Insilico Pharma.AI Herbst-Launch-Rückblick: Verstehen Sie die neuesten KI-Updates für die Gesundheitsforschung mit Antworten auf häufig gestellte Fragen

Am 2. Oktober wurde die dritte Ausgabe des vierteljährlichen Pharma.AI Launch-Webinars von Insilico Medicine – mit dem Titel „Auf dem Weg zur pharmazeutischen Superintelligenz" – erfolgreich mit rund 300 Registrierungen aus der ganzen Welt von Universitäten, Gesundheitseinrichtungen, internationalen Pharmaunternehmen und der innovativen Biotech-Industrie abgeschlossen. Während des Webinars präsentierte das Insilico-Software-Team die aktuellsten Fähigkeiten der Pharma.AI-Plattform mit Live-Demos sowie Fallstudien, und die Highlights sind wie folgt zusammengefasst:

Im Bereich der biologischen Exploration wurde PandaOmics, die cloudbasierte Omics- und Textdatenanalyse-Engine, vollständig vom Datensatz bis zur Bewertung und Ausgabeverarbeitung aktualisiert und führte vier neuartige LLM-Scores ein, die sich auf Vertrauen, kommerzielle Umsetzbarkeit, Medikamentierbarkeit und Mechanismus-Klarheit konzentrieren, für umfassendere Priorisierungsentscheidungen.

Basierend auf PandaOmics' Erfahrung in der Zielentdeckung und Indikationsexploration hat Insilico Medicine kürzlich eine Forschungsarbeit zu einem systematischen Modellleistungsbewertungsrahmen bei einem Preprint-Server eingereicht, die TID-Pro vorschlägt – eine Plattform, die maschinelles Lernen zur Zielidentifikation mit umfassender Benchmark-Bewertung kombiniert – und TargetBench 1.0, ein Benchmark-Bewertungssystem für die Zielidentifikation. Dieser integrierte Ansatz bietet einen effizienten Weg zur Bewertung von Zielentdeckungsmodellen und hilft, die Qualität und Effizienz der Zielentdeckung – einem kritischen Schritt in der Medikamentenentdeckung – durch KI-basierte Multi-Omics- und computergestützte Modellierungsmethoden zu optimieren und zu verbessern.

Außerdem hat Generative Biologics für neuartige Biomoleküle, einschließlich Antikörper und Peptide, die Modelltrainings-, Filter- und Validierungsprozesse weiter optimiert, sodass ein detaillierteres Strukturverständnis mit prädiktiveren Modellen zu besser ausbalancierten KI-gestalteten Molekülen führen kann. Darüber hinaus teilte das Insilico-Team einen internen Testfall unter Verwendung der Plattform für das schnelle Design von GLP1R-zielgerichteten Peptidmolekülen: Innerhalb von 72 Stunden generierte Generative Biologics über 5.000 neuartige Peptidmoleküle. Das Team screenete 20 vielversprechende Kandidaten basierend auf vorhergesagten Affinitätswerten und rechnerischer Bindungsenergie, wobei 14 Moleküle biologische Aktivität zeigten, darunter 3, die hochwirksame einstellige nanomolare Aktivität demonstrierten.

Was die Chemie betrifft, besteht Insilicoʼs proprietäres Chemistry42 jetzt aus 7 unterschiedlichen Anwendungen, die Molekülgenerierung, Vorhersage der freien Bindungsenergie, ADMET-Eigenschaftsvorhersage, Kinase-Selektivitätsvorhersage und Retrosynthese-Routen-Screening umfassen, und ist in der Lage, mehr als 2.400 Molekülkandidaten innerhalb von Dutzenden von Stunden zu produzieren, wobei die Flexibilität generativer KI mit der Präzision physikbasierter Methoden kombiniert wird. Darüber hinaus wurde MDFlow für Molekulardynamik (MD)-Simulation als brandneue Anwendung eingeführt, und Nach01, das multimodale Grundlagenmodell für natürliche und chemische Sprachen, ist derzeit auf dem AWS-Marktplatz verfügbar.

