I modelli AI di Topos Bio puntano alle proteine che si rifiutano di stare ferme

Il 30 settembre, Topos Bio ha lanciato due modelli AI rivolti alle proteine che assumono molte forme diverse anziché mantenere un’unica struttura stabile. I modelli AI di Topos Bio mettono in discussione un presupposto dominante nella scoperta di farmaci basata sulla struttura: che i ricercatori possano progettare attorno a una singola istantanea molecolare affidabile.

Topos-2 genera raccolte di conformazioni proteiche a partire da una sequenza di amminoacidi. Topos-Bind aggiunge una potenziale molecola farmaco e prevede come il sistema proteina-ligando cambi attraverso tali conformazioni. Topos definisce queste raccolte ensemble conformazionali, ossia l’insieme e la distribuzione relativa delle forme che una proteina può assumere.

Questa distinzione è importante per le proteine intrinsecamente disordinate, o IDP, che non possiedono un’unica struttura tridimensionale stabile. Tali proteine sono associate a neurodegenerazione, cancro e disturbi metabolici. I modelli entrano tuttavia in un campo competitivo che include già BioEmu, metodi derivati da AlphaFold, Boltz-2, Chai-1 e OpenFold3.

Topos ha riportato solidi risultati nei benchmark e un caso di studio sull’amiloide-beta. Tuttavia, le sue affermazioni più rilevanti dipendono ancora da confronti condotti dall’azienda, dati di riferimento simulati e modelli che non hanno ancora prodotto un farmaco validato clinicamente.

I modelli AI di Topos Bio affrontano due lacune diverse

Topos-2 modella il movimento delle proteine, mentre Topos-Bind analizza come una piccola molecola modifichi quel sistema in movimento.

Topos-2 è un modello generativo all-atom. Accetta una sequenza di amminoacidi e produce molteplici strutture che rappresentano possibili stati della proteina. “All-atom” significa che l’output include singoli atomi anziché una rappresentazione semplificata di unità molecolari più grandi.

Il modello amplia la portata di Topos-1. Quel sistema precedente era focalizzato su proteine disordinate e regioni disordinate all’interno di proteine più grandi. Topos-2 copre lo spettro più ampio che va dalle proteine ordinate ai sistemi parzialmente e completamente disordinati.

Questa progettazione rende il modello diverso dai sistemi ottimizzati per restituire un’unica struttura probabile. Una singola struttura può essere utile quando una proteina si ripiega in una forma relativamente stabile. Diventa meno informativa quando il movimento e la variabilità strutturale influenzano il ruolo biologico della proteina.

Topos afferma che Topos-2 ha ottenuto le migliori prestazioni nel framework indipendente PeptoneBench. Tale benchmark confronta gli ensemble computazionali con misurazioni ottenute mediante risonanza magnetica nucleare e diffusione di raggi X a piccolo angolo.

L’azienda ha riportato per Topos-2 un punteggio composito ripesato di 1,11. BioEmu, il sistema immediatamente successivo nel suo confronto, ha ottenuto 1,49. All’interno di questo benchmark, 1,0 rappresenta una concordanza entro l’incertezza stimata delle misurazioni sperimentali e computazionali.

L’espressione “quattro volte più vicino” richiede contesto. Confronta la distanza di ciascun punteggio da 1,0, anziché affermare che Topos-2 sia quattro volte più accurato in tutti gli utilizzi. Le distanze riportate sono rispettivamente 0,11 e 0,49.

PeptoneBench è separato da Topos. Il suo repository di benchmark pubblico fornisce codice per valutare gli ensemble previsti rispetto a osservabili sperimentali. Istruisce inoltre i partecipanti a generare almeno 100 configurazioni per ogni sequenza.

Topos-Bind affronta un secondo problema. Accetta una sequenza proteica e una piccola molecola rappresentata come stringa SMILES, che codifica la struttura molecolare in forma testuale. Il modello genera quindi un ensemble per il sistema combinato proteina-ligando.

Secondo il rilascio del modello dell’azienda, Topos-Bind è il primo modello generativo progettato specificamente per ensemble di proteine disordinate legate a piccole molecole. Questa rivendicazione di priorità non ha ricevuto un’ampia validazione indipendente.

