Récapitulatif du lancement d'automne d'Insilico Pharma.AI : Comprendre les dernières mises à jour de l'IA pour la recherche en santé avec réponses aux questions fréquentes

Le 2 octobre, la troisième édition du webinaire trimestriel de lancement Pharma.AI d'Insilico Medicine — intitulé « Vers la Superintelligence Pharmaceutique » — s'est clôturée avec succès avec environ 300 inscrits du monde entier provenant d'universités, d'institutions de santé, de sociétés pharmaceutiques internationales et de l'industrie biotechnologique innovante. Pendant le webinaire, l'équipe logicielle d'Insilico a illustré les capacités les plus récentes de la plateforme Pharma.AI en présentant des démonstrations en direct ainsi que des études de cas, et les points saillants sont résumés ci-dessous :

Dans le domaine de l'exploration biologique, PandaOmics, le moteur d'analyse de données omiques et textuelles basé sur le cloud, a été mis à jour de bout en bout, du jeu de données au score de classement et au traitement des résultats, introduisant quatre nouveaux scores LLM axés sur la confiance, la tractabilité commerciale, la druggabilité et la clarté du mécanisme pour des décisions de priorisation plus complètes.

Basé sur l'expérience de PandaOmics dans la découverte de cibles et l'exploration d'indications, Insilico Medicine a récemment soumis un article de recherche sur un cadre d'évaluation systématique des performances de modèles à un serveur de prépublication, proposant TID-Pro — une plateforme qui combine l'identification de cibles par apprentissage automatique avec une évaluation comparative complète — et TargetBench 1.0, un système d'évaluation comparative pour l'identification de cibles. Cette approche intégrée fournit une voie efficace pour évaluer les modèles de découverte de cibles, aidant à optimiser et améliorer la qualité et l'efficacité de la découverte de cibles — une étape critique dans la découverte de médicaments — grâce à des méthodes multi-omiques basées sur l'IA et de modélisation computationnelle.

De plus, Generative Biologics pour les nouvelles biomolécules incluant les anticorps et les peptides, a davantage rationalisé les processus d'entraînement, de filtrage et de validation des modèles, de sorte qu'une compréhension structurelle plus détaillée avec des modèles plus prédictifs pourrait conduire à des molécules conçues par IA mieux équilibrées. En outre, l'équipe d'Insilico a partagé un cas de test interne utilisant la plateforme pour la conception rapide de molécules peptidiques ciblant GLP1R : en 72 heures, Generative Biologics a généré plus de 5 000 nouvelles molécules peptidiques. L'équipe a sélectionné 20 candidats à fort potentiel basés sur les scores d'affinité prédits et l'énergie de liaison computationnelle, avec 14 molécules montrant une activité biologique, dont 3 démontrant une activité nanomolaire très efficace à un chiffre.

En ce qui concerne la chimie, Chemistry42, propriété d'Insilico, est maintenant composé de 7 applications distinctives couvrant la génération moléculaire, la prédiction de l'énergie libre de liaison, la prédiction des propriétés ADMET, la prédiction de la sélectivité des kinases et le criblage des voies de rétrosynthèse, et capable de produire plus de 2 400 candidats moléculaires en quelques dizaines d'heures, alliant la flexibilité de l'IA générative et la précision des méthodes basées sur la physique. De plus, MDFlow pour la simulation de dynamique moléculaire (MD) a été introduit comme une toute nouvelle application, et Nach01, le modèle fondamental multimodal de langages naturels et chimiques est actuellement disponible sur AWS marketplace.

Au-delà des modèles spécialisés de développement de médicaments, Insilico Medicine continue d'étendre ses modèles d'assistant scientifique Pharma.AI. Parmi ceux-ci, Science42 : DORA réalise la génération automatique de documents grâce à l'intégration de multiples agents IA et a récemment bénéficié d'une mise à niveau du modèle IA principal, apportant des capacités de raisonnement améliorées et des fonctionnalités de vérification de contenu en temps réel, permettant la connectivité et l'interopérabilité avec davantage d'outils IA. La série de modèles de vie propriétaires PreciousGPT d'Insilico Medicine a récemment été présentée dans deux articles évalués par des pairs dans la revue Aging, explorant les mécanismes biologiques liés au vieillissement.