Über spezialisierte Medikamentenentwicklungsmodelle hinaus erweitert Insilico Medicine kontinuierlich seine Pharma.AI wissenschaftlichen Assistenzmodelle. Unter diesen erreicht Science42: DORA die automatisierte Dokumentenerstellung durch die Integration mehrerer KI-Agenten und wurde kürzlich einem KI-Kernmodell-Upgrade unterzogen, das verbesserte Argumentationsfähigkeiten und Echtzeit-Inhaltsverifizierungsfunktionen bringt und die Konnektivität und Interoperabilität mit mehr KI-Tools ermöglicht. Insilico Medicineʼs proprietäre Lebensmodell-PreciousGPT-Serie wurde kürzlich in zwei peer-reviewten Artikeln in der Zeitschrift Aging vorgestellt, die alterungsbezogene biologische Mechanismen erforschen.

Um eine systematische Übersicht über Pharma.AI, die generative KI-gesteuerte Lösung für die Medikamentenentdeckung, und weitere Spitzenforschung zu erhalten, beziehen Sie sich bitte auf die folgenden Antworten des Insilico KI-Teams.

 

Warum empfehlen wir Forschern die Verwendung von PandaOmics?
Es vereint Multi-Omics-Daten, Literatur-Mining, Krankheitskontext und Biomarker-Einblicke – alle bewertet und bewertet von KI-Modellen, die auf realen und experimentellen Datensätzen trainiert wurden. Es reduziert drastisch die frühe F&E-Zeit und ermöglicht es Ihnen, neuartige Hypothesen schnell zu generieren und zu testen, selbst mit minimaler bioinformatischer Unterstützung.

Wie wird KI in PandaOmics implementiert?
Da das Volumen biomedizinischer Daten für Menschen allein zu massiv ist, hilft KI, schneller zu priorisieren, was wichtig ist, sodass Wissenschaftler sich auf die vielversprechendsten Medikamentenziele konzentrieren und F&E-Rätselraten reduzieren können.
KI unterstützt vier Schlüsselbereiche in PandaOmics:

• Lesen wissenschaftlicher Literatur: KI scannt Artikel, um Gene, Krankheiten und ihre Beziehungen zu extrahieren.
• Zielbewertung: Graphenbasierte KI-Modelle bewerten potenzielle Medikamentenziele basierend auf ihren Verbindungen in der Biologie.
• Trenderkennung: KI erkennt frühe Signale, wie einen Anstieg des Interesses oder neue Studien für ein Ziel-Krankheits-Paar.
• Berichtsgenerierung: Große Sprachmodelle erstellen Zusammenfassungen auf Expertenniveau über Gene und ihr Medikamentenpotenzial.

Was sind die besonderen Vorteile von PandaOmics?

• Tiefe der Omics-Integration: Kombiniert Transkriptomik, Proteomik, Epigenetik, klinische Studien und Realdaten, um Ziele mit krankheitsspezifischen Vertrauenswerten zu priorisieren.
• Krankheitsfokussierter Wissensgraph: Vorgefertigte Ontologien, die Gene, Signalwege und Indikationen verknüpfen, ermöglichen „Ein-Klick"-Hypothesengenerierung.
• Bibliomics & Patent-Analytik: Verfolgt Neuheit und Wettbewerbslandschaft innerhalb derselben Schnittstelle – wenige Konkurrenten integrieren IP-Daten so tief.
• KI-Transparenz: Bietet Beitrags-Heatmaps, die zeigen, welche Datenschichten die Zielbewertung vorangetrieben haben, was das Vertrauen der Wissenschaftler fördert.
• Geschwindigkeit: Cloud-Inferenz liefert bewertete Ziellisten in Minuten und übertrifft manuelle bioinformatische Workflows, die Tage dauern.

