Evogene e Google Cloud Revelam Modelo de Fundação para Design Generativo de Moléculas, Pioneirando uma Nova Era em IA para Ciências da Vida

Evogene Ltd. apresentou um modelo de fundação de IA generativa de primeira classe para o design de pequenas moléculas, marcando um avanço na descoberta de novos compostos. Anunciado em 10 de junho de 2025, em colaboração com o Google Cloud, o modelo expande a plataforma ChemPass AI da Evogene e enfrenta um desafio há muito existente tanto na farmacêutica quanto na agricultura: encontrar moléculas novas que atendam a múltiplos critérios complexos simultaneamente. Esse desenvolvimento promete acelerar a P&D em descoberta de medicamentos e proteção de cultivos, permitindo a otimização simultânea de propriedades como eficácia, toxicidade e estabilidade em um único ciclo de design.

De Triagem Sequencial a Design Simultâneo

No tradicional setor de pesquisa em medicamentos e produtos químicos agrícolas, cientistas geralmente testam um fator de cada vez – primeiro verificando se um composto funciona, depois testando a segurança e estabilidade. Esse método passo a passo é lento, caro e muitas vezes resulta em falhas, com muitos compostos promissores caindo curto em fases posteriores. Isso também mantém os pesquisadores focados em estruturas químicas familiares, limitando a inovação e dificultando a criação de novos produtos patentáveis. Essa abordagem ultrapassada contribui para altos custos, longos prazos e baixa taxa de sucesso – cerca de 90% dos candidatos a medicamentos falham antes de chegar ao mercado.

A IA generativa muda esse paradigma. Em vez de filtrar um por um, os modelos de IA podem equilibrar múltiplos requisitos ao mesmo tempo, projetando moléculas para serem potentes, seguras e estáveis desde o início. O novo modelo de fundação da Evogene foi explicitamente construído para permitir esse design simultâneo de múltiplos parâmetros. Essa abordagem visa reduzir riscos nas fases posteriores de desenvolvimento, incorporando considerações como ADME e toxicidade no design inicial.

Na prática, isso poderia significar menos falhas em estágios finais – por exemplo, menos candidatos a medicamentos que apresentam ótimos resultados em laboratório, mas falham em ensaios clínicos devido a efeitos colaterais. Em resumo, a IA generativa permite que os pesquisadores inovem de forma mais rápida e inteligente, otimizando simultaneamente os muitos aspectos de uma molécula bem-sucedida, em vez de abordá-los isoladamente.

Dentro da ChemPass AI: Como Modelos Generativos Projetam Moléculas

No coração da plataforma ChemPass AI da Evogene está um poderoso novo modelo de fundação treinado em um enorme conjunto de dados químicos. A empresa reuniu um banco de dados curado de aproximadamente 40 bilhões de estruturas moleculares — abrangendo compostos conhecidos como de interesse farmacêutico e diversas estruturas químicas — para ensinar à IA a “linguagem” das moléculas. Usando a infraestrutura Vertex AI do Google Cloud com supercomputação GPU, o modelo aprendeu padrões a partir desta vasta biblioteca química, proporcionando-lhe um conhecimento sem precedentes sobre como são as moléculas similares a medicamentos. Esse regime de treinamento massivo é parecido com treinar um grande modelo de linguagem, mas em vez de linguagem humana, a IA aprendeu representações químicas.

O modelo generativo da Evogene é baseado na arquitetura de redes neurais transformer, similar aos modelos GPT que revolucionaram o processamento de linguagem natural. De fato, o sistema é referido como ChemPass-GPT, um modelo de IA proprietário treinado em strings SMILES (uma codificação de texto de estruturas moleculares). Em termos simples, o ChemPass-GPT trata moléculas como frases – cada string SMILES de uma molécula é uma sequência de caracteres descrevendo seus átomos e ligações. O modelo transformer aprendeu a gramática dessa linguagem química, permitindo-lhe “escrever” novas moléculas prevendo um caractere de cada vez, da mesma forma que o GPT pode escrever frases letra por letra. Como foi treinado em bilhões de exemplos, o modelo pode gerar novas SMILES que correspondem a estruturas quimicamente válidas e similares a medicamentos.