Pour obtenir une vue systématique de Pharma.AI, la solution pilotée par l'IA générative pour la découverte de médicaments et plus de recherche de pointe, veuillez vous référer aux réponses suivantes fournies par l'équipe IA d'Insilico.

 

Pourquoi recommandons-nous aux chercheurs d'utiliser PandaOmics ?

Il rassemble les données multi-omiques, l'exploration de littérature, le contexte de la maladie et les aperçus de biomarqueurs - tous classés et notés par des modèles IA entraînés sur des ensembles de données du monde réel et expérimentaux. Il réduit considérablement le temps de R&D précoce et vous permet de générer et tester rapidement de nouvelles hypothèses, même avec un support bioinformatique minimal.

Comment l'IA est-elle implémentée dans PandaOmics ?

Le volume de données biomédicales étant trop massif pour les humains seuls, l'IA aide à prioriser ce qui compte plus rapidement afin que les scientifiques puissent se concentrer sur les cibles médicamenteuses les plus prometteuses et réduire les conjectures en R&D.

L'IA alimente quatre domaines clés dans PandaOmics :

• Lecture de la littérature scientifique : L'IA parcourt les articles pour extraire les gènes, les maladies et leurs relations.
• Classement des cibles : Les modèles IA basés sur des graphes classent les cibles médicamenteuses potentielles en fonction de leurs connexions en biologie.
• Détection de tendances : L'IA repère les signaux précoces, comme une augmentation d'intérêt ou de nouveaux essais pour une paire cible-maladie.
• Génération de rapports : Les grands modèles de langage créent des résumés de niveau expert sur les gènes et leur potentiel médicamenteux.

Quels sont les avantages distinctifs de PandaOmics ?

• Profondeur d'intégration omique : Combine transcriptomique, protéomique, épigénétique, essais cliniques et preuves du monde réel pour prioriser les cibles avec des scores de confiance spécifiques à la maladie.
• Graphe de connaissances centré sur la maladie : Ontologies pré-construites reliant gènes, voies et indications permettant la génération d'hypothèses « en un clic ».
• Bibliomique et analyse de brevets : Suit la nouveauté et le paysage concurrentiel dans la même interface - peu de rivaux intègrent les données de propriété intellectuelle aussi profondément.
• Transparence de l'IA : Fournit des cartes thermiques de contribution montrant quelles couches de données ont conduit au classement des cibles, aidant la confiance des scientifiques.
• Vitesse : L'inférence cloud renvoie des listes de cibles classées en minutes, surpassant les flux de travail bioinformatiques manuels qui prennent des jours.

Quel est l'avenir de PandaOmics ?

Il évoluera d'une plateforme de découverte vers un système complet cible-candidat, étroitement intégré avec des outils de conception chimique et des modèles de stratification des patients. Avec plus de données du monde réel, il offrira des aperçus encore plus personnalisés et spécifiques aux maladies, rendant le développement de médicaments plus rapide, moins cher et plus précis.

 

Pourquoi recommandons-nous aux chercheurs d'utiliser Generative Biologics ?

Ce n'est pas juste un autre générateur de séquences. Il vous permet de générer, noter et optimiser des candidats avec des pipelines IA multi-modèles, et même de les réentraîner sur vos propres données. Il est conçu pour une utilisation réelle : rapide, flexible et personnalisable.

Comment l'IA est-elle implémentée dans Generative Biologics ?

Generative Biologics utilise un système IA multi-modèle où chaque modèle a des capacités uniques :

• Les grands modèles de langage (LLM) génèrent et optimisent les séquences en utilisant la compréhension du langage protéique acquise à partir de l'analyse de centaines de millions de protéines.
• Les réseaux de neurones graphiques (GNN) apprennent les relations structurelles 3D pour des tâches comme la modélisation des interactions protéine-protéine.
• Les modèles de diffusion sont utilisés pour comprendre les formes des protéines et concevoir des échafaudages de liaison qui peuvent interagir avec la cible désirée.
• Les prédicteurs IA sont basés sur des modèles complexes mais résolvent des tâches hautement spécifiques comme prédire l'affinité des candidats ou les propriétés de développabilité.
• Dans Generative Biologics, l'IA est entraînable, ce qui signifie que les modèles peuvent évoluer et améliorer leurs performances en recevant des retours des données de laboratoire humide.

