Recapitulação do lançamento de outono da Insilico Pharma.AI: Compreenda as últimas atualizações de IA para pesquisa em saúde com perguntas frequentes respondidas

Em 2 de outubro, a terceira edição do webinar trimestral de lançamento Pharma.AI da Insilico Medicine—intitulado "Rumo à Superinteligência Farmacêutica"—foi concluída com sucesso com cerca de 300 inscritos de todo o mundo, vindos de universidades, instituições de saúde, empresas farmacêuticas internacionais e da indústria de biotecnologia inovadora. Durante o webinar, a equipe de software da Insilico ilustrou as capacidades mais atualizadas da plataforma Pharma.AI, apresentando demonstrações ao vivo e estudos de caso, e os destaques estão resumidos abaixo:

No campo da exploração biológica, o PandaOmics, o motor de análise de dados ômicos e textuais baseado em nuvem, foi atualizado desde o conjunto de dados até a pontuação de classificação e processamento de saída, introduzindo quatro novas pontuações LLM focadas em confiança, tratabilidade comercial, drugabilidade e clareza de mecanismo para decisões de priorização mais abrangentes.

Com base na experiência do PandaOmics em descoberta de alvos e exploração de indicações, a Insilico Medicine recentemente submeteu um artigo de pesquisa sobre estrutura de avaliação de desempenho de modelo sistemático a um servidor de pré-publicação, propondo o TID-Pro—uma plataforma que combina identificação de alvos por aprendizado de máquina com avaliação abrangente de benchmark—e o TargetBench 1.0, um sistema de avaliação de benchmark de identificação de alvos. Esta abordagem integrada fornece um caminho eficiente para avaliar modelos de descoberta de alvos, ajudando a otimizar e melhorar a qualidade e eficiência da descoberta de alvos—uma etapa crítica na descoberta de medicamentos—através de métodos de multi-ômicas baseados em IA e modelagem computacional.

Além disso, o Generative Biologics para novas biomoléculas, incluindo anticorpos e peptídeos, simplificou ainda mais os processos de treinamento, filtragem e validação do modelo, de modo que um entendimento estrutural mais detalhado com modelos mais preditivos possa levar a moléculas projetadas por IA mais bem equilibradas. Além disso, a equipe Insilico compartilhou um caso de teste interno usando a plataforma para design rápido de moléculas de peptídeos direcionadas ao GLP1R: em 72 horas, o Generative Biologics gerou mais de 5.000 novas moléculas de peptídeos. A equipe selecionou 20 candidatos de alto potencial com base em pontuações de afinidade previstas e energia de ligação computacional, com 14 moléculas mostrando atividade biológica, incluindo 3 que demonstraram atividade nanomolar de dígito único altamente eficaz.

Quanto à química, o Chemistry42 proprietário da Insilico agora é composto por 7 aplicações distintas abrangendo geração molecular, previsão de ligação de energia livre, previsão de propriedades ADMET, previsão de seletividade de quinase e triagem de rotas de retrossíntese, e capaz de produzir mais de 2.400 candidatos a moléculas em dezenas de horas, unindo a flexibilidade da IA generativa e a precisão de métodos baseados em física. Além disso, o MDFlow para simulação de dinâmica molecular (MD) foi introduzido como uma nova aplicação, e o Nach01, o modelo de fundação multimodal de linguagens naturais e químicas, está atualmente disponível no mercado da AWS.

Além de modelos especializados de desenvolvimento de medicamentos, a Insilico Medicine continua a expandir seus modelos assistentes científicos Pharma.AI. Entre estes, o Science42: DORA alcança geração automatizada de documentos através da integração de múltiplos agentes de IA e recentemente passou por uma atualização do modelo central de IA, trazendo capacidades de raciocínio aprimoradas e recursos de verificação de conteúdo em tempo real, permitindo conectividade e interoperabilidade com mais ferramentas de IA. A série PreciousGPT, modelo de vida proprietário da Insilico Medicine, foi recentemente apresentada em dois artigos revisados por pares na revista Aging, explorando mecanismos biológicos relacionados ao envelhecimento.

Para obter uma visão sistemática do Pharma.AI, a solução baseada em IA generativa para descoberta de medicamentos e pesquisa de ponta, consulte as seguintes respostas fornecidas pela equipe de IA da Insilico.

 

Por que recomendamos que os pesquisadores usem o PandaOmics?

Ele reúne dados multi-ômicos, mineração de literatura, contexto de doença e insights de biomarcadores - todos classificados e pontuados por modelos de IA treinados em conjuntos de dados experimentais e do mundo real. Ele reduz drasticamente o tempo inicial de P&D e permite gerar e testar novas hipóteses rapidamente, mesmo com suporte mínimo de bioinformática.

