Hiszpańscy naukowcy pokazali system CoCoGraph, który generuje miliony nieznanych dotąd cząsteczek chemicznych, a każda z nich spełnia podstawowe reguły chemii. To może być pierwszy krok do sztucznej inteligencji, która na zamówienie zaprojektuje lek albo materiał o konkretnych właściwościach.
Kluczowe fakty:
- Hiszpańscy naukowcy z Universitat Rovira i Virgili w Tarragonie opublikowali w Nature Machine Intelligence opis systemu CoCoGraph, który generuje miliony nieznanych dotąd cząsteczek chemicznych spełniających podstawowe reguły chemii.
- CoCoGraph wykorzystuje technikę diffusion model – system uczy się odtwarzać spójne struktury chemiczne poprzez rozrywanie wiązań w prawdziwych cząsteczkach i rekonstruowanie ich od nowa.
- W odróżnieniu od generowania obrazów, generowanie cząsteczek wymaga przestrzegania twardych reguł wiązań atomowych, ponieważ cząsteczka jest strukturą dyskretną, która nie toleruje dowolnych modyfikacji.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Diffusion model, ale zamiast obrazów są cząsteczki
Zespół z Universitat Rovira i Virgili w Tarragonie opublikował w Nature Machine Intelligence pracę opisującą system o nazwie CoCoGraph. Sama koncepcja nie jest zaskoczeniem, bo generatywna AI od dawna tworzy teksty i obrazy. Nowość leży gdzie indziej: model działa na strukturach chemicznych i gwarantuje, że wygenerowany produkt da się fizycznie zbudować.
Roger Guimerà, profesor badawczy ICREA w Wydziale Inżynierii Chemicznej URV, opisuje to wprost:
„Te modele tworzą nową treść, która bardzo przypomina rzeczywistość. Nasz algorytm robi to samo, ale z cząsteczkami” / „These models create new content that looks very much like the real thing. Our algorithm does the same, but with molecules.”
CoCoGraph korzysta z techniki diffusion model, znanej głównie z generatorów obrazów. Mechanizm działania jest jednak odwrócony względem intuicji. System bierze prawdziwą cząsteczkę, rozrywa jej wiązania w losowy sposób, a potem uczy się odtwarzać spójną strukturę od nowa. Marta Sales-Pardo z Wydziału Inżynierii Chemicznej URV tłumaczy to tak:
„Zaczynamy od prawdziwej cząsteczki, zrywamy wiązania i tworzymy nowe losowo. Model uczy się odwracać ten proces i rekonstruować spójne struktury” / „We start with a real molecule, break the bonds and create new ones at random. The model learns to reverse this process and reconstruct coherent structures.”
Różnica względem generowania obrazów jest fundamentalna. Piksel można lekko przesunąć i obraz nadal ma sens. Cząsteczka nie wybacza takich błędów, bo to struktura dyskretna rządzona twardymi regułami wiązań atomowych.
Skala problemu, którą trudno sobie wyobrazić
Liczba możliwych cząsteczek chemicznych szacowana jest na 10⁶⁰. Guimerà porównuje to do liczby cząsteczek wody w oceanach, żeby w ogóle uchwycić rząd wielkości. Ludzkość poznała dotąd ułamek promila tej przestrzeni.
Właśnie dlatego CoCoGraph jest interesujący. Zamiast szukać po omacku w gigantycznym zbiorze możliwości, model uczy się reguł gry i generuje kandydatów, które od razu mają sens chemiczny. Każdy atom w wygenerowanej strukturze zachowuje poprawną liczbę wiązań, co eliminuje problem znany z konkurencyjnych systemów: struktury niemożliwe do zbudowania w laboratorium.
System ma też przewagę praktyczną. Zespół z URV podaje, że CoCoGraph potrzebuje mniej parametrów i mniej mocy obliczeniowej niż inne modele generujące cząsteczki, więc działa szybciej przy niższym koszcie infrastruktury.
Sztuczna inteligencja od lat próbuje wejść w chemię, ale większość narzędzi generatywnych miała jeden słaby punkt: nie rozumiała fizycznych ograniczeń świata, w którym operuje. CoCoGraph wpisuje reguły chemii bezpośrednio w architekturę modelu, a nie próbuje ich domyślić się statystycznie. To różnica jakościowa, nie kosmetyczna.
Jestem jednak ostrożny wobec entuzjazmu, który już widzę w niektórych relacjach z tego badania. Model na razie generuje cząsteczki bez konkretnego celu. Nie umie jeszcze zaprojektować leku o zadanej rozpuszczalności czy toksyczności, autorzy sami to przyznają. To jest generator możliwości, nie generator rozwiązań. Krok od jednego do drugiego bywa w nauce dłuższy niż się wydaje.