Topos ha presentato Topos-Bind in anteprima, anziché descriverlo come un prodotto completo e generalmente disponibile. La differenza è importante. Topos-2 dispone di un risultato di benchmark esterno, mentre Topos-Bind poggia attualmente su un caso di studio aziendale più circoscritto.

Quel caso di studio utilizza l’amiloide-beta, un peptide flessibile associato alla malattia di Alzheimer. Invece di richiedere un unico complesso preferito, Topos-Bind stima come ciascun composto modifichi la distribuzione delle forme dell’amiloide-beta.

Il lancio unisce quindi due fasi di un flusso di lavoro proposto per la scoperta. Topos-2 mappa il bersaglio in movimento. Topos-Bind tenta di mappare come una molecola candidata modifichi quel movimento.

Le proteine dinamiche mettono sotto pressione i flussi di lavoro basati su una singola struttura

Il lancio mette sotto pressione i flussi di scoperta dei farmaci costruiti attorno a una struttura stimata come migliore, ma non tutti i sistemi di previsione proteica allo stesso modo.

La progettazione di farmaci basata sulla struttura inizia spesso con un bersaglio tridimensionale. I ricercatori identificano tasche, simulano interazioni e ottimizzano molecole che si adattano a disposizioni favorevoli degli atomi. Questo approccio funziona meglio quando la struttura selezionata rappresenta uno stato biologicamente significativo.

Le IDP complicano questo processo perché la loro flessibilità non è semplice rumore sperimentale. Le loro strutture variabili possono favorire segnalazione, trascrizione, riconoscimento molecolare e formazione di condensati biomolecolari all’interno delle cellule.

Topos cita ricerche secondo cui tre proteine umane su cinque contengono regioni disordinate più lunghe di 30 amminoacidi. Altre stime collocano il contenuto intrinsecamente disordinato a circa il 30%-40% del proteoma umano.

La percentuale esatta cambia in base alle definizioni e ai metodi di previsione. Il problema di fondo no. Una quota considerevole della biologia proteica rilevante per le malattie non può essere rappresentata adeguatamente da un’unica struttura fissa.

AlphaFold ha mostrato quanto accuratamente l’AI possa prevedere ripiegamenti proteici stabili a partire dalla sequenza. Questo risultato ha creato un’enorme risorsa per la biologia, ma non ha reso irrilevante il movimento delle proteine.

Uno studio del 2025 su Nature Communications ha descritto le proteine disordinate come sistemi che dovrebbero essere rappresentati da ensemble strutturali. I ricercatori hanno combinato distanze derivate da AlphaFold con dinamica molecolare per generare tali ensemble.

Questo lavoro illustra la vera concorrenza. Il campo non è diviso nettamente tra previsioni statiche di AlphaFold e un’unica alternativa Topos. Più team stanno estendendo la previsione strutturale con simulazioni, vincoli sperimentali e campionamento generativo.

Anche BioEmu genera ensemble conformazionali proteici. Altri approcci raffinano gli output di AlphaFold o li usano come prior per la dinamica molecolare. Questi metodi differiscono per dati di addestramento, costo computazionale, assunzioni fisiche e dipendenza dalle misurazioni sperimentali.

Topos sta facendo una scommessa strategica più circoscritta. Si concentra sullo spettro ordine-disordine e mira a collegare direttamente la generazione di ensemble con la progettazione di piccole molecole.

Questo focus mette sotto pressione i team che usano sistemi di docking o cofolding che restituiscono un insieme compatto di strutture considerate affidabili. Questi strumenti possono ancora essere preziosi per complessi stabili. Diventano più difficili da interpretare quando un bersaglio rimane flessibile prima e dopo il legame.

Topos ha confrontato Topos-Bind con Boltz-2, Chai-1 e OpenFold3 nel suo studio sull’amiloide-beta. Ha affermato che i loro output si raggruppavano in insiemi relativamente ristretti di forme compatte.

L’azienda attribuisce questo risultato agli obiettivi dei modelli concorrenti. Tali sistemi cercano in genere previsioni strutturali affidabili, mentre Topos-Bind cerca esplicitamente una distribuzione di stati.

Questo confronto non dimostra che Topos-Bind sia universalmente migliore. Mostra che un modello ottimizzato per gli ensemble risponde a una domanda diversa rispetto a uno ottimizzato per un complesso probabile.