Como a IA é implementada no PandaOmics?

Como o volume de dados biomédicos é muito massivo para humanos sozinhos, a IA ajuda a priorizar o que importa mais rápido para que os cientistas possam se concentrar nos alvos de medicamentos mais promissores e reduzir as suposições de P&D.

A IA potencializa quatro áreas principais no Pandaomics:

• Leitura de literatura científica: A IA escaneia artigos para extrair genes, doenças e suas relações.
• Classificação de alvos: Modelos de IA baseados em grafos classificam alvos potenciais de medicamentos com base em suas conexões na biologia.
• Detecção de tendências: A IA detecta sinais precoces, como aumento de interesse ou novos ensaios para um par alvo-doença.
• Geração de relatórios: Modelos de linguagem grandes criam resumos de nível especializado sobre genes e seu potencial de medicamento.

Quais são as vantagens distintas do PandaOmics?

• Profundidade da Integração Ômica: Combina transcriptômica, proteômica, epigenética, ensaios clínicos e evidências do mundo real para priorizar alvos com pontuações de confiança específicas da doença.
• Grafo de Conhecimento Focado em Doenças: Ontologias pré-construídas ligando genes, vias e indicações permitem geração de hipóteses com "um clique".
• Bibliômica e Análise de Patentes: Rastreia novidade e panorama competitivo dentro da mesma interface - poucos concorrentes integram dados de propriedade intelectual tão profundamente.
• Transparência da IA: Fornece mapas de calor de contribuição mostrando quais camadas de dados impulsionaram a classificação de alvos, ajudando na confiança dos cientistas.
• Velocidade: A inferência em nuvem retorna listas de alvos classificados em minutos, superando fluxos de trabalho bioinformáticos manuais que levam dias.

Qual é o futuro do PandaOmics?

Ele evoluirá de uma plataforma de descoberta para um sistema completo de alvo a candidato, estreitamente integrado com ferramentas de design químico e modelos de estratificação de pacientes. Com mais dados do mundo real, oferecerá insights ainda mais personalizados e específicos da doença, tornando o desenvolvimento de medicamentos mais rápido, mais barato e mais preciso.

 

Por que recomendamos que os pesquisadores usem o Generative Biologics?

Não é apenas mais um gerador de sequências. Ele permite gerar, pontuar e otimizar candidatos com pipelines de IA multi-modelo, e até retreiná-los com seus próprios dados. É construído para uso no mundo real: rápido, flexível e personalizável.

Como a IA é implementada no Generative Biologics?

O Generative Biologics usa um sistema de IA multi-modelo onde cada modelo tem capacidades únicas:

• Modelos de linguagem grandes (LLMs) geram e otimizam sequências usando compreensão de linguagem proteica obtida a partir da análise de centenas de milhões de proteínas.
• Redes Neurais de Grafos (GNNs) aprendem relações estruturais 3D para tarefas como modelagem de interações proteína-proteína.
• Modelos de difusão são usados para entender formas de proteínas e projetar estruturas de ligação que podem interagir com o alvo desejado.
• Preditores de IA são baseados em modelos complexos, mas resolvem tarefas altamente específicas como prever afinidade de candidatos ou propriedades de desenvolvibilidade.
• No Generative Biologics, a IA é treinável, o que significa que os modelos podem evoluir e melhorar seu desempenho ao receber feedback de dados de laboratório úmido.

Quais são as vantagens distintas do Generative Biologics?

Ao contrário de muitas ferramentas que apenas geram sequências, o Generative Biologics vai além. Ele pontua e classifica moléculas geradas usando métodos clássicos baseados em física e métodos impulsionados por IA. Permite retreinar modelos em seus dados proprietários para obter poder preditivo ainda melhor para seus projetos. Suporta múltiplos tipos de biológicos, oferece otimização multi-parâmetros e não requer dados estruturais para todos os casos de uso. Além disso, é projetado para flexibilidade e escalabilidade, tornando-o utilizável por equipes com diferentes níveis de experiência.

Qual é o futuro do Generative Biologics?

Hoje, ele suporta peptídeos, anticorpos e nanocorpos. Em breve, expandirá para modalidades mais complexas como biespecíficos, conjugados anticorpo-medicamento, enzimas e terapêuticos proteicos gerais – ampliando seu impacto na descoberta de medicamentos.

Também estamos construindo modelos fundamentais que requerem dados de entrada mínimos, permitindo aos usuários começar a otimizar a partir de uma única sequência – sem pré-treinamento necessário. A integração de mapeamento de epítopo, agrupamento e seleção diversificada de candidatos acelerará ainda mais a descoberta em estágio inicial.