Was ist die Zukunft von PandaOmics?
Es wird sich von einer Entdeckungsplattform zu einem vollständigen Ziel-zu-Kandidat-System entwickeln, das eng mit Chemie-Design-Tools und Patientenstratifizierungsmodellen integriert ist. Mit mehr Realdaten wird es noch personalisiertere und krankheitsspezifischere Einblicke bieten und die Medikamentenentwicklung schneller, günstiger und präziser machen.

 

Warum empfehlen wir Forschern die Verwendung von Generative Biologics?
Es ist nicht nur ein weiterer Sequenzgenerator. Es ermöglicht Ihnen, Kandidaten mit Multi-Modell-KI-Pipelines zu generieren, zu bewerten und zu optimieren und sie sogar auf Ihren eigenen Daten neu zu trainieren. Es ist für den realen Einsatz gebaut: schnell, flexibel und anpassbar.

Wie wird KI in Generative Biologics implementiert?
Generative Biologics verwendet ein Multi-Modell-KI-System, bei dem jedes Modell einzigartige Fähigkeiten hat:

• Große Sprachmodelle (LLMs) generieren und optimieren Sequenzen unter Verwendung des Proteinsprachverständnisses, das aus der Analyse von Hunderten von Millionen von Proteinen gewonnen wurde.
• Graph Neural Networks (GNNs) lernen 3D-Strukturbeziehungen für Aufgaben wie die Modellierung von Protein-Protein-Interaktionen.
• Diffusionsmodelle werden verwendet, um Proteinformen zu verstehen und Binder-Gerüste zu entwerfen, die mit dem gewünschten Ziel interagieren können.
• KI-Prädiktoren basieren auf komplexen Modellen, lösen aber hochspezifische Aufgaben wie die Vorhersage der Kandidatenaffinität oder Entwicklungseigenschaften.
• In Generative Biologics ist KI trainierbar, was bedeutet, dass die Modelle sich entwickeln und ihre Leistung durch Feedback aus Laborwerten verbessern können.

Was sind die besonderen Vorteile von Generative Biologics?
Im Gegensatz zu vielen Tools, die nur Sequenzen generieren, geht Generative Biologics weiter. Es bewertet und ordnet generierte Moleküle sowohl mit klassischen physikbasierten als auch KI-gesteuerten Methoden ein. Es ermöglicht Ihnen, Modelle auf Ihren proprietären Daten neu zu trainieren, um eine noch bessere Vorhersagekraft für Ihre Projekte zu erhalten. Es unterstützt mehrere Biologika-Typen, bietet Multi-Parameter-Optimierung und erfordert nicht für jeden Anwendungsfall Strukturdaten. Außerdem ist es für Flexibilität und Skalierbarkeit konzipiert, wodurch es von Teams mit unterschiedlichen Erfahrungsstufen nutzbar ist.

Was ist die Zukunft von Generative Biologics?
Heute unterstützt es Peptide, Antikörper und Nanobodies. Bald wird es sich auf komplexere Modalitäten wie Bispezifika, Antikörper-Wirkstoff-Konjugate, Enzyme und allgemeine Proteintherapeutika ausdehnen – und seinen Einfluss auf die Medikamentenentdeckung erweitern.
Wir bauen auch Grundlagenmodelle, die minimale Eingabedaten erfordern, sodass Benutzer mit der Optimierung von einer einzigen Sequenz beginnen können – kein Vortraining erforderlich. Die Integration von Epitop-Mapping, Clustering und diverser Kandidatenauswahl wird die Entdeckung in der Frühphase weiter beschleunigen.
Langfristig könnte Generative Biologics potenziell zu einem Kern-KI-Assistenten für die Biologika-F&E werden – einer, der nicht nur Kandidaten generiert und bewertet, sondern auch kontinuierlich aus Benutzerdaten lernt, sich mit Laborsystemen integriert und Teams von der Hit-Entdeckung bis zur präklinischen Entwicklung in Rekordzeit führt.