Per gli sviluppatori di farmaci, la risposta obbligata è metodologica. I team che perseguono bersagli dinamici devono decidere se sia sufficiente un singolo complesso previsto o se il comportamento dell’ensemble debba guidare la selezione dei composti.

La risposta si svilupperà nell’arco di anni, non mesi. I team di scoperta devono collegare le conformazioni previste con l’ingaggio del bersaglio, gli effetti cellulari, la tossicità e gli eventuali esiti clinici.

Perché gli ensemble proteici cambiano la domanda nella progettazione dei farmaci

Per un bersaglio dinamico, la domanda utile non è solo dove si lega una molecola, ma come il legame ridistribuisce i possibili stati della proteina.

Si consideri l’amiloide-beta nella sua forma monomerica. Il peptide attraversa molte conformazioni e alcuni stati hanno maggiore probabilità di associarsi ad altre molecole. Tali associazioni possono contribuire ai processi di aggregazione collegati alla patologia dell’Alzheimer.

Un flusso di lavoro tradizionale potrebbe cercare un’unica posa di legame rispetto a una struttura selezionata dell’amiloide-beta. Un flusso di lavoro basato sugli ensemble chiede se un composto modifichi la probabilità di stati inclini all’aggregazione in una distribuzione più ampia.

Topos ha testato Topos-Bind usando amiloide-beta 1-42 con 22 piccole molecole. Gli ensemble previsti dal modello hanno riprodotto l’ampia gamma di dimensioni molecolari riscontrata nelle simulazioni di dinamica molecolare generate da Topos.

Il confronto ha utilizzato il raggio di girazione, una misura di quanto una struttura molecolare sia compatta o estesa. Una distribuzione più ampia indica che la proteina esplora strutture con dimensioni significativamente diverse.

Topos ha riportato che gli altri modelli di cofolding valutati hanno concentrato le loro previsioni in distribuzioni più ristrette. Se questo schema fosse confermato sperimentalmente, un flusso di lavoro a stato singolo potrebbe trascurare composti che alterano l’ensemble senza creare una struttura dominante.

Tuttavia, il riferimento era una dinamica molecolare prodotta dalla stessa Topos. La dinamica molecolare utilizza calcoli basati sulla fisica per simulare il movimento atomico nel tempo, ma i suoi risultati dipendono dai campi di forza, dalle condizioni iniziali e dalle scelte di campionamento.

Gli esperimenti fisici non rivelano direttamente un ensemble atomico completo. I ricercatori deducono gli ensemble combinando misurazioni con modelli computazionali. Questo rende la valutazione più complicata del confronto tra una struttura cristallina prevista e una struttura sperimentale.

Topos ha addestrato il suo approccio con Topos-DB, una raccolta proprietaria contenente più di 100.000 sistemi simulati di proteine disordinate-ligando. L’azienda afferma che si tratta di un corpus circa tre volte più grande del successivo corpus comparabile per numero di sistemi distinti.

Il dataset è centrale per il vantaggio riportato dal modello. I database strutturali pubblici contengono molte strutture proteiche stabili, ma molti meno ensemble atomici di proteine disordinate che interagiscono con piccole molecole.

La generazione di dati simulati offre scala dove i dati sperimentali restano scarsi. Introduce anche una dipendenza: il modello può apprendere modelli e bias incorporati nel motore di simulazione che ha creato i suoi esempi di addestramento.

Topos tenta di contrastare questo problema testando Topos-2 rispetto a misurazioni sperimentali NMR e di scattering. Il suo risultato su PeptoneBench ha quindi più peso di un confronto basato soltanto su traiettorie simulate.

Topos-Bind non ha ancora raggiunto lo stesso livello di evidenza. Il suo lavoro sull’amiloide-beta chiede se il modello assomigli alla dinamica molecolare, non se i suoi effetti previsti sui ligandi corrispondano a osservazioni sperimentali su molti bersagli.

Questa distinzione definisce la tensione centrale dietro il lancio. Topos ha costruito un meccanismo adatto alla biologia dinamica, ma i dati necessari per validarlo sono insolitamente difficili da ottenere.