A longo prazo, o Generative Biologics poderia potencialmente se tornar um assistente central de IA para P&D de biológicos – um que não apenas gera e classifica candidatos, mas também aprende continuamente com dados de usuários, integra-se com sistemas de laboratório úmido e orienta equipes desde a descoberta de hits até o desenvolvimento pré-clínico em tempo recorde.

 

Por que recomendamos que os pesquisadores usem o Chemistry42?

Ele vai além da geração básica de moléculas, oferecendo um conjunto abrangente de IA com modelos gerativos poderosos para design de novo, otimização multi-parâmetros, perfil ADMET, retrossíntese e simulações baseadas em física. Você também pode treinar modelos em seus dados proprietários para fluxos de trabalho personalizados. Alcançou sucessos notáveis, como avançar inibidores TNIK para estágios clínicos em apenas 18 meses, e é altamente adaptável para equipes farmacêuticas ou de biotecnologia que visam reduzir cronogramas e aumentar a inovação.

Como a IA é implementada no Chemistry42?

O Chemistry42 implementa IA através de um sistema multi-modelo adaptado para descoberta de medicamentos de pequenas moléculas, onde cada componente aborda aspectos específicos do design e otimização molecular.

• Modelos gerativos criam moléculas inovadoras baseadas em critérios definidos pelo usuário, treinados para se destacar em quimiotipos diversos para resultados experimentais confiáveis.
• Modelos de retrossíntese, treinados em modelos de reação anotados por especialistas, preveem rotas sintéticas com considerações para quimio-, regio- e estereosseletividade, integrados com vastas bibliotecas de blocos de construção.
• Perfil de propriedades aproveita preditores de IA para prever e otimizar parâmetros DMPK, perfis de toxicidade e propriedades relacionadas à potência, disponível como ferramenta autônoma ou integrada em fluxos de trabalho gerativos.
• Golden Cubes utiliza mapas auto-organizáveis para estimar seletividade de cinoma fora do alvo, trabalhando com estruturas 2D e 3D.
• A plataforma é treinável, permitindo aos usuários ajustar modelos em dados proprietários como atividade in vitro ou simulações para desempenho personalizado.
• Chemistry42 GPT, um assistente baseado em LLM, navega usuários pela plataforma, auxiliando na configuração de fluxo de trabalho e tratamento de consultas.

Quais são as vantagens distintas do Chemistry42?

• Conjunto Generativo com IA em Primeiro Lugar: O Chemistry42 apresenta um extenso conjunto de modelos de IA generativa acoplados com aprendizado por reforço para refinar designs baseados em critérios de usuário predefinidos, garantindo confiança experimental confiável e permitindo criação de moléculas de novo.
• Integração de Algoritmos Baseados em Física: Combina perfeitamente IA com métodos centrais baseados em física para precisão e velocidade superiores, abordando limitações em sistemas de IA puros como dependência de dados e tratamento de diversidade química infinita.
• Treinamento de Modelo Personalizado em Dados do Usuário: Permite aos usuários treinar modelos preditivos usando seus próprios dados proprietários, criando soluções altamente personalizadas que se adaptam a projetos, conjuntos de dados e objetivos terapêuticos específicos para relevância e precisão aprimoradas.
• Retrossíntese: Preveja rotas sintéticas confiáveis para moléculas carregadas ou geradas usando modelos de reação anotados por especialistas e um planejador de rota alimentado por IA. Construído em uma biblioteca curada de reações de química medicinal e 300 mil blocos de construção comercialmente disponíveis - com suporte para quimio-, regio- e estereosseletividade - este módulo entrega caminhos sintéticos completos e exemplos relatados. Aproveite coleções de blocos de construção personalizados para simplificar o planejamento de síntese.
• Mecanismos Avançados de Filtragem e Pontuação: Incorpora mais de 460 Filtros de Química Medicinal (MCFs) para excluir estruturas indesejáveis (por exemplo, PAINS ou grupos reativos) e a pontuação única de Evolução de Química Medicinal (MCE-18) para avaliar a novidade molecular com base na complexidade sp³. Além disso, a pontuação de Acessibilidade Sintética Relacionada à Retrossíntese (ReRSA) melhora as estimativas de viabilidade ao incorporar blocos de construção comercialmente disponíveis, abordando limitações comuns na previsão de rotas sintéticas encontradas em outras ferramentas.
• Implantação Flexível e Escalabilidade: Disponível como solução SaaS ou implantável em plataformas de nuvem como AWS ou Azure, com suporte para integrações externas (por exemplo, modelos QSAR), oferecendo maior escalabilidade e interoperabilidade para fluxos de trabalho corporativos em comparação com concorrentes mais isolados.
• Ênfase na Validação Experimental: As capacidades são completamente validadas através de estudos in vitro, in vivo e clínicos, com sucessos como avançar múltiplos candidatos projetados por IA (10 em ensaios, por exemplo, TNIK para IPF) em cronogramas tão curtos quanto 30 meses para completar a Fase 1, muito mais rápido que os tradicionais 3-6 anos.

