Az OpenADMET 34,8 millió dollárt kap – az adatok nyíltak maradnak

Az Octant 2026. szeptember 30-i közleménye szerint az OpenADMET három támogatásból összesen 34,8 millió dollárt kapott: 15 milliót az OpenAI Foundationtől, 4,9 milliót a Gates Foundationtől és 14,9 milliót az amerikai ARPA-H egészségügyi kutatási ügynökségtől; Sri Kosuri, az Octant vezérigazgatója így fogalmazott: „Every drug company has to figure out ADMET challenges individually for what essentially is a commons problem.” A programot az Octant, a Kaliforniai Egyetem San Franciscó-i intézménye (UCSF) és az Open Molecular Software Foundation alkotta konzorcium végzi.

A támogatásokból gyógyszerjelölt molekulák felszívódását, szervezeten belüli eloszlását, lebontását és lehetséges káros kölcsönhatásait mérik, majd az eredményeket előrejelző modellek fejlesztésére és vaktesztelésére használják. Az OpenAI Foundation programleírása az OpenADMET munkájához nyílt adatkészleteket, összehasonlító feladatokat és vak előrejelzési versenyeket nevez meg. Az új mérések és modellek nyilvános közzététele vállalás; a korábbi programból viszont már vannak hozzáférhető adatok és lezárt kihívások.

Melyik támogatás mire jut?

Az OpenAI Foundation pénze a felszívódás és az eloszlás vizsgálatát bővíti. A kutatók membrántranszporterekkel való kölcsönhatásokat mérnek, köztük a P-glikoproteinét, amely képes molekulákat kijuttatni a központi idegrendszerből. Az Octant nagyszámú vegyület tulajdonságait és transzporter-kölcsönhatásait méri majd, az UCSF szerkezetkutatói pedig a biológiai határokon való átjutásban szerepet játszó fehérjéket vizsgálják. A terv része annak feltárása, hogy egy ígéretes molekula átjut-e a vér–agy gáton, vagy még a célpontja előtt kiszorul.

Az ARPA-H támogatása az AVOID-OME program második szakaszát finanszírozza. Ebben az anyagcsere-enzimek és a nukleáris receptorok kerülnek előtérbe: a mérések azt mutathatják meg, milyen gyorsan bomlik le egy vegyület, és miként befolyásolhatja más gyógyszerek lebontását. A funkcionális vizsgálatokat fehérjeszerkezeti eredményekkel kapcsolják össze, miközben folytatódnak a vak kihívások és az adatok közzététele. Egy laboratóriumban hatásos molekula gyógyszerként akkor lehet használható, ha megfelelő mennyiségben és kellő ideig jut el oda, ahol hatnia kell.

A Gates Foundation forrása a biztonságossággal összefüggő kölcsönhatásokra irányul. A hERG káliumcsatorna vizsgálata a szívműködéssel kapcsolatos kockázatok miatt fontos; az aminerg GPCR receptorok pedig olyan nem kívánt célpontok, amelyekhez egy gyógyszerjelölt szintén kötődhet. A program egységes feltételek mellett készülő működési méréseket, vegyülethez kötött szerkezeteket és ezekre épülő alapmodelleket tervez. Az összevethető adatok különösen ott értékesek, ahol a különböző laboratóriumok eltérő módszerekkel gyűjtött eredményei ma nehezen illeszthetők egymáshoz.

Mi készült el az új pénz előtt?

Az OpenADMET kutatási beszámolója szerint az első szakaszban több mint 150 ezer vegyület–célpont párt mértek meg, több mint 400 vegyülethez kötött fehérje kristályszerkezetét határozták meg, az adatkészleteket pedig több mint 30 ezerszer töltötték le; három lezárt vak kihívásban összesen nagyjából 500-an vettek részt, a következő kihívás már zajlik. A vegyület–célpont párok száma mérési kapcsolatokra utal, nem ugyanennyi különálló molekulára. A letöltésszám a hozzáférést jelzi, önmagában nem mutatja meg, hogy egy modell milyen pontosan jósol.

A meglévő mérések egyik konkrét példája a PXR nukleáris receptor, amely részt vesz a gyógyszerlebontó enzimek működésének szabályozásában. A hozzá tartozó működési adatok és szerkezetek együtt azt is megmutathatják, miért változik meg egy vegyület hatása egy kisebb kémiai módosítás után. Ez több információt ad a modellnek, mint egy önmagában álló aktivitási érték: a becslés a molekula és a fehérje közötti kölcsönhatáshoz is kapcsolható. Az új transzporter- és toxicitási munkacsomagok ezt a mérés és szerkezet közötti kapcsolatot terjesztenék ki más fontos célpontokra.

Mitől maradhatnak ellenőrizhetők az eredmények?

A nyitottság itt adatokra, összehasonlító feladatokra és modellekre egyaránt vonatkozó vállalás. A korábbi adatkészletek már eljutottak külső kutatókhoz; az új támogatásokból származó mérések és modellek közzététele a munka előrehaladásától függ. A vak kihívásokban az értékeléshez használt friss mérési eredményeket a becslések beadásáig visszatartják. Így a résztvevők olyan értékeket próbálnak előre jelezni, amelyeket a feladat megoldásakor még nem ismerhetnek.

Ez azért számít, mert egy korábban publikált adatkészleten elért jó eredmény félrevezető lehet, ha a tesztadatokhoz hasonló példák már szerepeltek a modell tanításában. A vakteszt az előrejelzést utólag elkészült vagy addig elrejtett méréssel veti össze, ezért tisztábban mutatja meg, mire képes a módszer új vegyületekkel szemben. A laboratóriumi mérések ugyanakkor nem helyettesítik annak vizsgálatát, hogy a molekula hogyan viselkedik egy teljes szervezetben vagy betegekben.

A következő kézzelfogható mérföldkő egy új adatkészlet közzététele vagy egy vak kihívás lezárt eredménye lesz. Ekkor derülhet ki, hogy a frissen finanszírozott mérések milyen részletességgel válnak hozzáférhetővé, és a hozzájuk kapcsolódó modellek mennyire pontosan jelzik előre a vizsgált kölcsönhatásokat.

Olvassa el ezt is:

• A Destro 8 millió dollárt kapott – nem robotot, közös vezérlést épít
• A 50skills 6 millió dollárt kapott, de az eredmények még önbevallásosak
• A Go.AI 85 millió dollárt kapott – a banki MI-t házon belül tartaná