Quels sont les avantages distinctifs de Generative Biologics ?

Contrairement à de nombreux outils qui génèrent simplement des séquences, Generative Biologics va plus loin. Il note et classe les molécules générées en utilisant à la fois des méthodes classiques basées sur la physique et pilotées par l'IA. Il vous permet de réentraîner les modèles sur vos données propriétaires pour obtenir un pouvoir prédictif encore meilleur pour vos projets. Il prend en charge plusieurs types de biologiques, offre une optimisation multi-paramètres et ne nécessite pas de données structurelles pour chaque cas d'utilisation. De plus, il est conçu pour la flexibilité et l'évolutivité, le rendant utilisable par des équipes avec différents niveaux d'expérience.

Quel est l'avenir de Generative Biologics ?

Aujourd'hui, il prend en charge les peptides, les anticorps et les nanocorps. Bientôt, il s'étendra à des modalités plus complexes comme les bispécifiques, les conjugués anticorps-médicaments, les enzymes et les protéines thérapeutiques générales - élargissant son impact dans la découverte de médicaments.

Nous construisons également des modèles fondamentaux qui nécessitent un minimum de données d'entrée, permettant aux utilisateurs de commencer l'optimisation à partir d'une seule séquence - aucun pré-entraînement requis. L'intégration de la cartographie d'épitopes, du regroupement et de la sélection diversifiée de candidats accélérera davantage la découverte en phase précoce.

À long terme, Generative Biologics pourrait potentiellement devenir un assistant IA central pour la R&D de biologiques - qui non seulement génère et classe les candidats, mais apprend également en continu à partir des données utilisateur, s'intègre aux systèmes de laboratoire humide, et guide les équipes de la découverte de hits au développement préclinique en un temps record.

 

Pourquoi recommandons-nous aux chercheurs d'utiliser Chemistry42 ?

Il va au-delà de la génération moléculaire de base, offrant une suite IA complète avec des modèles génératifs puissants pour la conception de novo, l'optimisation multi-paramètres, le profilage ADMET, la rétrosynthèse et les simulations basées sur la physique. Vous pouvez également entraîner des modèles sur vos données propriétaires pour des flux de travail personnalisés. Il a réalisé des succès notables, comme l'avancement des inhibiteurs TNIK aux phases cliniques en seulement 18 mois, et il est hautement adaptable pour les équipes pharmaceutiques ou biotechnologiques visant à réduire les délais et améliorer l'innovation.

Comment l'IA est-elle implémentée dans Chemistry42 ?

Chemistry42 implémente l'IA à travers un système multi-modèle adapté à la découverte de médicaments à petites molécules, où chaque composant aborde des aspects spécifiques de la conception et de l'optimisation moléculaires.

• Les modèles génératifs créent de nouvelles molécules basées sur des critères définis par l'utilisateur, entraînés pour exceller sur divers chémotypes pour des résultats expérimentaux fiables.
• Les modèles de rétrosynthèse, entraînés sur des modèles de réaction annotés par des experts, prédisent les voies synthétiques avec des considérations pour la chimio-, régio- et stéréo-sélectivité, intégrés avec de vastes bibliothèques de blocs de construction.
• Le profilage des propriétés exploite les prédicteurs IA pour prévoir et optimiser les paramètres DMPK, les profils de toxicité et les propriétés liées à la puissance, disponibles en tant qu'outil autonome ou intégré dans les flux de travail génératifs.
• Golden Cubes utilise des cartes auto-organisatrices pour estimer la sélectivité kinome hors cible, travaillant avec des structures 2D et 3D.
• La plateforme est entraînable, permettant aux utilisateurs d'affiner les modèles sur des données propriétaires comme l'activité in vitro ou les simulations pour des performances personnalisées.
• Chemistry42 GPT, un assistant basé sur LLM, guide les utilisateurs à travers la plateforme, aidant à la configuration du flux de travail et à la gestion des requêtes.

