveni modele predictive și generative competitive pentru aplicații practice în descoperirea medicamentelor și cercetarea îmbătrânirii.

MMAI Gym for Science a fost prezentat pentru prima dată la NeurIPS 2025, unde Insilico Medicine a demonstrat că antrenamentul științific țintit ar putea îmbunătăți semnificativ performanța unui model de limbaj de utilizare generală în cadrul sarcinilor de descoperire a medicamentelor. De atunci, MMAI Gym s-a extins printr-o serie de eforturi de cercetare care au avansat modelarea chimică multi-task, evaluarea și adaptarea la domeniu. La ICLR 2026, Insilico Medicine și Liquid AI au prezentat LFM2-2.6B-MMAI, un model chimic multi-task antrenat prin MMAI Gym pentru a performa în cadrul unei game largi de sarcini de descoperire a medicamentelor. La ICML 2026, Insilico Medicine a introdus noi benchmark-uri și metrici de evaluare pentru retrosinteza pe un singur pas, menite să ofere o evaluare mai riguroasă în comparație cu acuratețea convențională Top-K. Folosind acest cadru, echipa a antrenat un specialist bazat pe modele de limbaj care a atins o performanță competitivă cu modelele de bază de frontieră și metodele chimice consacrate, depășindu-le pe mai multe metrici de evaluare.