Нов британски стартъп вярва, че изкуственият интелект е ключът към ускоряването на бавния и непредвидим процес на проектиране на лекарства.

Potential Sciences планира да изгради мащабни химични набори от данни, като използва основните принципи на физиката, за да симулира взаимодействията между атоми, след това малки молекули и накрая сложни аминокиселини и протеини. С тези данни компанията залага на това, че може да обучи модели с изкуствен интелект и системи за прогнозиране, способни да идентифицират високоцеленасочени лекарства за специфични заболявания, заобикаляйки скъпите и отнемащи време лабораторни експерименти.

„Искаме молекулите, които никога няма да проработят в клинични условия, да отпадат бързо“, споделя пред WIRED Хатем Хелал, основател и главен изпълнителен директор на Potential Sciences. „Това означава да разполагаме с по-добри показатели за прогнозиране на това как ще се държат те при взаимодействието си с човешката биология.“

Стартъпът, който стартира на 5 ноември, твърди, че е привлякъл първоначално финансиране от десетки милиони долари от SovAI — фонда за рисков капитал за изкуствен интелект на британското правителство — и Twin Path Ventures, наред с други инвеститори. Основателите отказаха да разкрият точната сума или оценката на компанията.

Ако нещата се развият така, както се надява Potential Sciences, това може да проправи пътя за ускорено разработване на нови терапии за всякакви видове заболявания. Чрез намаляване на разходите за експерименти, казва Хелал, подходът на компанията може също така да направи икономически изгодно за фармацевтичните компании да разработват лекарства за редки състояния, които досега са оставали нелекувани.

„Искаме да направим възможно създаването на по-персонализирани терапии за заболявания — идеята, че лекарствата могат да бъдат уникални молекулярни комбинации, съобразени с вашата индивидуална човешка биология“, казва той.

Въпросът е дали Potential Sciences ще успее да предвиди колко добре кандидатите за лекарства ще се свързват със свързаните със заболяванията протеини толкова точно, колкото се надява, което би изисквало значителен скок напред.

„Сигурен съм, че ще има подобрение“, казва Питър Уолайнс, професор по химия в Rice University. Но в момента „инженерството е на нивото на древните римляни, а не на Ренесанса, по отношение на начина, по който се извършва протеиновото инженерство“, посочва той.

Водещи фигури в индустрията като Демис Хасабис, който спечели Нобелова награда за химия за работата си в Google DeepMind, отдавна твърдят, че напредъкът в изкуствения интелект в крайна сметка ще доведе до исторически научни пробиви по същия начин, по който технологията наскоро преобрази математиката. Надеждата сред стартъпи като Potential Sciences е, че откриването на лекарства ще бъде една от първите научни граници, които ще бъдат трансформирани от технологията.

В момента голяма част от лабораториите за откриване на лекарства с изкуствен интелект разработват модели върху една-единствена публична база данни от триизмерни атомни структури — Protein Data Bank — която изследователите разширяват в продължение на десетилетия с резултатите от нови експерименти. Проблемът според Хелал е, че наборът от данни остава твърде малък, за да обучи достатъчно усъвършенствани модели с изкуствен интелект, които надеждно да ускорят търсенето на жизнеспособни кандидати за лекарства.

„От всички атоми във Вселената има около 10 на 60-а степен начина, по които бихте могли да ги сглобите в молекули, които потенциално да дадете на човек“, казва Хелал. „Мислете за откриването на лекарства като за проблем с търсенето; въпросът е колко бързо можете да навигирате и да пресеете това пространство до обещаващи молекули за конкретно заболяване.“

За да разреши този проблем, Potential Sciences се опитва да конструира много по-големи набори от данни, съставени от синтетични данни, получени чрез симулиране на взаимодействията между различни химични съединения. Теорията е, че от много по-големи масиви от данни стартъпът ще може да обучи много по-усъвършенствани модели с изкуствен интелект и системи за прогнозиране.

Учените виждат потенциал в базирания на симулации подход, който Potential Sciences е възприел. „Ако можехме да изчислим точно взаимодействията между всички молекули в клетката и флуктуациите в тяхната структура, щяхме да можем да предвидим къде ще се свързват молекулите и това наистина би революционизирало разработването на лекарства“, казва Алън Фершт, почетен професор по химия в University of Cambridge, който е специалист по протеиново инженерство. „Оптимист съм, че това в крайна сметка ще се случи.“

Получавайки инвестиция от SovAI, Potential Sciences се присъединява към други компании за откриване на лекарства с изкуствен интелект като Basecamp Research и Isomorphic Labs, както и към стартъпа за откриване на материали CuspAI.

Правителството на Обединеното кралство създаде SovAI по-рано тази година с мандат да инвестира в британски стартъпи, способни да се превърнат в незаменими компоненти от глобалната верига на доставки за изкуствен интелект, осигурявайки на страната жизненоважно геополитическо влияние. Фондът разполага с приблизително 800 милиона долара и възможността да предлага на компаниите от портфолиото си достъп до националния суперкомпютър за изкуствен интелект на Обединеното кралство.

„Подходът към откриването на лекарства от гледна точка на физиката — физиката на химията — отличава [Potential Sciences] от другите компании“, казва Жозефин Кант, ръководител на инвестициите в SovAI, която се присъедини към борда на стартъпа като част от инвестицията. „Предоставяйки им достъп до изчислителни ресурси, те могат да вършат тази работа в мащаб, който иначе би бил много труден за един малък стартъп.“

Въпреки това откриването на лекарства с помощта на изкуствен интелект е пренаситен пазар. Дори и с подкрепата на британското правителство, Potential Sciences ще се изправи пред ожесточена конкуренция от множество предприемачи и учени, които се надпреварват да разрешат същите пречки от различни гледни точки.

Способността за по-бързо идентифициране на обещаващи кандидати за лекарства също така не елиминира разходите и времето, необходими за тестване на тяхната безопасност и ефикасност, което означава, че пускането на пазара на нови терапии ще продължи да отнема много време, независимо от напредъка в изкуствения интелект. „Цената за проектиране на едно лекарство е нищо в сравнение с това да се разбере какво ще причини то на мишки, на наистина болни пациенти, на здрави хора“, казва Уолайнс. „В известен смисъл това не е факторът, който ограничава скоростта на процеса.“

С напредването на тази област стартъпи като Potential Sciences ще трябва да се справят и с перспективата, че технологиите, способни да идентифицират ефективни терапии, могат да бъдат използвани злонамерено за разработване и на изключително опасни химикали. „Ако можем да проектираме инструменти, които перфектно минимизират токсичността, доста лесно е процесът да се обърне така, че тя да бъде максимизирана“, отбелязва Хелал.

Potential Sciences все още няма всички отговори. Стартъпът не се е спрял на конкретен модел за генериране на приходи от различните технологии, които разработва, нито е решил дали да предостави моделите си за свободен достъп предвид потенциала за злоупотреба. Но Хелал е убеден, че има малко по-значими проблеми, които си струва да бъдат решени с помощта на изкуствен интелект.

„Имало е много вълни от обещаващи пробиви, които така и не оказват реално въздействие върху откриването на лекарства“, казва Хелал. „Това е фундаментален проблем с огромно въздействие, който си струва да се опитаме да разрешим.“