Quels sont les avantages distinctifs de Chemistry42 ?

• Ensemble génératif IA-First : Chemistry42 présente un vaste ensemble de modèles IA génératifs couplés à l'apprentissage par renforcement pour affiner les conceptions basées sur des critères utilisateur prédéfinis, assurant une confiance expérimentale fiable et permettant la création de molécules de novo.
• Intégration d'algorithmes basés sur la physique : Combine harmonieusement l'IA avec des méthodes principales basées sur la physique pour une précision et une vitesse supérieures, abordant les limitations des systèmes IA purs comme la dépendance aux données et la gestion de la diversité chimique infinie.
• Entraînement de modèles personnalisés sur les données utilisateur : Permet aux utilisateurs d'entraîner des modèles prédictifs en utilisant leurs propres données propriétaires, créant des solutions hautement adaptées qui s'adaptent à des projets, ensembles de données et objectifs thérapeutiques spécifiques pour une pertinence et une précision améliorées.
• Rétrosynthèse : Prédisez des voies synthétiques fiables pour les molécules téléchargées ou générées en utilisant des modèles de réaction annotés par des experts et un planificateur de route alimenté par l'IA. Construit sur une bibliothèque organisée de réactions de chimie médicinale et 300K blocs de construction commercialement disponibles - avec support pour la chimio-, régio- et stéréo-sélectivité - ce module fournit des voies synthétiques complètes et des exemples rapportés. Tirez parti de collections personnalisées de blocs de construction pour rationaliser la planification de la synthèse.
• Mécanismes avancés de filtrage et de notation : Incorpore plus de 460 filtres de chimie médicinale (MCF) pour exclure les structures indésirables (par exemple, PAINS ou groupes réactifs) et le score unique Medicinal Chemistry Evolution (MCE-18) pour évaluer la nouveauté moléculaire basée sur la complexité sp³. De plus, le score d'accessibilité synthétique liée à la rétrosynthèse (ReRSA) améliore les estimations de faisabilité en incorporant des blocs de construction commercialement disponibles, abordant les limitations courantes dans la prédiction de voies synthétiques trouvées dans d'autres outils.
• Déploiement flexible et évolutivité : Disponible en solution SaaS ou déployable sur des plateformes cloud comme AWS ou Azure, avec support pour les intégrations externes (par exemple, modèles QSAR), offrant une plus grande évolutivité et interopérabilité pour les flux de travail d'entreprise par rapport aux concurrents plus cloisonnés.
• Accent sur la validation expérimentale : Les capacités sont minutieusement validées par des études in vitro, in vivo et cliniques, avec des succès comme l'avancement de multiples candidats conçus par IA (10 en essais, par exemple, TNIK pour l'IPF) dans des délais aussi courts que 30 mois pour compléter la Phase 1, bien plus rapide que les 3-6 ans traditionnels.

Quel est l'avenir de Chemistry42 ?

Actuellement axé sur la conception de novo et l'optimisation, il s'étendra aux modalités hybrides telles que les PROTACs, les dégradeurs et potentiellement de plus grandes molécules, tandis que les mises à jour trimestrielles - s'appuyant sur les récents lancements 2025 - introduisent des fonctionnalités améliorées comme l'IA fondationnelle qui nécessite un minimum de données d'entrée pour des optimisations rapides. Les collaborations proliféreront, élargissant les applications à des domaines comme l'agrochimie et la science des matériaux. À long terme, d'ici 2028, Chemistry42 pourrait servir de copilote IA central dans la R&D pharmaceutique, s'intégrant harmonieusement avec la robotique de laboratoire humide pour des cycles en boucle fermée « concevoir-fabriquer-tester-analyser », apprenant continuellement à partir de données du monde réel et propriétaires pour prédire les résultats cliniques plus tôt, et conduisant encore plus de candidats aux essais - potentiellement triplant les succès actuels - tout en réduisant considérablement les délais de développement et les coûts pour des thérapies personnalisées et innovantes.

