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.“

Biologie ist nie einfach. Da Forscher Fortschritte beim Lesen und Bearbeiten von Genen zur Behandlung von Krankheiten machen, legt eine wachsende Anzahl von Beweisen nahe, dass die Proteine ​​und Metaboliten, die diese Gene umgeben, nicht ignoriert werden können.

Der MIT Spinout Revivemed hat eine Plattform zur Messung von Metaboliten – Produkte des Stoffwechsels wie Lipide, Cholesterin, Zucker und Kohlenhydrate – im Maßstab geschaffen. Das Unternehmen verwendet diese Messungen, um herauszufinden, warum einige Patienten auf Behandlungen reagieren, wenn andere die Treiber von Krankheiten nicht verstehen.

„In der Vergangenheit konnten wir einige hundert Metaboliten mit hoher Genauigkeit messen, aber das ist ein Bruchteil der in unserem Körper existierenden Metaboliten“, sagt der CEO von Revivemed Leila Pirhaji, PhD ’16, der das Unternehmen mit Professor Ernest Fraenkel gründete. „Es gibt eine huge Kluft zwischen dem, was wir genau messen, und dem, was in unserem Körper existiert, und das wollen wir angehen. Wir möchten die leistungsstarken Erkenntnisse aus nicht genutzten Metabolitendaten nutzen. “

Der Fortschritt von Revivemed kommt, da die breitere medizinische Gemeinschaft dysregulierte Metaboliten zunehmend mit Krankheiten wie Krebs, Alzheimer und Herz -Kreislauf -Erkrankungen verbindet. Revivemed nutzt seine Plattform, um einigen der größten Pharmaunternehmen der Welt zu helfen, Patienten zu finden, die von ihren Behandlungen profitieren. Es bietet akademischen Forschern auch Software program, um freie Erkenntnisse aus ungenutzten Metabolitendaten zu gewinnen.

„Mit dem Growth von KI denken wir, wir können Datenprobleme überwinden, die die Untersuchung von Metaboliten begrenzt haben“, sagt Pirhaji. „Es gibt kein Basis -Modell für die Metabolomik, aber wir sehen, wie diese Modelle verschiedene Felder wie Genomik verändern. Deshalb beginnen wir, ihre Entwicklung zu pionieren.“

Eine Herausforderung finden

Pirhaji wurde im Iran geboren und aufgewachsen, bevor er 2010 zum MIT kam, um ihren Doktortitel in Organic Engineering zu machen. Zuvor hatte sie Fraenkels Forschungsarbeiten gelesen und freute sich, zu den von ihm bauten Netzwerkmodellen beizutragen, die Daten aus Quellen wie Genomen, Proteomen und anderen Molekülen integrierten.

„Wir haben über das Gesamtbild nachgedacht, was Sie tun können, wenn Sie alles messen können – die Gene, die RNA, die Proteine ​​und kleine Moleküle wie Metaboliten und Lipide“ . „Wir sind wahrscheinlich nur in der Lage, 0,1 Prozent der kleinen Moleküle im Körper zu messen. Wir dachten, es müsste einen Weg geben, um diese Moleküle so umfassend zu machen, wie wir es für die anderen haben. Dies würde es uns ermöglichen, alle in der Zelle auftretenden Veränderungen abzubilden, sei es im Kontext von Krebs oder Entwicklung oder degenerativen Erkrankungen. “

Ungefähr in der Hälfte ihrer Promotion schickte Pirhaji einige Proben an einen Mitarbeiter an der Harvard College, um Daten über das Metabolom zu sammeln – die kleinen Moleküle, die die Produkte von Stoffwechselprozessen sind. Die Mitarbeiter schickte Pirhaji ein riesiges Excel -Blatt mit Tausenden von Daten zurück – aber sie sagten ihr, dass sie alles besser ignoriert, wenn sie alles über die Prime 100 -Zeilen hinaus ignoriert, weil sie keine Ahnung hatten, was die anderen Daten bedeuteten. Sie nahm das als Herausforderung.

„Ich habe angefangen zu denken, dass wir unsere Netzwerkmodelle verwenden könnten, um dieses Drawback zu lösen“, erinnert sich Pirhaji. „Die Daten waren viel Mehrdeutigkeit und es battle sehr interessant für mich, weil es noch niemand versucht hatte. Es schien eine große Lücke im Feld zu sein. “

Pirhaji entwickelte ein großes Wissensgraphen, das Millionen von Wechselwirkungen zwischen Proteinen und Metaboliten umfasste. Die Daten waren reich, aber chaotisch – Pirhaji nannte es einen „Haarball“, der den Forschern nichts über Krankheiten erzählen konnte. Um es nützlicher zu machen, erstellte sie eine neue Methode, um Stoffwechselwege und Merkmale zu charakterisieren. In einem 2016er Papier in NaturmethodenSie beschrieb das System und analysierte es zur Analyse metabolischer Veränderungen in einem Modell der Huntington -Krankheit.