Essa abordagem generativa baseada em sequência aproveita a força dos transformers em capturar padrões complexos. Treinando em um conjunto de dados quimicamente vasto e diverso, a ChemPass AI supera problemas que modelos de IA anteriores enfrentaram, como viés de conjuntos de dados pequenos ou a geração de moléculas redundantes ou inválidas. O desempenho do modelo de fundação já ultrapassa em muito um GPT genérico aplicado à química: testes internos mostraram cerca de 90% de precisão na produção de novas moléculas que atendem a todos os critérios de design, contra ~29% de precisão para um modelo baseado em GPT tradicional. Em termos práticos, isso significa que quase todas as moléculas sugeridas pela ChemPass AI não só são novas, mas também atingem seu perfil alvo, uma melhoria impressionante em relação às técnicas generativas padrão.

Enquanto o motor gerador primário da Evogene utiliza um transformer em SMILES lineares, vale a pena notar que o conjunto mais amplo de ferramentas de IA inclui outras arquiteturas como redes neurais gráficas (GNNs). Moléculas são naturalmente gráficos – com átomos como nós e ligações como arestas – e GNNs podem raciocinar diretamente sobre essas estruturas. No design moderno de medicamentos, GNNs são frequentemente usadas para prever propriedades ou até gerar moléculas construindo-as átomo a átomo. Essa abordagem baseada em gráfico complementa modelos de sequência; por exemplo, a plataforma da Evogene também incorpora ferramentas como o DeepDock para triagem virtual 3D, que provavelmente usam aprendizado profundo para avaliar a ligação de moléculas em um contexto baseado em estrutura.

Combinando modelos de sequência (ótimos para criatividade e novidade) com modelos baseados em gráfico (ótimos para precisão estrutural e previsão de propriedades), a ChemPass AI assegura que seus compostos gerados não sejam apenas novos no papel, mas também quimicamente sólidos e eficazes na prática. O ciclo de design da IA pode gerar estruturas candidatas e, em seguida, avaliá-las por meio de modelos preditivos – alguns possivelmente baseados em GNN – para critérios como toxicidade ou viabilidade sintética, criando um ciclo de feedback que refina cada sugestão.

Otimização Multiexistencial: Potência, Toxicidade, Estabilidade Tudo de Uma Vez

Um recurso de destaque da ChemPass AI é sua capacidade embutida de otimização multiexistencial. A descoberta clássica de medicamentos muitas vezes otimiza uma propriedade de cada vez, mas a ChemPass foi projetada para lidar com muitos objetivos simultaneamente. Isso é alcançado por meio de técnicas avançadas de aprendizado de máquina que orientam o modelo gerador a satisfazer múltiplas restrições. No treinamento, a Evogene pode impor requisitos de propriedade – como uma molécula deve ativar um certo alvo fortemente, evitar certos motivos tóxicos e ter boa biodisponibilidade – e o modelo aprende a navegar no espaço químico sob essas regras. O sistema ChemPass-GPT até permite “geração baseada em restrições”, significando que pode ser instruído a propor apenas moléculas que atendam a propriedades desejadas específicas desde o início.

Como a IA realiza esse ato de equilibrar múltiplos parâmetros? Uma abordagem é o aprendizado multitarefa, onde o modelo não está apenas gerando moléculas, mas também prevendo suas propriedades usando preditores aprendidos, ajustando a geração de acordo. Outra poderosa abordagem é o aprendizado por reforço (RL). Em um fluxo de trabalho aprimorado por RL, o modelo gerador age como um agente “jogando um jogo” de design de moléculas: propõe uma molécula e recebe uma pontuação de recompensa com base em quão bem essa molécula atende aos objetivos (potência, falta de toxicidade, etc.). Após muitas iterações, o modelo ajusta sua estratégia de geração para maximizar essa recompensa. Esse método tem sido utilizado com sucesso em outros sistemas de design de drogas impulsionados por IA – pesquisadores demonstraram que algoritmos de aprendizado por reforço podem guiar modelos geradores a produzir moléculas com propriedades desejáveis. Em essência, a IA pode ser treinada com uma função de recompensa que encapsula múltiplos objetivos, por exemplo, dando pontos para eficácia prevista e subtraindo pontos para toxicidade prevista. O modelo, então, otimiza suas “movimentações” (adicionando ou removendo átomos, alterando grupos funcionais) para obter a pontuação mais alta, aprendendo efetivamente as compensações necessárias para satisfazer todos os critérios.