 

Warum empfehlen wir Forschern die Verwendung von Chemistry42?
Es geht über die grundlegende Molekülgenerierung hinaus und bietet eine umfassende KI-Suite mit leistungsstarken generativen Modellen für de novo Design, Multi-Parameter-Optimierung, ADMET-Profiling, Retrosynthese und physikbasierte Simulationen. Sie können auch Modelle auf Ihren proprietären Daten für angepasste Workflows trainieren. Es hat bemerkenswerte Erfolge erzielt, wie zum Beispiel TNIK-Inhibitoren in nur 18 Monaten in klinische Phasen zu bringen, und ist hochgradig anpassbar für pharmazeutische oder biotechnologische Teams, die Zeitpläne reduzieren und Innovationen verbessern möchten.

Wie wird KI in Chemistry42 implementiert?
Chemistry42 implementiert KI durch ein Multi-Modell-System, das für die Entdeckung kleiner Moleküle maßgeschneidert ist, wobei jede Komponente spezifische Aspekte des molekularen Designs und der Optimierung anspricht.

• Generative Modelle erstellen neuartige Moleküle basierend auf benutzerdefinierten Kriterien, trainiert, um bei verschiedenen Chemotypen für zuverlässige experimentelle Ergebnisse zu glänzen.
• Retrosynthese-Modelle, trainiert auf von Experten annotierten Reaktionsvorlagen, sagen Syntheserouten mit Berücksichtigung von Chemo-, Regio- und Stereoselektivität voraus, integriert mit umfangreichen Bibliotheken von Bausteinen.
• Eigenschaftsprofilierung nutzt KI-Prädiktoren, um DMPK-Parameter, Toxizitätsprofile und potenzbezogene Eigenschaften vorherzusagen und zu optimieren, verfügbar als eigenständiges Tool oder integriert in generative Workflows.
• Golden Cubes nutzt selbstorganisierende Karten zur Schätzung der Off-Target-Kinomsselektivität und arbeitet mit 2D- und 3D-Strukturen.
• Die Plattform ist trainierbar, sodass Benutzer Modelle auf proprietären Daten wie In-vitro-Aktivität oder Simulationen für angepasste Leistung feinabstimmen können.
• Chemistry42 GPT, ein LLM-basierter Assistent, navigiert Benutzer über die Plattform und hilft bei der Workflow-Konfiguration und Abfragebearbeitung.

Was sind die besonderen Vorteile von Chemistry42?

• KI-First Generatives Ensemble: Chemistry42 verfügt über ein umfangreiches Ensemble generativer KI-Modelle, gekoppelt mit Verstärkungslernen, um Designs basierend auf vordefinierten Benutzerkriterien zu verfeinern, zuverlässige experimentelle Zuversicht zu gewährleisten und die de novo Molekülerstellung zu ermöglichen.
• Integration physikbasierter Algorithmen: Kombiniert nahtlos KI mit physikbasierten Kernmethoden für überlegene Genauigkeit und Geschwindigkeit und adressiert Einschränkungen in reinen KI-Systemen wie Datenabhängigkeit und Umgang mit unendlicher chemischer Vielfalt.
• Benutzerdefiniertes Modelltraining auf Benutzerdaten: Ermöglicht Benutzern, prädiktive Modelle mit ihren eigenen proprietären Daten zu trainieren und hochgradig maßgeschneiderte Lösungen zu erstellen, die sich an spezifische Projekte, Datensätze und therapeutische Ziele für verbesserte Relevanz und Genauigkeit anpassen.
• Retrosynthese: Vorhersage zuverlässiger Syntheserouten für hochgeladene oder generierte Moleküle unter Verwendung von Experten-annotierten Reaktionsvorlagen und einem KI-gestützten Routenplaner. Aufbauend auf einer kuratierten Bibliothek medizinisch-chemischer Reaktionen und 300K kommerziell verfügbaren Bausteinen – mit Unterstützung für Chemo-, Regio- und Stereoselektivität – liefert dieses Modul vollständige Synthesewege und berichtete Beispiele. Nutzen Sie benutzerdefinierte Bausteinsammlungen, um die Syntheseplanung zu optimieren.
• Erweiterte Filter- und Bewertungsmechanismen: Beinhaltet über 460 Medizinische Chemie-Filter (MCFs), um unerwünschte Strukturen (z.B. PAINS oder reaktive Gruppen) auszuschließen, und den einzigartigen Medicinal Chemistry Evolution (MCE-18) Score zur Bewertung molekularer Neuheit basierend auf sp³-Komplexität. Zusätzlich verbessert der Retrosynthesis Related Synthetic Accessibility (ReRSA) Score die Machbarkeitsschätzungen durch die Einbeziehung kommerziell verfügbarer Bausteine und adressiert gängige Einschränkungen in der Syntheserouten-Vorhersage, die in anderen Tools gefunden werden.
• Flexible Bereitstellung und Skalierbarkeit: Verfügbar als SaaS-Lösung oder bereitstellbar auf Cloud-Plattformen wie AWS oder Azure, mit Unterstützung für externe Integrationen (z.B. QSAR-Modelle), bietet größere Skalierbarkeit und Interoperabilität für Unternehmens-Workflows im Vergleich zu isolierteren Wettbewerbern.
• Betonung der experimentellen Validierung: Fähigkeiten werden gründlich durch In-vitro-, In-vivo- und klinische Studien validiert, mit Erfolgen wie dem Vorantreiben mehrerer KI-gestalteter Kandidaten (10 in Studien, z.B. TNIK für IPF) in Zeitrahmen von nur 30 Monaten bis zum Abschluss von Phase 1, weit schneller als traditionelle 3-6 Jahre.

