Mehr als 300 Menschen aus Wissenschaft und Industrie strömten in ein Auditorium, um an einer teilzunehmen BoltzGen-Seminar am Donnerstag, 30. Oktober, veranstaltet von der Abdul Latif Jameel Klinik für maschinelles Lernen im Gesundheitswesen (MIT Jameel Clinic). Headliner der Veranstaltung struggle MIT-Doktorand und BoltzGen-Erstautor Hannes Stärk, der BoltzGen erst wenige Tage zuvor angekündigt hatte.
Darauf aufbauend Boltz-2ein Open-Supply-Modell zur Vorhersage der biomolekularen Struktur zur Vorhersage der Proteinbindungsaffinität, das im Sommer für Aufsehen sorgte, BoltzGen (offiziell veröffentlicht am Sonntag, 26. Oktober) ist das erste Modell seiner Artwork, das einen Schritt weiter geht, indem es neuartige Proteinbinder erzeugt, die bereit sind, in die Arzneimittelforschungspipeline aufgenommen zu werden.
Drei wichtige Innovationen machen dies möglich: Erstens die Fähigkeit von BoltzGen, eine Vielzahl von Aufgaben auszuführen, Proteindesign und Strukturvorhersage zu vereinheitlichen und gleichzeitig die Leistung auf dem neuesten Stand zu halten. Als nächstes werden die integrierten Einschränkungen von BoltzGen anhand des Feedbacks von Wetlab-Mitarbeitern entwickelt, um sicherzustellen, dass das Modell funktionelle Proteine erzeugt, die den Gesetzen der Physik oder Chemie nicht widersprechen. Abschließend wird das Modell in einem strengen Evaluierungsprozess auf „nicht behandelbare“ Krankheitsziele getestet, wodurch die Grenzen der Fähigkeiten von BoltzGen zur Bindemittelerzeugung ausgereizt werden.
Die meisten Modelle, die in Industrie oder Wissenschaft verwendet werden, sind entweder zur Strukturvorhersage oder zum Proteindesign geeignet. Darüber hinaus sind sie darauf beschränkt, bestimmte Arten von Proteinen zu erzeugen, die erfolgreich an einfache „Ziele“ binden. Ähnlich wie Schüler, die auf eine Testfrage antworten, die wie ihre Hausaufgabe aussieht, funktionieren die Modelle oft, solange die Trainingsdaten beim Entwurf des Ordners dem Ziel ähneln. Bestehende Methoden werden jedoch quick immer an Zielen evaluiert, für die bereits Strukturen mit Bindemitteln vorhanden sind, und schwächeln letztendlich in der Leistung, wenn sie bei anspruchsvolleren Zielen eingesetzt werden.
„Es gab Modelle, die versuchten, sich mit der Gestaltung von Bindemitteln auseinanderzusetzen, aber das Drawback besteht darin, dass diese Modelle modalitätsspezifisch sind“, betont Stärk. „Ein allgemeines Modell bedeutet nicht nur, dass wir mehr Aufgaben bewältigen können. Darüber hinaus erhalten wir ein besseres Modell für die einzelne Aufgabe, da die Nachahmung der Physik anhand von Beispielen erlernt wird, und mit einem allgemeineren Trainingsschema stellen wir mehr solcher Beispiele bereit, die verallgemeinerbare physikalische Muster enthalten.“
Die BoltzGen-Forscher haben sich alle Mühe gegeben, BoltzGen an 26 Zielen zu testen, von therapeutisch relevanten Fällen bis hin zu Fällen, die explizit aufgrund ihrer Unähnlichkeit mit den Trainingsdaten ausgewählt wurden.
Dieser umfassende Validierungsprozess, der in acht Wetlabs in Wissenschaft und Industrie stattfand, zeigt die Breite und das Potenzial des Modells für die bahnbrechende Arzneimittelentwicklung.
Parabilis Medicines, einer der Branchenpartner, der BoltzGen in einer Nasslaborumgebung getestet hat, lobte das Potenzial von BoltzGen: „Wir glauben, dass die Übernahme von BoltzGen in die Fähigkeiten unserer bestehenden Helicon-Peptid-Rechenplattform unseren Fortschritt bei der Bereitstellung transformativer Medikamente gegen schwere menschliche Krankheiten beschleunigen wird.“
Während die Open-Supply-Versionen von Boltz-1, Boltz-2 und jetzt BoltzGen (das auf der Vorschau vorgestellt wurde 7. Konferenz zum molekularen maschinellen Lernen am 22. Okt.) bringen neue Möglichkeiten und Transparenz in die Arzneimittelentwicklung, sie signalisieren aber auch, dass die Biotech- und Pharmaindustrie ihre Angebote möglicherweise neu bewerten muss.
Inmitten der Begeisterung für BoltzGen auf der Social-Media-Plattform X stellte Justin Grace, ein leitender Wissenschaftler für maschinelles Lernen bei LabGenius, eine Frage. „Die Zeitverzögerung zwischen privater und offener Leistung für Chat-KI-Systeme beträgt (sieben) Monate und nimmt ab“, schrieb Grace ein Beitrag. „Im Proteinbereich scheint es sogar noch kürzer zu sein. Wie können Binder-as-a-Service-Unternehmen ihre Investitionen (wieder hereinholen), wenn wir nur ein paar Monate auf die kostenlose Model warten können?“
Für Wissenschaftler stellt BoltzGen eine Erweiterung und Beschleunigung der wissenschaftlichen Möglichkeiten dar. „Eine Frage, die mir meine Studenten oft stellen, ist: ‚Wo kann KI die Therapie verändern?‘“, sagt die leitende Co-Autorin und MIT-Professorin Regina Barzilay, Leiterin der KI-Fakultät der Jameel Clinic und Tochtergesellschaft des Pc Science and Synthetic Intelligence Laboratory (CSAIL). „Solange wir nicht behandelbare Ziele identifizieren und eine Lösung vorschlagen, werden wir nichts ändern“, fügt sie hinzu. „Der Schwerpunkt liegt hier auf ungelösten Problemen, was Hannes‘ Arbeit von anderen auf diesem Gebiet unterscheidet.“
Der leitende Co-Autor Tommi Jaakkola, Thomas-Siebel-Professor für Elektrotechnik und Informatik, der mit der Jameel Clinic und CSAIL verbunden ist, stellt fest, dass „Modelle wie BoltzGen, die vollständig als Open-Supply-Lösung veröffentlicht werden, umfassendere gemeinschaftsweite Bemühungen zur Beschleunigung der Möglichkeiten zur Arzneimittelentwicklung ermöglichen.“
Mit Blick auf die Zukunft glaubt Stärk, dass die Zukunft des biomolekularen Designs durch KI-Modelle auf den Kopf gestellt wird. „Ich möchte Werkzeuge bauen, die uns helfen, die Biologie zu manipulieren, um Krankheiten zu lösen, oder Aufgaben mit molekularen Maschinen auszuführen, die wir uns noch nicht einmal vorstellen konnten“, sagt er. „Ich möchte diese Werkzeuge bereitstellen und Biologen ermöglichen, sich Dinge vorzustellen, an die sie vorher noch nicht einmal gedacht haben.“