L’azienda sta sviluppando cicli di feedback sperimentale parallelamente al proprio lavoro computazionale. A marzo, Topos ha annunciato una collaborazione con Dalriada Drug Discovery che copre spettrometria di massa, chemoproteomica e misurazioni su cellule vive.

Il programma sperimentale di Dalriada include profilazione dell'interazione con il bersaglio, mappatura peptidica, cinetica del legame covalente e proteomica del meccanismo d'azione. Questi metodi possono verificare se le interazioni previste si verificano nei sistemi biologici.

Questa partnership riflette ciò che i modelli non possono stabilire da soli. Un ensemble promettente resta un'ipotesi finché gli esperimenti non dimostrano legame, selettività, effetti funzionali e un comportamento accettabile nelle cellule.

Topos-2 entra in una corsa affollata nella modellazione delle proteine

Topos compete puntando sulla specializzazione, mentre piattaforme più grandi e meglio finanziate ampliano la gamma di stati proteici che possono rappresentare.

BioEmu è il riferimento più diretto per Topos-2 perché genera anch'esso ensemble strutturali. Topos ha usato BioEmu come secondo miglior comparatore nel suo risultato PeptoneBench.

Il punteggio riportato di 1,11 offre a Topos-2 un chiaro vantaggio nella misura composita selezionata. Tuttavia, un solo benchmark non può risolvere ogni questione rilevante per la scoperta di farmaci.

Le prestazioni possono variare in base alla lunghezza delle proteine, alle famiglie di sequenze, alle condizioni ambientali e alle diverse forme di disordine. I dataset di benchmark possono inoltre sovrapporsi concettualmente alle ipotesi utilizzate durante lo sviluppo del modello, anche senza una fuga diretta dal set di addestramento.

I metodi derivati da AlphaFold offrono un'altra strada. I ricercatori possono utilizzare le informazioni sulle distanze previste da AlphaFold come vincoli, quindi eseguire dinamica molecolare per costruire un ensemble coerente con tali distanze.

Questa strategia ibrida combina un predittore strutturale ampiamente testato con simulazioni fisiche consolidate. Può inoltre incorporare misurazioni sperimentali quando questi dati sono disponibili.

I suoi svantaggi includono il costo computazionale e ulteriori scelte di modellazione. Topos scommette sul fatto che un modello addestrato a generare direttamente ensemble renderà il flusso di lavoro più rapido e scalabile.

Boltz-2, Chai-1 e OpenFold3 appartengono a una categoria adiacente. Modellano strutture e interazioni biomolecolari, inclusi i complessi proteina-ligando, ma non sono progettati principalmente per riprodurre distribuzioni di equilibrio complete per bersagli altamente disordinati.

Il confronto di Topos-Bind con l'amiloide-beta testa quindi una deliberata differenza negli obiettivi. È informativo, ma non rappresenta una competizione completa tra modelli di ensemble ugualmente specializzati.

La competizione commerciale va oltre l'accuratezza dei modelli. Una piattaforma utile per la scoperta di farmaci deve identificare molecole che possano essere sintetizzate, raggiungere i propri bersagli, evitare interazioni dannose e produrre effetti terapeutici.

Topos è entrata in questa corsa con capitali limitati rispetto alle principali aziende farmaceutiche e ai più grandi laboratori di IA. L'azienda di San Francisco ha raccolto un round seed da 10,5 milioni di dollari nel gennaio 2026.

Tra i suoi sostenitori figurano Boldstart, Threshold, Neo e investitori individuali. Il finanziamento sostiene una piattaforma ambiziosa, ma lo sviluppo clinico dei farmaci può richiedere molto più capitale e tempo rispetto al solo addestramento dei modelli.

Topos partecipa inoltre a TuneLab, un'iniziativa che fornisce accesso federato a modelli addestrati sui dati proprietari di Eli Lilly per lo sviluppo di farmaci. L'apprendimento federato permette ai partecipanti di beneficiare di modelli condivisi senza riunire direttamente tutti i dati privati sottostanti.

Questa relazione può rafforzare le previsioni riguardanti assorbimento, distribuzione, metabolismo, escrezione e tossicità. Queste proprietà spesso determinano se una molecola promettente possa diventare un farmaco praticabile.