Was ist die Zukunft von Chemistry42?
Derzeit auf de novo Design und Optimierung fokussiert, wird es sich auf hybride Modalitäten wie PROTACs, Degrader und potenziell größere Moleküle ausweiten, während vierteljährliche Updates – aufbauend auf den jüngsten 2025-Einführungen – verbesserte Funktionen wie grundlegende KI einführen, die minimale Eingabedaten für schnelle Optimierungen erfordert. Kooperationen werden sich verbreiten und Anwendungen auf Bereiche wie Agrochemie und Materialwissenschaften erweitern. Langfristig könnte Chemistry42 bis 2028 als Eckpfeiler-KI-Co-Pilot in der pharmazeutischen F&E dienen, nahtlos mit Laborrobotik für geschlossene „Design-Herstellung-Test-Analyse"-Zyklen integriert, kontinuierlich aus realen und proprietären Daten lernend, um klinische Ergebnisse früher vorherzusagen und noch mehr Kandidaten in Studien zu bringen – potenziell eine Verdreifachung der aktuellen Erfolge – während Entwicklungszeitpläne und -kosten für personalisierte, innovative Therapien drastisch reduziert werden.

 

Warum empfehlen wir Forschern die Verwendung von Nach01?
Es kombiniert NLP mit fortgeschrittener 2D- (wie SMILES) und 3D-Punktwolkenverarbeitung, um alles von de novo Molekülgenerierung und ADMET-Vorhersage bis hin zu Hit-Entdeckung und Lead-Optimierung zu bewältigen, während es Ihnen ermöglicht, es auf Ihren proprietären Datensätzen für angepasste Genauigkeit feinabzustimmen. Als „Orakel" in Verstärkungslern-Workflows steigert es experimentelle Erfolgsraten und ist über den AWS-Marktplatz für nahtlose Integration leicht bereitstellbar. Aufbauend auf der bewährten Nach0-Familie ist es vielseitig für Pharma- oder Biotech-Teams, die die F&E beschleunigen möchten, ohne die Einschränkungen von Einzelaufgabenmodellen.

Wie wird KI in Nach01 implementiert?
Nach01 implementiert KI durch eine multimodale große Sprachmodell (LLM)-Architektur, die als Encoder-Decoder-Framework konzipiert ist und auf massiven Datensätzen vortrainiert wurde, die wissenschaftliche Literatur, Patente und molekulare Darstellungen umfassen, um tiefes chemisches und sprachliches Wissen einzuflößen.