A Evogene não revelou o exato “molho” proprietário por trás do motor multiexistencial da ChemPass AI, mas está claro pelos resultados deles que tais estratégias estão em ação. O fato de que cada composto gerado “atende simultaneamente a parâmetros essenciais” como eficácia, sintetizabilidade e segurança. A próxima versão da ChemPass AI, 2.0, irá levar isso ainda mais longe – está sendo desenvolvida para permitir um ajuste multiexistencial ainda mais flexível, incluindo critérios definidos pelo usuário adaptados a áreas terapêuticas ou requisitos agrícolas específicos. Isso sugere que o modelo da próxima geração poderá permitir que os pesquisadores deem mais ou menos importância a certos fatores (por exemplo, priorizando a penetração no cérebro para um medicamento de neurologia ou biodegradabilidade ambiental para um pesticida) e a IA ajustará sua estratégia de design de acordo. Ao integrar tais capacidades multiexistenciais, a ChemPass AI pode projetar moléculas que atinjam o ponto ideal em várias métricas de desempenho ao mesmo tempo, um feito praticamente impossível com métodos tradicionais.

Um Salto Além dos Métodos Tradicionais de P&D

O advento do modelo de fundação da ChemPass AI destaca uma mudança mais ampla na P&D em ciências biológicas: a transição de fluxos de trabalho laboriosos e por tentativa e erro para criatividade e precisão aumentadas por IA. Ao contrário dos químicos humanos, que tendem a se apegar a séries químicas conhecidas e iterar lentamente, uma IA pode compreender bilhões de possibilidades e aventurar-se nos 99,9% inexplorados do espaço químico. Isso abre a porta para encontrar compostos eficazes que não se assemelham a nada que já vimos antes – crucial para tratar doenças com química nova ou abordar pragas e patógenos que desenvolveram resistência a moléculas existentes. Além disso, ao considerar a patentabilidade desde o início, a IA generativa ajuda a evitar áreas de propriedade intelectual congestionadas. A Evogene tem como objetivo explícito produzir moléculas que criem novas IP, uma importante vantagem competitiva.

Os benefícios sobre abordagens tradicionais podem ser resumidos da seguinte forma:

• Otimização Paralela de Múltiplas Características: A IA avalia muitos parâmetros em paralelo, projetando moléculas que atendem à potência, segurança e outros critérios. Os pipelines tradicionais, em contraste, muitas vezes descobrem um problema de toxicidade apenas após anos de trabalho em um medicamento promissor. Filtrando preventivamente tais questões, os candidatos projetados pela IA têm uma chance melhor de sucesso em ensaios posteriores custosos.
• Expansão da Diversidade Química: Modelos generativos não estão limitados a bibliotecas de compostos existentes. A ChemPass AI pode conjurar estruturas que nunca foram feitas antes, mas que são previstas como eficazes. Essa geração voltada para a novidade evita reinventar a roda (ou a molécula) e ajuda a criar produtos diferenciados com novos modos de ação. Métodos tradicionais muitas vezes levam a compostos “me-too” que oferecem pouca novidade.
• Velocidade e Escala: O que uma equipe de químicos poderia alcançar por meio de síntese e testes em um ano, uma IA pode simular em dias. A plataforma de aprendizado profundo da ChemPass AI pode triagem virtualmente dezenas de bilhões de compostos rapidamente e gerar centenas de ideias novas em uma única execução. Isso comprime dramaticamente o cronograma de descoberta, focando experimentos em laboratório apenas nos candidatos mais promissores identificados in silico.
• Conhecimento Integrado: Modelos de IA como a ChemPass incorporam vastas quantidades de conhecimento químico e biológico (por exemplo, relações estrutura-atividade conhecidas, alertas de toxicidade, regras sobre propriedades similares a medicamentos) em seu treinamento. Isso significa que cada design de molécula se beneficia de uma ampla gama de dados anteriores que nenhum especialista humano único poderia reter em sua mente. O design tradicional depende da experiência de químicos médicos – valiosa, mas limitada à memória humana e viés – enquanto a IA pode capturar padrões em milhões de experimentos e diversas famílias químicas.