Tuttavia, né il finanziamento né l'accesso ai dati risolvono il problema centrale della validazione. Topos deve dimostrare che migliori previsioni degli ensemble migliorano le decisioni nelle fasi successive della scoperta.

Un modesto miglioramento nella classificazione computazionale può essere prezioso se evita costosi esperimenti su candidati deboli. Un miglioramento drastico nei benchmark può essere meno prezioso se non cambia quali composti hanno successo.

La questione competitiva, quindi, non è se Topos possa generare un movimento molecolare visivamente convincente. È se la sua specializzazione crei vantaggi misurabili nella scoperta degli hit, nell'ottimizzazione dei lead e nello sviluppo terapeutico.

Le evidenze sono più solide per Topos-2 che per Topos-Bind

Topos-2 dispone di un benchmark sperimentale indipendente, mentre Topos-Bind resta un'anteprima promettente supportata soprattutto da evidenze basate su simulazioni.

PeptoneBench è un test significativo perché copre proteine ordinate e disordinate. I suoi dataset includono spostamenti chimici della risonanza magnetica nucleare e misurazioni di scattering di raggi X a piccolo angolo.

Topos afferma che il benchmark include dati NMR per 659 proteine e dati SAXS per 439 proteine. La valutazione confronta le proprietà calcolate dagli ensemble generati con osservazioni sperimentali, anziché selezionare una sola struttura visivamente plausibile.

Questa impostazione è allineata al compito che Topos-2 afferma di risolvere. Premia distribuzioni che riproducono misurazioni mediate su molti stati molecolari in evoluzione.

Tuttavia, Topos ha divulgato un risultato composito ripesato. Il ripesamento modifica il contributo relativo delle strutture generate per migliorare l'accordo con i dati sperimentali. È una tecnica riconosciuta di raffinamento degli ensemble, ma non equivale pienamente a una previsione prospettica.

I lettori dovrebbero quindi distinguere tre livelli di evidenza. Il primo è la generazione dalla sola sequenza. Il secondo è l'accordo dopo il raffinamento rispetto a informazioni sperimentali. Il terzo è il successo prospettico su sistemi biologici non osservati.

L'annuncio pubblico enfatizza il risultato composito, ma non fornisce un articolo sottoposto a revisione paritaria su Topos-2 che stabilisca le prestazioni in ogni condizione di valutazione rilevante. Una riproduzione indipendente rafforzerebbe sostanzialmente l'affermazione.

Topos-Bind presenta un divario di evidenze maggiore. I suoi ensemble di riferimento provengono dal motore di dinamica molecolare dell'azienda e il suo database di addestramento contiene anch'esso dati di simulazione generati dall'azienda.

Questa configurazione non invalida il risultato. Le simulazioni sono indispensabili per studiare sistemi che sfuggono alla misurazione strutturale diretta. Significa però che la valutazione potrebbe favorire ipotesi condivise dal modello e dal processo di riferimento.

L'esperimento sull'amiloide-beta testa inoltre un insieme limitato di 22 ligandi. È sufficiente per illustrare il comportamento del modello, ma non per stabilire prestazioni generali su bersagli disordinati e classi chimiche.

La biologia delle malattie aggiunge un ulteriore livello di incertezza. Prevedere con accuratezza che una molecola modifichi un ensemble di amiloide-beta non dimostra che tale modifica riduca l'aggregazione dannosa in un sistema vivente.

La molecola deve raggiungere il tessuto pertinente, interagire con il bersaglio, produrre il cambiamento funzionale previsto ed evitare una tossicità inaccettabile. Ogni passaggio può interrompere il legame tra una previsione computazionale e un farmaco.

Topos riconosce l'importanza del lavoro sperimentale attraverso i propri programmi interni e le collaborazioni. La partnership con Dalriada si concentra in particolare su interazione con il bersaglio, selettività ed effetti a livello di pathway.

L'azienda afferma di applicare i modelli a programmi interni nella neurodegenerazione e nell'oncologia. Non ha divulgato un candidato clinico prodotto da Topos-2 o Topos-Bind.

Questa assenza è normale per un'azienda biotecnologica in fase iniziale. Definisce inoltre ciò che non può ancora essere affermato. I modelli non hanno dimostrato che bersagli precedentemente irraggiungibili siano ora trattabili farmacologicamente.