• Multimodale Encoder: Es verwendet einen domänenspezifischen Encoder zur Verarbeitung von Textdaten (z.B. natürlichsprachliche Abfragen oder chemische Strings wie SMILES) und einen molekularen Punktwolken-Encoder zur Handhabung räumlicher 3D-Daten, der es dem Modell ermöglicht, atomare Anordnungen zu verstehen und Einschränkungen stringbasierter Darstellungen zu überwinden.
• Generative und prädiktive Fähigkeiten: Nutzt generative Techniken zur Erstellung neuartiger Moleküle oder textueller Ausgaben, während prädiktive Module Eigenschaften wie ADMET oder Aktivität vorhersagen und Aufgaben wie de novo Design, Hit-Entdeckung und Lead-Optimierung unterstützen.
• Instruktions- und Multi-Task-Feinabstimmung: Das Modell wird durch Instruktionsabstimmung für vielseitige Aufgabenbearbeitung (z.B. biomedizinische QA, Named Entity Recognition) und Multi-Task-Feinabstimmung verfeinert, um über Domänen hinweg zu glänzen und Flexibilität in Einzel- oder domänenübergreifenden Anwendungen zu gewährleisten.
• Benutzergesteuerte Anpassung: Ermöglicht Feinabstimmung auf proprietären Datensätzen, passt das Modell an spezifische Projektbedürfnisse an und bettet es als „Orakel" in Verstärkungslern-Workflows ein, um Designs iterativ zu verfeinern.

Was sind die besonderen Vorteile von Nach01?

• Bahnbrechende Verfügbarkeit: Nach unserem Wissen ist Nach01 das erste multimodale generative Chemie-Grundlagenmodell, das auf großen Marktplätzen wie dem AWS-Marktplatz (eingeführt im Juni 2025) verfügbar ist, wodurch es für Bereitstellung, Inferenz und Feinabstimmung ohne die Notwendigkeit interner Infrastruktur leicht zugänglich ist, im Gegensatz zu vielen proprietären oder akademischen Modellen, die benutzerdefinierte Setups erfordern.
• Multimodale Verarbeitung: Integriert nahtlos textuelle (NLP), strukturelle (2D wie SMILES) und räumliche (3D-Punktwolken) Daten in einem einzigen Encoder-Decoder-LLM-Framework und adressiert Einschränkungen stringbasierter Modelle, die 3D-atomare Anordnungen übersehen oder separate Pipelines für räumliche Aufgaben erfordern.
• Vielseitige Multi-Task-Fähigkeiten: Bewältigt eine breite Palette von Chemieaufgaben – von de novo Molekülgenerierung bis zu Eigenschaftsvorhersagen (z.B. ADMET, Aktivität) – in einem Modell und bietet größere Flexibilität als Einzelaufgaben-Tools.
• Benutzergesteuerte Feinabstimmung: Ermöglicht einfache Anpassung durch Feinabstimmung auf proprietären Datensätzen und erstellt maßgeschneiderte Modelle für spezifische Projekte (z.B. Hit-Entdeckung oder Lead-Optimierung), was einen Vorteil gegenüber starren, nicht anpassbaren Modellen bietet, die keine benutzerspezifischen Daten für verbesserte Relevanz und Präzision einbeziehen können.
• Skalierbare Bereitstellung: Verfügbar über Pay-as-you-go auf AWS, unterstützt nahtlose Integration in Unternehmens-Workflows ohne zusätzliche Hardware, im Gegensatz zu Open-Source-Modellen (z.B. auf Hugging Face), die umfangreiche Einrichtung erfordern oder kommerzielle Unterstützung für den Produktionsmaßstab vermissen lassen.

Was ist die Zukunft von Nach01?
In der Zukunft könnte Nach01 tief in mehrere agentische Workflows integriert werden – unter Nutzung von KI-Agenten für autonome, mehrstufige Prozesse wie Hypothesengenerierung, iterative Molekülverfeinerung und experimentelle Validierung – und End-to-End-Medikamentenentdeckungsprojekte innerhalb von Pharma.AI und benutzerdefinierten Pipelines ermöglichen, potenziell experimentelle Erfolgsraten erhöhen, Zeitpläne von Jahren auf Monate reduzieren und mehr Kandidaten durch kontinuierliches Lernen aus realen Daten in klinische Phasen bringen.