Qual é o futuro do Chemistry42?

Atualmente focado em design de novo e otimização, expandirá para modalidades híbridas como PROTACs, degradadores e potencialmente moléculas maiores, enquanto atualizações trimestrais - baseadas em lançamentos recentes de 2025 - introduzem recursos aprimorados como IA fundamental que requer dados de entrada mínimos para otimizações rápidas. As colaborações proliferarão, ampliando aplicações para campos como agroquímica e ciência de materiais. A longo prazo, até 2028, o Chemistry42 poderia servir como o co-piloto de IA fundamental em P&D farmacêutico, integrando-se perfeitamente com robótica de laboratório úmido para ciclos de "design-fazer-testar-analisar" em circuito fechado, aprendendo continuamente de dados do mundo real e proprietários para prever resultados clínicos mais cedo, e impulsionando ainda mais candidatos para ensaios - potencialmente triplicando os sucessos atuais - enquanto reduz cronogramas e custos de desenvolvimento para terapias personalizadas e inovadoras.

 

Por que recomendamos que os pesquisadores usem o Nach01?

Ele combina PLN com processamento avançado de nuvem de pontos 2D (como SMILES) e 3D para lidar com tudo, desde geração de moléculas de novo e previsão ADMET até descoberta de hits e otimização de leads, tudo isso permitindo que você o ajuste em seus conjuntos de dados proprietários para precisão personalizada. Como um "oráculo" em fluxos de trabalho de aprendizado por reforço, ele aumenta as taxas de sucesso experimental, e é facilmente implantável via AWS Marketplace para integração perfeita. Baseando-se na comprovada família Nach0, é versátil para equipes farmacêuticas ou de biotecnologia que buscam acelerar P&D sem as limitações de modelos de tarefa única.

Como a IA é implementada no Nach01?

O Nach01 implementa IA através de uma arquitetura de modelo de linguagem grande (LLM) multimodal projetada como uma estrutura codificador-decodificador, pré-treinada em conjuntos de dados massivos abrangendo literatura científica, patentes e representações moleculares para infundir conhecimento químico e linguístico profundo.

• Codificadores Multimodais: Emprega um codificador específico de domínio para processar dados textuais (por exemplo, consultas em linguagem natural ou strings químicas como SMILES) e um codificador de nuvem de pontos molecular para lidar com dados espaciais 3D, permitindo ao modelo entender arranjos atômicos e superar limitações de representações baseadas em strings.
• Capacidades Gerativas e Preditivas: Aproveita técnicas gerativas para criar novas moléculas ou saídas textuais, enquanto módulos preditivos preveem propriedades como ADMET ou atividade, apoiando tarefas como design de novo, descoberta de hits e otimização de leads.
• Ajuste de Instrução e Multi-Tarefa: O modelo é refinado através de ajuste de instrução para tratamento versátil de tarefas (por exemplo, perguntas e respostas biomédicas, reconhecimento de entidade nomeada) e ajuste multi-tarefa para se destacar em domínios, garantindo flexibilidade em aplicações de domínio único ou cruzado.
• Personalização Dirigida pelo Usuário: Permite ajuste em conjuntos de dados proprietários, adaptando o modelo para necessidades específicas do projeto e incorporando-o como um "oráculo" em fluxos de trabalho de aprendizado por reforço para refinar designs iterativamente.

Quais são as vantagens distintas do Nach01?

