GeoFlow V4 veröffentlicht | Von "bindungsfähig" zu "arzneimittelgeeignet", BioMap stellt die neue Generation der Wirkstoffforschungs- und Entwicklungs-Engine vor | Xinglian Portfolio-Updates
Am 19. November hat BioMap offiziell die neue Generation des Arzneimittelentwicklungs-Engines GeoFlow V4 vorgestellt. Dieses Update stützt sich auf die kooperative Erweiterung von Daten und Modellen, verbessert weiter die Fähigkeiten zur Strukturvorhersage, Kandidatensiebung und De-novo-Design und führt gleichzeitig das intelligente agentenbasierte Arzneimitteldesign-Orchestrierungssystem GeoFlow Code ein, um gemeinsam den arzneimittelorientierten RSI-Forschungs- und Entwicklungs geschlossenen Kreislauf aus Modell-Molekül-Daten zu unterstützen, der trockene und nasse Experimente verbindet.
Bei 15 De-novo-Design-Aufgaben, die 13 krankheitsbezogene therapeutische Targets abdecken, erreichte GeoFlow V4 eine durchschnittliche experimentelle Trefferquote von 34,6 %, was etwa 85 % höher ist als bei der Vorgängergeneration. Das neue Modell unterstützt unter einem einheitlichen Rahmen das De-novo-Design verschiedener Molekültypen wie Kleinproteine, zyklische Peptide, Nanokörper und IgG-Antikörper. Die Affinität mehrerer Moleküle erreicht den pM-Bereich, und die entworfenen Antikörper zeigen hervorragende Leistungen bei mehreren arzneimittelbezogenen Indikatoren wie Expression, Reinheit, thermische Stabilität und unspezifische Bindung.
Von der ersten Generation der Antikörpergenerierung über die Vereinheitlichung der allatomigen Strukturvorhersage und -generierung bis zum epitopgerichteten Design, das durch mehrstufige Schlussfolgerungen angetrieben wird, erweitert die GeoFlow-Serie ständig die Fähigkeitsgrenzen der künstlichen Intelligenz im Bereich der Molekülentwicklung. GeoFlow V4 geht über die Trefferquote hinaus und kommt der Arzneimittelreife einen Schritt näher.
Neues Grundmodell:
Genauere Strukturvorhersage
Zuverlässigere Kandidatensiebung
Um Antikörper dazu zu bringen, spezifische Epitope präzise zu binden und aus einer großen Anzahl von Kandidaten die Moleküle auszuwählen, die sich für die Validierung lohnen, muss das Modell die Wechselwirkungen zwischen Molekülen genauer verstehen. Auf dem öffentlichen Antikörper-Antigen-Strukturvorhersage-Benchmark FoldBench-AB erreichte die Top-1-Vorhersageerfolgsrate von GeoFlow V4 75,4 %, was auf internationalem Spitzenniveau liegt (vergleichbar mit IsoDDE). Gleichzeitig zeigt das Modell eine gute Erweiterbarkeit während der Inferenz (inference-time scaling): Wenn die Anzahl der Inferenz-Sampling-Schritte auf 100 erhöht wird, steigt die Vorhersageerfolgsrate weiter auf 78,8 %, was zeigt, dass eine Erhöhung der Inferenzberechnung die Leistung der Strukturvorhersage nachhaltig verbessern kann.
Leistung der Strukturvorhersage auf FoldBench-AB: (links) Vergleich der Erfolgsraten; (rechts) Erweiterbarkeit während der Inferenz
Eine genauere Strukturvorhersage liefert auch die Grundlage für die Siebung. Der Konfidenzscore von GeoFlow V4 kann dabei helfen, bindende und nicht bindende Moleküle zu unterscheiden und Kandidatenmoleküle mit stärkerer Bindung vorrangig zu identifizieren. Auf dem Antikörperdatensatz IGDesign erreichten die ersten 5 % der Kandidatenmoleküle eine 6,0-fache Anreicherung von bindenden Molekülen. Bei der anspruchsvolleren Affinitätsrangaufgabe von SKEMPI übertrifft die Leistung von GeoFlow V4 bei mehreren Antikörpersystemen die des Vorgängermodells deutlich und kann früher schwer zu unterscheidende Affinitätsunterschiede besser erkennen.
