Potential Sciences запустилась: ИИ ищет лекарства без лабораторных опытов

Новый британский стартап Potential Sciences запустился 5 ноября. По словам компании, у неё есть seed-финансирование в десятки миллионов долларов от SovAI (венчурного фонда британского правительства для ИИ), Twin Path Ventures и других инвесторов. Точную сумму и оценку компании основатели раскрывать отказались.

Идея в том, чтобы построить крупные химические наборы данных, используя базовые законы физики: сначала моделировать взаимодействия между атомами, затем малых молекул, затем сложных аминокислот и белков. На этих данных стартап рассчитывает обучить нейросети и системы предсказания, которые смогут находить узконаправленные лекарства от конкретных болезней, минуя дорогие и долгие лабораторные эксперименты. Основатель и гендиректор Hatem Helal говорит, что цель, чтобы молекулы, которые никогда не сработают в клинике, отсеивались как можно раньше, а для этого нужны более точные предсказатели того, как они поведут себя при взаимодействии с биологией человека.

Helal утверждает, что удешевление экспериментов могло бы сделать выгодной для фармкомпаний разработку лекарств от редких заболеваний, которые раньше оставались без лечения. Он также говорит о более индивидуальных терапиях: лекарствах как разовых молекулярных комбинациях, подобранных под уникальную биологию конкретного человека.

Проблему он видит в том, что значительная часть ИИ-лабораторий в этой области строит модели на одной общедоступной базе трёхмерных атомных структур, Protein Data Bank, которую исследователи десятилетиями пополняли результатами новых экспериментов. По словам Helal, этот набор остаётся слишком мал, чтобы обучить модели, способные надёжно ускорять поиск жизнеспособных кандидатов. Он описывает пространство задачи так: способов собрать все атомы Вселенной в молекулы, которые потенциально можно дать человеку, порядка «1060» (так записано в тексте источника), поэтому поиск лекарств, это задача поиска: как быстро сузить это пространство до перспективных молекул для конкретной болезни. Potential Sciences пытается собрать куда более крупные наборы синтетических данных, полученных моделированием взаимодействий между разными химическими соединениями: чем больше данных, тем более продвинутые модели, по логике стартапа, удастся обучить.

SovAI создано британским правительством в этом году с мандатом инвестировать в британские стартапы, способные стать незаменимыми звеньями мировой цепочки поставок ИИ. В распоряжении фонда примерно $800 млн и возможность давать портфельным компаниям доступ к национальному ИИ-суперкомпьютеру Великобритании. Среди его вложений названы компании Basecamp Research и Isomorphic Labs (ИИ-разработка лекарств) и CuspAI (поиск материалов). Joséphine Kant, руководитель венчурного направления SovAI, вошла в совет директоров стартапа и говорит, что физический подход, «физика химии», отличает компанию от других, а доступ к вычислительным ресурсам позволит работать в масштабе, который был бы очень трудным для маленького стартапа.

Учёные признают потенциал подхода, но осторожны. Peter Wolynes, профессор химии Университета Райса, уверен, что результат будет улучшением, но замечает, что белковая инженерия сейчас находится «на уровне римлян, а не Ренессанса». Alan Fersht, заслуженный профессор химии Кембриджского университета, специалист по белковой инженерии, говорит: если бы удалось точно рассчитывать взаимодействия всех молекул в клетке и колебания их структуры, можно было бы предсказывать, где связываются молекулы, и это революционизировало бы разработку лекарств; он оптимистично считает, что со временем это произойдёт.