• Disponibilidade Pioneira: Pelo que sabemos, o Nach01 é o primeiro modelo de fundação de química generativa multimodal disponível em grandes mercados como o AWS Marketplace (lançado em junho de 2025), tornando-o facilmente acessível para implantação, inferência e ajuste fino sem a necessidade de infraestrutura interna, ao contrário de muitos modelos proprietários ou acadêmicos que requerem configurações personalizadas.
• Processamento Multimodal: Integra perfeitamente dados textuais (PLN), estruturais (2D como SMILES) e espaciais (nuvens de pontos 3D) em uma única estrutura LLM codificador-decodificador, abordando limitações de modelos baseados em strings que negligenciam arranjos atômicos 3D ou requerem pipelines separados para tarefas espaciais.
• Capacidades Versáteis Multi-Tarefa: Lida com uma ampla gama de tarefas de química - desde geração de moléculas de novo até previsões de propriedades (por exemplo, ADMET, atividade) - em um modelo, oferecendo maior flexibilidade do que ferramentas de tarefa única.
• Ajuste Fino Dirigido pelo Usuário: Permite fácil personalização ao ajustar em conjuntos de dados proprietários, criando modelos personalizados para projetos específicos (por exemplo, descoberta de hits ou otimização de leads), fornecendo uma vantagem sobre modelos rígidos e não adaptáveis que não podem incorporar dados específicos do usuário para relevância e precisão aprimoradas.
• Implantação Escalável: Disponível via pagamento conforme o uso na AWS, suportando integração perfeita em fluxos de trabalho corporativos sem hardware adicional, contrastando com modelos de código aberto (por exemplo, no Hugging Face) que podem exigir configuração extensa ou carecer de suporte comercial para uso em escala de produção.

Qual é o futuro do Nach01?

No futuro, o Nach01 pode ser profundamente integrado em múltiplos fluxos de trabalho agênticos - aproveitando agentes de IA para processos autônomos de múltiplas etapas como geração de hipóteses, refinamento iterativo de moléculas e validação experimental - capacitando projetos de descoberta de medicamentos de ponta a ponta dentro do Pharma.AI e pipelines personalizados, potencialmente aumentando taxas de sucesso experimental, reduzindo cronogramas de anos para meses e permitindo que mais candidatos atinjam estágios clínicos através do aprendizado contínuo de dados do mundo real.

 

Por que recomendamos que os pesquisadores usem o PreciousGPT?

Quando você tem uma hipótese que custa muito para testar na vida real, por exemplo, em situações em que você precisa executar uma triagem em massa de compostos químicos. Antes de alocar fundos e recursos para tal empreendimento, você pode tentar perguntar a um dos modelos Precious como um tecido ou uma célula responderia ao seu experimento. Sua resposta não é de forma alguma a verdade final, mas lhe dá algo para guiá-lo a planejar a execução na vida real do seu experimento.

Como a IA é implementada no PreciousGPT?

PreciousGPT são uma linha de modelos. Em cada iteração, usamos arquiteturas diferentes para garantir que nos beneficiemos das soluções mais avançadas no campo geral de aprendizado profundo. A maioria dos modelos Precious são baseados em transformadores, um tipo de arquitetura em que todos os LLMs atuais são baseados. Mas ao contrário de um chatbot, nossos modelos não falam em linguagem humana. Eles falam em genes e moléculas, o que significa que também precisamos inventar novas maneiras de representar esses elementos da vida em formato digital.

Quais são as vantagens distintas do PreciousGPT?

Nossos modelos são desenvolvidos com utilidade prática em mente usando dados de pesquisa reais. Comparados a LLMs regulares, eles não são tendenciosos apenas para pesquisa publicada e podem identificar mecanismos moleculares perdidos por pesquisadores humanos. Todos os modelos Precious são projetados para modelar etapas específicas nos pipelines de descoberta de medicamentos, ao contrário de outros modelos de bio-IA, que podem mostrar funcionalidade emocionante que, no entanto, não é diretamente aplicável.

Qual é o futuro do PreciousGPT?

Pretendemos continuar desenvolvendo a linha de modelos Precious integrando ainda mais tipos de biodados, ou até mesmo combinando-os com IAs de outros domínios, como química. Esperamos que, eventualmente, esses modelos evoluam até o ponto em que possam ser usados como um Modelo de Vida, ou uma réplica digital realista de qualquer sistema vivo, desde um nível celular até um nível de organismo.

 

Sobre a Insilico Medicine

A Insilico Medicine, uma empresa de biotecnologia líder e global impulsionada por IA, utiliza sua plataforma proprietária Pharma.AI e laboratório automatizado de ponta para acelerar a descoberta de medicamentos e avançar inovações em pesquisa de ciências da vida. Ao integrar tecnologias de IA e automação e capacidades profundas internas de descoberta de medicamentos, a Insilico está entregando soluções inovadoras de medicamentos para necessidades não atendidas, incluindo fibrose, oncologia, imunologia, dor e obesidade e distúrbios metabólicos. Além disso, a Insilico está estendendo o alcance do Pharma.AI em diversas indústrias, como materiais avançados, agricultura, produtos nutricionais e medicina veterinária.

Para mais informações, visite www.insilico.com .

---

---