Siebungsfähigkeit von GeoFlow V4 für Kandidaten: (links) Anreicherung bindender Moleküle; (rechts) Affinitätsrangfolge
GeoFlow Code:
Speziell für den Bereich des Proteindesigns entwickelt
Programmiersprache und Ausführungsframework
Die Entdeckung und Optimierung von Molekülen mit hoher Affinität erfordert oft mehrere Runden von Design und Siebung. Wenn das Projekt weiter komplexe Anforderungen wie die artübergreifende Erkennung und Rezeptorselektivität beinhaltet, muss das Entwicklerteam verschiedene Designpfade erkunden und die Strategie anhand der Ergebnisse jeder Runde anpassen. Dies stellt höhere Anforderungen an das Designsystem: Es muss nicht nur die Kandidatenmoleküle kontinuierlich optimieren, sondern auch Aufgabenplanung und Strategiewahl unterstützen, um mehrere Designrunden zu ausführbaren und anpassbaren Entwicklungsabläufen zu organisieren.
Im Vergleich zum „virtuellen Evolutions“-Prozess, der in V3 vorgeschlagen wurde – bei dem Kandidatenmoleküle durch mehrstufige Schlussfolgerungen kontinuierlich iterativ optimiert werden – geht GeoFlow V4 nicht bei der mehrrundigen Optimierung unter einer festen Strategie stehen, sondern führt die spezielle Programmiersprache und das Ausführungsframework für den Bereich des Proteindesigns GeoFlow Code ein, um die autonome Erkundung und Ausführung von Designstrategien zu realisieren.
GeoFlow Code kombiniert die leistungsstarken Planungs-, Entscheidungs- und Ausführungsfähigkeiten des großen Sprachmodells organisch mit den leistungsstarken Strukturverständnis- und Generierungsfähigkeiten von GeoFlow, kann selbstständig Literatursuche, Epitopauswahl, Design-Orchestrierung und Ergebnisanalyse durchführen und vielfältige Anforderungen der Arzneimittelentwicklung in ausführbare Designprogramme zerlegen und umwandeln. Das System zeichnet den gesamten Moleküldesignprozess und die Siebungsgrundlagen umfassend auf, was es Experten erleichtert, später zu prüfen, anzupassen und wiederzuverwenden. Die Arbeitsdialoge von Experten im System und die Feedbackdaten aus nassen Experimenten können weiter verwendet werden, um die Designziele und Strategien der nächsten Runde zu aktualisieren, sodass Desigenerfahrungen in Iterationen akkumuliert und zu wiederverwendbaren Entwicklungsmethoden für nachfolgende Projekte umgewandelt werden.
GeoFlow Code Proteindesign-Engine
Bei der Aufgabe des artübergreifenden IgG-Antikörperdesigns für PD-1 traten Experten und GeoFlow Code zu einem Wettbewerb an: Innerhalb von 48 Stunden sollten Moleküle entworfen werden, die gleichzeitig menschliches, Affen- und Maus-PD-1 erkennen und die Bindung an PD-L1 blockieren. Unter einem einheitlichen Berechnungs-Siebungsstandard betrug die umfassende Durchlaufrate des von Experten geplanten Ablaufs 0,16 %, während der von GeoFlow Code selbstständig orchestrierte Ablauf 4,23 % erreichte, also etwa das 26-fache des ersteren; der Sequenzdiversitätsindex erreichte ebenfalls das 19-fache des ersteren.
Vergleich der Durchlaufrate und Diversität von von Experten und Agenten entworfenen Abläufen bei gleicher Rechenleistung
Der Wert von GeoFlow Code liegt nicht nur in der Prozessautomatisierung, sondern vor allem darin, neue Designstrategien zu entdecken und aktiv geeignetere Designausgangspunkte und Architekturbedingungen auszuwählen.