Открытым остаётся вопрос, сможет ли стартап предсказывать связывание кандидатов с белками, связанными с болезнями, настолько точно, как надеется, для этого нужен заметный скачок вперёд. Рынок ИИ-разработки лекарств переполнен, конкуренция с множеством предпринимателей и учёных будет жёсткой. Кроме того, быстрое выявление кандидатов не отменяет затрат и времени на проверку безопасности и эффективности. Wolynes: стоимость создания лекарства ничтожна по сравнению с выяснением его действия на мышах, тяжелобольных и здоровых людях, то есть это не главный ограничитель. Наконец, технологии, находящие эффективные лекарства, можно использовать для создания опасных веществ: по словам Helal, если можно идеально минимизировать токсичность, то максимизировать её, «лишь переворот бита». Модель дохода у стартапа не определена, как и решение, открывать ли модели публично с учётом риска злоупотреблений.

Ключевые факты

Potential Sciences, новый британский стартап, запустился 5 ноября и заявляет о seed-финансировании в десятки миллионов долларов; точная сумма и оценка не раскрыты.
Инвесторы: SovAI (венчурный фонд правительства Великобритании для ИИ, в распоряжении примерно $800 млн), Twin Path Ventures и другие; руководитель венчурного направления SovAI Joséphine Kant вошла в совет директоров.
План: физическим моделированием атомов, малых молекул, аминокислот и белков построить крупные синтетические наборы данных и обучить на них нейросети, предсказывающие поведение лекарств, чтобы сократить лабораторные опыты.
Основатель Hatem Helal считает, что Protein Data Bank слишком мала для обучения надёжных моделей; профессор Peter Wolynes называет белковую инженерию сегодня уровнем «римлян, а не Ренессанса».
Работающих моделей и результатов в источнике нет; модель дохода не выбрана, решение об открытии моделей не принято, а клинические испытания всё равно остаются долгими.

Почему это важно

Ставка стартапа, на синтетические данные физического моделирования вместо ограниченной базы экспериментальных структур, на которой, по тексту Wired, строит модели значительная часть ИИ-лабораторий в этой области. Если подход сработает, он, по словам основателя, мог бы удешевить эксперименты и сделать выгодными лекарства от редких болезней. Заметен и сигнал о государственной поддержке: SovAI, созданный в этом году, вкладывается в компании этой сферы наряду с Basecamp Research, Isomorphic Labs и CuspAI.

Кому это важно

Тем, кто следит за ИИ в фармацевтике и биотехе, за конкуренцией стартапов в разработке лекарств и за национальными ИИ-стратегиями, в частности британской. Интересно инвесторам и исследователям, работающим с моделированием молекул и белковой инженерией.

Как это применить

Применять пока нечего: ни продукта, ни работающих моделей, ни модели дохода у компании нет, и она ещё не решила, будет ли открывать свои модели публично. Практический смысл сейчас, наблюдать, сможет ли подход показать более точное предсказание связывания лекарственных кандидатов с белками, о котором говорит Wired как об условии успеха.

Можно ли доверять

Материал Wired построен на интервью с основателем и цитатах инвестора; ключевые обещания (ускорение поиска лекарств, лечение редких болезней), слова самого Helal. Joséphine Kant представляет инвестора и вошла в совет директоров стартапа. Сумма раунда названа лишь порядком («десятки миллионов»), а подтверждённых результатов, метрик точности и сроков в тексте нет. Независимые учёные Wolynes и Fersht оценивают подход осторожно.

Риски и подводные камни

Главный технический риск, сможет ли стартап добиться заметного скачка в точности предсказания связывания лекарств с белками. Рынок переполнен, конкуренты подходят к тем же узким местам с разных сторон. Даже быстрое выявление кандидатов не отменяет дорогих и долгих проверок безопасности и эффективности, а Wolynes считает, что сам дизайн лекарства не лимитирует процесс. Есть и риск двойного назначения: технологии, ищущие безопасные лекарства, можно развернуть для создания токсичных веществ, поэтому вопрос открытости моделей остаётся нерешённым.

«Мы хотим, чтобы молекулы, которые никогда не сработают в клинике, быстро отсеивались.»

— Hatem Helal, основатель и гендиректор Potential Sciences, в интервью WIRED