 

Warum empfehlen wir Forschern die Verwendung von PreciousGPT?
Wenn Sie eine Hypothese haben, deren Test im realen Leben zu teuer ist, z.B. in Situationen, in denen Sie ein Massenscreening chemischer Verbindungen durchführen müssen. Bevor Sie die Mittel und Ressourcen für ein solches Unterfangen bereitstellen, können Sie versuchen, eines der Precious-Modelle zu fragen, wie ein Gewebe oder eine Zelle auf Ihr Experiment reagieren würde. Seine Antwort ist keineswegs die endgültige Wahrheit, aber sie gibt Ihnen etwas, das Sie bei der Planung für die reale Durchführung Ihres Experiments leitet.

Wie wird KI in PreciousGPT implementiert?
PreciousGPT ist eine Reihe von Modellen. In jeder Iteration verwenden wir verschiedene Architekturen, um sicherzustellen, dass wir von den fortschrittlichsten Lösungen im gesamten Deep-Learning-Bereich profitieren. Die meisten Precious-Modelle sind transformerbasiert, eine Art von Architektur, auf der alle aktuellen LLMs basieren. Aber im Gegensatz zu einem Chatbot sprechen unsere Modelle nicht in menschlicher Sprache. Sie sprechen in Genen und Molekülen, was bedeutet, dass wir auch neue Wege erfinden müssen, um diese Elemente des Lebens in einem digitalen Format darzustellen.

Was sind die besonderen Vorteile von PreciousGPT?
Unsere Modelle werden mit praktischem Nutzen im Sinn unter Verwendung tatsächlicher Forschungsdaten entwickelt. Im Vergleich zu regulären LLMs sind sie nicht nur auf veröffentlichte Forschung ausgerichtet und können molekulare Mechanismen identifizieren, die von menschlichen Forschern übersehen wurden. Alle Precious-Modelle sind darauf ausgelegt, spezifische Schritte in den Medikamentenentdeckungs-Pipelines zu modellieren, im Gegensatz zu anderen Bio-KI-Modellen, die möglicherweise aufregende Funktionalität zeigen, die jedoch nicht direkt anwendbar ist.

Was ist die Zukunft von PreciousGPT?
Wir streben an, die Precious-Modelllinie weiterzuentwickeln, indem wir noch mehr Biodatentypen integrieren oder sie sogar mit KIs aus anderen Bereichen wie der Chemie kombinieren. Wir hoffen, dass diese Modelle sich schließlich zu dem Punkt entwickeln, an dem sie als Lebensmodell oder als realistische digitale Nachbildung eines beliebigen lebenden Systems von zellulärer bis zu organismischer Ebene verwendet werden könnten.

 

Über Insilico Medicine
Insilico Medicine, ein führendes und globales KI-gesteuertes Biotech-Unternehmen, nutzt seine proprietäre Pharma.AI-Plattform und ein hochmodernes automatisiertes Labor, um die Medikamentenentdeckung zu beschleunigen und Innovationen in der Lebenswissenschaftsforschung voranzutreiben. Durch die Integration von KI- und Automatisierungstechnologien und tiefgreifenden internen Medikamentenentdeckungsfähigkeiten liefert Insilico innovative Medikamentenlösungen für unerfüllte Bedürfnisse, einschließlich Fibrose, Onkologie, Immunologie, Schmerzen sowie Adipositas und Stoffwechselstörungen. Darüber hinaus erweitert Insilico die Reichweite von Pharma.AI über verschiedene Branchen, wie fortschrittliche Materialien, Landwirtschaft, Ernährungsprodukte und Veterinärmedizin.

Für weitere Informationen besuchen Sie bitte www.insilico.com .

---

---