Em termos práticos, para a indústria farmacêutica, isso pode levar a taxas de sucesso mais altas em ensaios clínicos e a custos de desenvolvimento reduzidos, já que menos recursos são desperdiçados em compostos fadados ao fracasso. Na agricultura, isso significa criação mais rápida de soluções de proteção de culturas mais seguras e sustentáveis – por exemplo, um herbicida que é letal para ervas daninhas, mas benigno para organismos não-alvo e se degrada de forma inofensiva no meio ambiente. Ao otimizar a eficácia e segurança ambiental juntas, a IA pode ajudar a entregar produtos químicos agrícolas “eficazes, sustentáveis e proprietários”, abordando desafios regulatórios e de resistência de uma só vez.

Parte de um Pacote Mais Amplo de IA na Evogene

Enquanto a ChemPass AI rouba a cena no design de pequenas moléculas, ela faz parte do trio de “motores tecnológicos” impulsionados por IA da Evogene, adaptados para diferentes domínios. A empresa possui o MicroBoost AI se concentrando em micróbios, ChemPass AI em química e GeneRator AI em elementos genéticos. Cada motor aplica análise de big data e aprendizado de máquina em seu respectivo campo.

Esse ecossistema integrado de motores de IA reforça a estratégia da Evogene como uma empresa de ciências da vida “primeiro em IA”. Eles visam revolucionar a descoberta de produtos em todas as áreas – seja formulando um medicamento, um bioestimulante ou uma cultura tolerante à seca – aproveitando a computação para navegar na complexidade biológica. Os motores compartilham uma filosofia comum: usar aprendizado de máquina de ponta para aumentar a probabilidade de sucesso em P&D e reduzir o tempo e custo.

Perspectiva: A Descoberta Impulsionada por IA Chega à Maturidade

A IA generativa está transformando a descoberta de moléculas, mudando o papel da IA de assistente para colaborador criativo. Em vez de testar uma ideia de cada vez, os cientistas podem agora usar IA para projetar novos compostos inteiros que atendam a múltiplos objetivos — potência, segurança, estabilidade e mais — em um único passo.

Esse futuro já está se desenrolando. Uma equipe farmacêutica pode solicitar uma molécula que tenha como alvo uma proteína específica, evite o cérebro e seja disponível por via oral — a IA pode entregar candidatos sob demanda. Na agricultura, pesquisadores poderiam gerar controles ecologicamente corretos para pragas adaptados a restrições regulatórias e ambientais.

O recente modelo de fundação da Evogene, desenvolvido com o Google Cloud, é um exemplo dessa mudança. Ele possibilita o design multiexistencial e abre novas áreas do espaço químico. À medida que futuras versões permitam ainda mais personalização, esses modelos se tornarão ferramentas essenciais em toda a ciência da vida.

Crucialmente, o impacto depende da validação no mundo real. À medida que moléculas geradas por IA são testadas e refinadas, os modelos melhoram — criando um poderoso ciclo de feedback entre computação e experimentação.

Essa abordagem generativa não se limita a medicamentos ou pesticidas. Ela pode em breve impulsionar breakthroughs em materiais, alimentos e sustentabilidade — oferecendo descobertas mais rápidas e inteligentes em setores que antes eram restritos à tentativa e erro.

---