Anche “non trattabile farmacologicamente” è un'etichetta mutevole. Spesso descrive bersagli privi di tasche di legame convenzionali o resistenti ai metodi di sviluppo consolidati. Non significa che nessuna strategia biologica o terapeutica possa mai influenzarli.

Topos ha presentato una strada plausibile verso questo territorio. Ora la strada necessita di esperimenti prospettici che non siano stati utilizzati per costruire, calibrare o selezionare i modelli.

Cosa osservare dopo il lancio dei modelli IA di Topos Bio

Tre segnali mostreranno se la modellazione degli ensemble diventerà un vantaggio pratico per la scoperta, anziché un'altra solida dimostrazione computazionale.

Il primo segnale è la validazione tecnica indipendente. I ricercatori dovrebbero cercare un articolo dettagliato su Topos-2 o Topos-Bind, impostazioni di valutazione divulgate, output accessibili e riproduzioni da parte di gruppi esterni all'azienda.

Risultati indipendenti vicini alle prestazioni PeptoneBench riportate rafforzerebbero la posizione di Topos-2. Grandi variazioni delle prestazioni in impostazioni alternative indebolirebbero l'affermazione che il vantaggio sia generalizzabile.

Per Topos-Bind, la validazione più utile confronterebbe gli ensemble indotti dai ligandi previsti con misurazioni sperimentali su diverse proteine disordinate non correlate. Un singolo caso di amiloide-beta non può stabilire un'affidabilità ampia.

Il secondo segnale è il successo sperimentale prospettico. Topos e Dalriada possono testare composti selezionati con i modelli per l'interazione con il bersaglio, la selettività e i cambiamenti nei pathway cellulari rilevanti.

Un test in cieco sarebbe particolarmente informativo. Topos potrebbe classificare i composti prima degli esperimenti, quindi divulgare se le molecole con la classifica più alta superano le selezioni convenzionali.

Un arricchimento ripetuto di composti attivi rafforzerebbe l'argomentazione a favore della scoperta basata sugli ensemble. L'incapacità di migliorare i tassi di hit sperimentali suggerirebbe che un movimento dall'aspetto accurato non guida ancora decisioni chimiche migliori.

Il terzo segnale è l'avanzamento della pipeline. Topos dovrebbe infine identificare programmi specifici, traguardi di sviluppo o molecole candidate influenzati da Topos-2 e Topos-Bind.

Un candidato di sviluppo dichiarato non dimostrerebbe il valore clinico, ma mostrerebbe che la piattaforma supporta decisioni che vanno oltre i benchmark retrospettivi. I successivi dati tossicologici e umani fornirebbero test progressivamente più solidi.

Anche le risposte dei concorrenti contano nell'ambito di questi segnali. I successori di BioEmu, i metodi di ensemble basati su AlphaFold e i sistemi di simulazione specializzati continueranno a migliorare.

Topos potrebbe detenere un vantaggio iniziale nei benchmark focalizzati sul disordine senza mantenere una leadership tecnica duratura. La sua difendibilità potrebbe invece derivare da dati di simulazione proprietari, feedback sperimentali ed esperienza nella selezione dei composti.

Per i team che sviluppano prodotti di IA, questo lancio offre una lezione più ampia sulla valutazione. L'obiettivo di un modello, i dati di riferimento e la validazione nel mondo reale devono corrispondere alla decisione che il modello dovrebbe migliorare.

I team che seguono le evidenze attraverso rilasci dei modelli, esperimenti e partnership hanno bisogno di più di una raccolta di comunicati stampa. Una base di conoscenza sull'IA ricercabile può aiutare a collegare le affermazioni dei benchmark con le validazioni successive.

Topos ha individuato una reale debolezza nel pensiero basato su una singola struttura. Le proteine dinamiche necessitano di rappresentazioni che preservino il movimento anziché comprimerlo in un'unica risposta sicura.

La questione aperta non è più se gli ensemble proteici siano importanti. È se i modelli IA di Topos Bio li prevedano con accuratezza sufficiente a cambiare quali composti i ricercatori progettano, testano e portano avanti. Prima di considerare risolta questa questione, occorre osservare benchmark indipendenti, risultati sperimentali in cieco e un candidato divulgato.