Pytanie, które sobie zadaję, brzmi: ile z tych milionów wygenerowanych struktur da się w ogóle zsyntetyzować w laboratorium przy rozsądnym koszcie? Chemiczna poprawność na papierze to nie to samo co wykonalność syntezy.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Eksperci mylili się w 4 na 10 przypadków
Zespół sprawdził wiarygodność wygenerowanych cząsteczek w eksperymencie z udziałem 121 chemików z URV. Każdy uczestnik oglądał dwadzieścia par cząsteczek (jedna prawdziwa, jedna wygenerowana przez model) i musiał wskazać, która jest autentyczna. Eksperci pomylili się w około 4 na 10 przypadkach.
Marta Sales-Pardo komentuje ten wynik krótko:
„To oznacza, że wiele z generowanych przez nas cząsteczek jest bardzo przekonujących” / „This means that many of the molecules we generate are highly convincing.”
Badacze porównali też CoCoGraph z konkurencyjnymi modelami pod kątem 36 właściwości fizykochemicznych, między innymi rozpuszczalności i złożoności strukturalnej. Dla mniej więcej dwóch trzecich tych kryteriów cząsteczki z CoCoGraph okazały się bardziej realistyczne niż te generowane przez inne systemy.
Co udało się już zrobić w praktyce:
- Wygenerowanie milionów struktur zgodnych z regułami chemii przy zadaniu jednego wzoru molekularnego, na przykład paracetamolu
- Zidentyfikowanie wśród wygenerowanych cząsteczek struktur o właściwościach zbliżonych do paracetamolu
- Wstępne testy techniki częściowej modyfikacji istniejącej cząsteczki, czyli chemicznego „podkręcania” znanej substancji w celu uzyskania wariantu o podobnych cechach
Manuel Ruiz-Botella, doktorant biorący udział w badaniu, przyznaje, że to dopiero początek drogi:
„Na razie generujemy tylko cząsteczki. Kolejnym krokiem będzie nadanie temu procesowi konkretnych celów” / „For the moment, we are only generating molecules. The next step will be to apply specific objectives to this process.”
Co to oznacza dla polskich firm?
Rynek AI w odkrywaniu leków rośnie w tempie, które trudno zignorować. Według analizy Data Bridge Market Research globalna wartość tego segmentu ma sięgnąć 24,6 miliarda dolarów do 2029 roku przy rocznym wzroście na poziomie ponad 53 procent. Forbes szacował z kolei, że firmy farmaceutyczne widzą w AI szansę na obniżenie kosztów odkrywania leków nawet o 70 procent.
W Polsce ten trend widać wyraźnie w sektorze biotechnologicznym. Z przeglądu polskich startupów medycznych przygotowanego przez Koalicję AI w Zdrowiu i Polską Federację Szpitali wynika, że 62 procent ze 146 przebadanych firm działa w obszarze AI i uczenia maszynowego. Ardigen, krakowski gracz w tej przestrzeni, wykorzystuje algorytmy sztucznej inteligencji i bioinformatykę do opracowywania nowych terapii, a warszawski startup zajmujący się generatywną AI w projektowaniu syntezy chemicznej leków współpracuje z Amerykańskim Towarzystwem Chemicznym.
Model CoCoGraph jest na razie badaniem akademickim bez komercyjnego wdrożenia, ale kierunek, w którym zmierza, czyli generowanie chemicznie poprawnych kandydatów na leki zamiast przeszukiwania istniejących baz, wpisuje się dokładnie w to, co polskie firmy biotechnologiczne już teraz próbują robić własnymi metodami. Jeśli podobne narzędzia trafią do otwartych repozytoriów albo komercyjnych platform, mniejsze zespoły badawcze w Polsce zyskają dostęp do technologii, która dotąd wymagała zasobów porównywalnych z dużymi koncernami farmaceutycznymi.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co dalej z CoCoGraph
Zespół z URV deklaruje, że głównym celem na najbliższe lata jest nauczenie modelu odpowiadania na konkretne zamówienie: cząsteczka rozpuszczalna, nietoksyczna, przydatna do określonego zastosowania. To wymaga zupełnie innej architektury niż sama generacja, bo model musiałby łączyć kreatywność z optymalizacją pod kątem zadanych parametrów.
Jeśli się uda, konsekwencje wykraczają poza farmację. Podobne podejście dałoby się zastosować do projektowania nowych materiałów, katalizatorów czy związków dla przemysłu chemicznego. Na razie mamy jednak dowód koncepcji, nie gotowe narzędzie do projektowania leków na zamówienie.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz komunikatu prasowego Universitat Rovira i Virgili opublikowanego na EurekAlert! z dnia 05.05.2026, oryginalnej publikacji naukowej w Nature Machine Intelligence (DOI: 10.1038/s42256-026-01229-5) oraz materiału Futura-Sciences. Dane rynkowe pochodzą z analizy Data Bridge Market Research oraz raportu Koalicji AI w Zdrowiu i Polskiej Federacji Szpitali, cytowanego przez Forbes.pl. Cytaty Rogera Guimerà, Marty Sales-Pardo i Manuela Ruiza-Botelli zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o rozwoju CoCoGraph i jego zastosowaniach w projektowaniu leków.