 

Pourquoi recommandons-nous aux chercheurs d'utiliser Nach01 ?

Il combine le NLP avec le traitement avancé de nuages de points 2D (comme SMILES) et 3D pour gérer tout, de la génération de molécules de novo et la prévision ADMET à la découverte de hits et l'optimisation de leads, tout en vous permettant de l'affiner sur vos ensembles de données propriétaires pour une précision personnalisée. En tant qu'« oracle » dans les flux de travail d'apprentissage par renforcement, il augmente les taux de succès expérimentaux, et il est facilement déployable via AWS Marketplace pour une intégration transparente. S'appuyant sur la famille Nach0 éprouvée, il est polyvalent pour les équipes pharma ou biotech cherchant à accélérer la R&D sans les limitations des modèles à tâche unique.

Comment l'IA est-elle implémentée dans Nach01 ?

Nach01 implémente l'IA à travers une architecture de grand modèle de langage (LLM) multimodal conçue comme un cadre encodeur-décodeur, pré-entraîné sur des ensembles de données massifs englobant la littérature scientifique, les brevets et les représentations moléculaires pour insuffler des connaissances chimiques et linguistiques profondes.

• Encodeurs multimodaux : Il emploie un encodeur spécifique au domaine pour traiter les données textuelles (par exemple, requêtes en langage naturel ou chaînes chimiques comme SMILES) et un encodeur de nuage de points moléculaires pour gérer les données spatiales 3D, permettant au modèle de comprendre les arrangements atomiques et de surmonter les limitations des représentations basées sur des chaînes.
• Capacités génératives et prédictives : Exploite les techniques génératives pour créer de nouvelles molécules ou des sorties textuelles, tandis que les modules prédictifs prévoient des propriétés telles que l'ADMET ou l'activité, prenant en charge des tâches comme la conception de novo, la découverte de hits et l'optimisation de leads.
• Affinage par instruction et multi-tâches : Le modèle est affiné par l'ajustement d'instructions pour la gestion polyvalente des tâches (par exemple, QA biomédicale, reconnaissance d'entités nommées) et l'affinage multi-tâches pour exceller dans tous les domaines, assurant la flexibilité dans les applications mono ou inter-domaines.
• Personnalisation pilotée par l'utilisateur : Permet l'affinage sur des ensembles de données propriétaires, adaptant le modèle aux besoins spécifiques du projet et l'intégrant comme « oracle » dans les flux de travail d'apprentissage par renforcement pour affiner les conceptions de manière itérative.

Quels sont les avantages distinctifs de Nach01 ?

• Disponibilité pionnière : À notre connaissance, Nach01 est le premier modèle fondamental de chimie générative multimodal disponible sur les principales places de marché comme AWS Marketplace (lancé en juin 2025), le rendant facilement accessible pour le déploiement, l'inférence et l'affinage sans besoin d'infrastructure interne, contrairement à de nombreux modèles propriétaires ou académiques qui nécessitent des configurations personnalisées.
• Traitement multimodal : Intègre harmonieusement les données textuelles (NLP), structurelles (2D comme SMILES) et spatiales (nuages de points 3D) dans un seul cadre LLM encodeur-décodeur, abordant les limitations des modèles basés sur des chaînes qui négligent les arrangements atomiques 3D ou nécessitent des pipelines séparés pour les tâches spatiales.
• Capacités multi-tâches polyvalentes : Gère une large gamme de tâches de chimie - de la génération de molécules de novo aux prédictions de propriétés (par exemple, ADMET, activité) - dans un seul modèle, offrant une plus grande flexibilité que les outils à tâche unique.
• Affinage piloté par l'utilisateur : Permet une personnalisation facile en affinant sur des ensembles de données propriétaires, créant des modèles adaptés à des projets spécifiques (par exemple, découverte de hits ou optimisation de leads), offrant un avantage sur les modèles rigides et non adaptables qui ne peuvent pas incorporer des données spécifiques à l'utilisateur pour une pertinence et une précision améliorées.
• Déploiement évolutif : Disponible en paiement à l'utilisation sur AWS, prenant en charge l'intégration transparente dans les flux de travail d'entreprise sans matériel supplémentaire, contrastant avec les modèles open source (par exemple, sur Hugging Face) qui peuvent nécessiter une configuration extensive ou manquer de support commercial pour une utilisation à l'échelle de production.