Zunächst hatte Pirhaji nicht die Absicht, ein Unternehmen zu gründen, aber sie begann, das kommerzielle Potenzial der Technologie in den letzten Jahren ihrer Promotion zu verwirklichen.

„Im Iran gibt es keine unternehmerische Kultur“, sagt Pirhaji. „Ich wusste nicht, wie ich ein Unternehmen gründen oder die Wissenschaft in ein Startup verwandeln sollte, additionally nutzte ich alles, was MIT angeboten hat.“

Pirhaji nahm mit dem Unterricht an der MIT Sloan Faculty of Administration teil, darunter Kurs 15.371 (Innovationsteams), wo sie sich mit Klassenkameraden zusammengetan hat, um darüber nachzudenken, wie sie ihre Technologie anwendet. Sie nutzte auch den MIT Enterprise Mentoring Service und MIT Sandbox und nahm am Martin Belief Middle für Delta V Startup von MIT Unternehmertum teil.

Als Pirhaji und Fraenkel offiziell Revivemed gründeten, arbeiteten sie mit dem Technologie -Lizenzbüro von MIT zusammen, um auf die Patente um ihre Arbeit zuzugreifen. Pirhaji hat seitdem die Plattform weiterentwickelt, um andere Probleme zu lösen, die sie aus Gesprächen mit Hunderten von Führungskräften in Pharmaunternehmen entdeckt hat.

Revivemed begann damit, mit Krankenhäusern zusammenzuarbeiten, um herauszufinden, wie Lipide bei einer Krankheit, die als metabolische Dysfunktion assoziierte Steatohepatitis bekannt ist, fehlreguliert werden. Im Jahr 2020 arbeitete Revivemed mit Bristol Myers Squibb zusammen, um vorherzusagen, wie Untergruppen von Krebspatienten auf die Immuntherapien des Unternehmens reagieren würden.

Seitdem hat Revivemed mit mehreren Unternehmen zusammengearbeitet, darunter vier der 10 weltweiten Pharmaunternehmen, um die Stoffwechselmechanismen hinter ihren Behandlungen zu verstehen. Diese Erkenntnisse helfen dabei, die Patienten zu identifizieren, die schneller von verschiedenen Therapien profitieren.

„Wenn wir wissen, welche Patienten von jedem Arzneimittel profitieren, würde dies die Komplexität und die Zeit, die mit klinischen Studien verbunden sind, wirklich verringern“, sagt Pirhaji. „Patienten werden die richtigen Behandlungen schneller bekommen.“

Generative Modelle für die Metabolomik

Anfang dieses Jahres sammelte Revivemed einen Datensatz basierend auf 20.000 Blutproben von Patienten, mit denen digitale Zwillinge von Patienten und generative KI -Modelle für die Metabolomikforschung erstellt wurden. Revivemed stellt seine generativen Modelle gemeinnützigen akademischen Forschern zur Verfügung, die unser Verständnis darüber beschleunigen könnten, wie Metaboliten eine Reihe von Krankheiten beeinflussen.

„Wir demokratisieren die Verwendung von metabolomischen Daten“, sagt Pirhaji. „Es ist für uns unmöglich, Daten von jedem einzelnen Patienten der Welt zu haben, aber unsere digitalen Zwillinge können verwendet werden, um Patienten zu finden, die von Behandlungen auf der Grundlage ihrer demografischen Merkmale profitieren könnten, indem sie Patienten finden, die das Risiko von Herz -Kreislauf -Erkrankungen haben könnten . ““

Die Arbeit ist Teil der Mission von Revivemed, Modelle der Stoffwechselstiftung zu schaffen, mit der Forscher und Pharmaunternehmen verstehen können, wie Krankheiten und Behandlungen die Metaboliten von Patienten verändern.

„Leila hat viele wirklich harte Probleme gelöst, denen Sie konfrontiert sind, wenn Sie versuchen, eine Idee aus dem Labor zu nehmen und sie in etwas zu verwandeln, das sturdy und reproduzierbar ist, um in Biomedizin eingesetzt zu werden“, sagt Fraenkel. „Unterwegs erkannte sie auch, dass die Software program, die sie entwickelt hat, für sich selbst unglaublich leistungsfähig ist und transformierend sein könnte.“