•Erkundung effektiverer Designausgangspunkte: In einem artübergreifenden Designversuch verwendete GeoFlow Code Antigene verschiedener Arten als Designausgangspunkte. Die Ergebnisse zeigten, dass der Anteil artübergreifend bindender Kandidaten, die mit murinem Antigen als Ausgangspunkt erhalten wurden, das 2,5-fache des Wertes bei humanem Antigen als Ausgangspunkt erreichte, was die Grundlage für die Auswahl nachfolgender Designpfade liefert;
•Aktive Suche nach komplementären Strukturen: Bei einem epitopgerichteten Design suchte GeoFlow Code basierend auf der Form des Ziel-Epitops aktiv nach Strukturfragmenten mit komplementären Eigenschaften und führte darauf basierend das nachfolgende Design durch, wodurch die berechnete Designerfolgsrate der entsprechenden Strategie auf das 5-fache des ursprünglichen Werts gesteigert wurde.
GeoFlow Code treibt die Umsetzung des Arzneimittelfindungsmodells effektiv voran, bei dem „Experten die Anforderungen an die Arzneimittelreife definieren, Agenten selbstständig Designlösungen erkunden und experimentelles Feedback die Iteration leitet“, sodass Entwicklungserfahrungen in Iterationen kontinuierlich akkumuliert werden, das Potenzial des Modells voll ausgeschöpft wird und das Entwicklerteam dabei unterstützt wird, komplexe arzneimittelbezogene Probleme schneller zu lösen.
Multimodales Design:
Hohe Affinitätsmoleküle für verschiedene Proteine erhalten
Der Wert des allatomigen Modells muss in echten Entwicklungsprojekten überprüft werden. Nachdem GeoFlow V3 als erstes im Inland die De-novo-Design-Technologie für VHH durchbrochen hat, erweitert GeoFlow V4 die De-novo-Design-Fähigkeit auf vier Molekülformen: Kleinproteine, Nanokörper, IgG-Antikörper und zyklische Peptide.
Bei 15 De-novo-Design-Projekten, die 13 krankheitsbezogene therapeutische Targets abdecken, erreichte die projektweite durchschnittliche Trefferquote von GeoFlow V4 34,6 %, was etwa 85 % höher ist als bei der Vorgängergeneration. Für die experimentelle Validierung wurden entsprechende Bindungs- oder Funktionsassays entsprechend den Eigenschaften des Targets verwendet, und die Zuverlässigkeit des Bindungssignals sowie die Qualität der Kurvenanpassung bei der Affinitätsbewertung wurden streng bewertet.
GeoFlow V4 hat erfolgreich das De-novo-Design von 4 Arzneimittelformen und 15 Projekten abgeschlossen
Während die Trefferquote gesteigert wurde, wurde die maximale Affinität im Vergleich zur Vorgängergeneration um etwa das 100-fache erhöht.
GeoFlow V4 hat erfolgreich Moleküle mit pM-Affinität für mehrere Targets entworfen:
• Kleinproteine, die gegen die Tumortargets PD-L1 und Nectin-4 entworfen wurden, erreichten Affinitäten von 278 pM bzw. 148 pM;
• Nanokörper, die gegen das Multiple-Myelom-Target BCMA entworfen wurden, erreichten eine Affinität von 598 pM;
• IgG-Moleküle, die gegen das Autoimmuntarget IL36R entworfen wurden, erreichten eine Affinität von 458 pM;
• IgG-Moleküle, die gegen das kurze Peptid-Target PACAP im Schmerzbereich entworfen wurden, erreichten eine Affinität von bis zu 15 pM.
Die Designfähigkeit des Modells wurde auch in dem anspruchsvolleren Szenario von mehrfach transmembranen Proteinen validiert. GPCR-Targets wie GCGR und CCR8 bieten nur begrenzte zugängliche extrazelluläre Oberflächen und eine hohe konformationelle Flexibilität, was höhere Anforderungen an das De-novo-Design stellt.
Die Antikörper, die GeoFlow V4 für die drei mehrfach transmembranen Targets STEAP1, CCR8 und GCGR entworfen hat, zeigten alle zellulare Bindungsaktivität, und die scheinbare EC₅₀ erreichte den nM-Bereich oder niedriger. Beim Target STEAP1 wurden Bindungsmoleküle mit scheinbarer EC₅₀ im pM-Bereich erhalten, deren zellulares Bindungsverhalten dem des anti-STEAP1-Teils von AMG 509 entsprechendem IgG entspricht oder es übertrifft.