Quel est l'avenir de Nach01 ?

À l'avenir, Nach01 pourrait être profondément intégré dans de multiples flux de travail agentiques - exploitant des agents IA pour des processus autonomes en plusieurs étapes comme la génération d'hypothèses, l'affinement itératif de molécules et la validation expérimentale - alimentant des projets de découverte de médicaments de bout en bout dans Pharma.AI et des pipelines personnalisés, augmentant potentiellement les taux de succès expérimentaux, réduisant les délais d'années à mois, et permettant à plus de candidats d'atteindre les phases cliniques grâce à l'apprentissage continu à partir de données du monde réel.

 

Pourquoi recommandons-nous aux chercheurs d'utiliser PreciousGPT ?

Lorsque vous avez une hypothèse qui coûte trop cher à tester dans la vie réelle, par exemple dans des situations où vous devez effectuer un criblage de masse de composés chimiques. Avant d'allouer les fonds et les ressources à une telle entreprise, vous pouvez essayer de demander à l'un des modèles Precious comment un tissu ou une cellule répondrait à votre expérience. Sa réponse n'est en aucun cas la vérité finale, mais elle vous donne quelque chose pour vous guider dans la planification de l'exécution réelle de votre expérience.

Comment l'IA est-elle implémentée dans PreciousGPT ?

PreciousGPT est une gamme de modèles. Dans chaque itération, nous utilisons différentes architectures pour nous assurer de bénéficier des solutions les plus avancées dans le domaine global de l'apprentissage profond. La plupart des modèles Precious sont basés sur des transformateurs, un type d'architecture sur lequel tous les LLM actuels sont basés. Mais contrairement à un chatbot, nos modèles ne parlent pas en langage humain. Ils parlent en gènes et molécules, ce qui signifie que nous devons également inventer de nouvelles façons de représenter ces éléments de la vie dans un format numérique.

Quels sont les avantages distinctifs de PreciousGPT ?

Nos modèles sont développés avec l'utilité pratique à l'esprit en utilisant des données de recherche réelles. Comparés aux LLM réguliers, ils ne sont pas biaisés vers uniquement la recherche publiée et peuvent identifier des mécanismes moléculaires manqués par les chercheurs humains. Tous les modèles Precious sont conçus pour modéliser des étapes spécifiques dans les pipelines de découverte de médicaments, contrairement à d'autres modèles bio-IA, qui peuvent montrer des fonctionnalités excitantes mais néanmoins pas directement applicables.

Quel est l'avenir de PreciousGPT ?

Nous visons à continuer à développer la gamme de modèles Precious en intégrant encore plus de types de biodonnées, ou même en les combinant avec des IA d'autres domaines, comme la chimie. Nous espérons qu'éventuellement ces modèles évolueront au point où ils pourraient être utilisés comme un modèle de vie, ou une réplique numérique réaliste de tout système vivant d'un niveau cellulaire à un niveau organismique.

 

À propos d'Insilico Medicine
Insilico Medicine, une société biotechnologique mondiale leader pilotée par l'IA, utilise sa plateforme propriétaire Pharma.AI et son laboratoire automatisé de pointe pour accélérer la découverte de médicaments et faire progresser les innovations dans la recherche en sciences de la vie. En intégrant les technologies d'IA et d'automatisation et des capacités approfondies de découverte de médicaments en interne, Insilico fournit des solutions médicamenteuses innovantes pour des besoins non satisfaits, notamment la fibrose, l'oncologie, l'immunologie, la douleur et l'obésité et les troubles métaboliques. De plus, Insilico étend la portée de Pharma.AI à diverses industries, telles que les matériaux avancés, l'agriculture, les produits nutritionnels et la médecine vétérinaire.
Pour plus d'informations, veuillez visiter www.insilico.com .

---

---