Google laat AI-agent binnen een uur nieuwe medicijnmoleculen ontwerpen

Het ontwikkelen van een nieuw medicijn begint vaak met een enorme hoeveelheid rommelig werk. Onderzoekers moeten chemische data uit wetenschappelijke artikelen, patenten en catalogi halen, modellen trainen om te voorspellen welke stoffen werken, en vervolgens kandidaat-moleculen voorstellen die in het lab gemaakt kunnen worden. Dat proces kost normaal gesproken meerdere dagen per stap. Google DeepMind presenteert nu een AI-agent die dit traject in ongeveer een uur doorloopt, gebouwd op het platform Google Antigravity en uitgerust met speciale 'Cheminformatics Skills' voor scheikundige taken.

Waarom data wrangling zo lastig is

Hetzelfde molecuul kan op tientallen manieren worden beschreven: als chemische naam in een artikel, als tekening in een patent, of als digitaal bestand in een stoffencatalogus. Een AI-systeem moet al die representaties herkennen en foutloos combineren, want één verkeerd atoom of verkeerde binding verandert de hele stof. DeepMind combineerde daarom het gevestigde open source-programma RDKit, dat al twintig jaar door chemici wordt gebruikt voor berekeningen, met toegang tot de databanken ChEMBL en PubChem. Het taalmodel regelt de planning en het chemisch redeneren, terwijl vaste rekentools de daadwerkelijke scheikundige berekeningen uitvoeren.

Een 'slap' molecuul rigide maken

Als testcase koos het team een bekende techniek uit de medicijnchemie: een molecuul stugger maken om het krachtiger te laten werken. Veel medicijnmoleculen bevatten bindingen waarlangs delen van de stof vrij kunnen draaien, waardoor het molecuul in veel verschillende vormen kan 'wiebelen'. Om aan zijn doelwit in het lichaam te binden, moet het juist in één vaste vorm vastklikken. Chemici lossen dit op door extra bindingen toe te voegen die het molecuul op zijn plek houden. Een goed voorbeeld is de ontwikkeling van het longkankermedicijn crizotinib naar de krachtigere opvolger lorlatinib, waarbij chemici het molecuul sloten tot een ringvormige structuur, een zogeheten macrocyclus, en zo alle draaibare bindingen wegnamen.

Van analyse naar nieuw ontwerp

De AI-agent doorzocht literatuur, verzamelde duizenden verwante stoffen, filterde irrelevante moleculen eruit en bouwde een interactief overzicht waarin wetenschappers verbanden kunnen bekijken, zoals het verband tussen stugheid en kracht van een stof. Vervolgens voerde de agent zelfstandig een vergelijkende analyse uit tussen bijna identieke molecuulparen om het effect van kleine aanpassingen te isoleren, en trainde het voorspellende modellen voor de werkzaamheid van nieuwe stoffen. Op basis daarvan stelde de agent nieuwe macrocyclische moleculen voor, compleet met een onderbouwing en mogelijke routes om ze in het lab te synthetiseren. DeepMind benadrukt wel dat de resultaten afhankelijk blijven van de kwaliteit van de onderliggende data: schaarse metingen en ruis tussen verschillende laboratoria kunnen de voorspellingen van het systeem beperken.