Поиск новых лекарств отнимает много труда. Этот ИИ-стартап пропускает лабораторные испытания

Моделирование вместо части лабораторных опытов

Potential Sciences собирается создавать крупные химические наборы данных с помощью физических принципов. Компания планирует моделировать взаимодействия сначала между атомами, затем между малыми молекулами, а после — между сложными аминокислотами и белками. На этих данных она хочет обучать ИИ-модели и системы прогнозирования, которые будут искать препараты для конкретных заболеваний.

Основатель и генеральный директор компании Хатем Хелал объясняет цель так: молекулы, которые не сработают в клинической практике, должны быстро отсеиваться. Для этого нужны более точные прогнозы их взаимодействия с биологией человека. Если подход сработает, фармацевтическим компаниям может стать выгоднее разрабатывать препараты и для редких состояний, которые прежде оставались без лечения.

В перспективе компания рассчитывает на более индивидуальные препараты — комбинации молекул, подобранные с учётом особенностей биологии конкретного человека.

Почему компании нужны новые данные

Многие лаборатории, работающие над открытием лекарств с помощью ИИ, обучают модели на Protein Data Bank — общедоступной базе трёхмерных структур атомов. Исследователи десятилетиями пополняют её результатами экспериментов. По мнению Хелала, этих данных пока недостаточно, чтобы надёжно ускорить поиск перспективных лекарств.

Масштаб задачи он описывает через число возможных сочетаний атомов: по его оценке, из атомов Вселенной можно собрать около 10⁶⁰ молекул, которые потенциально можно дать человеку. Поиск лекарства в таком пространстве сводится к тому, насколько быстро удаётся находить перспективные варианты и отбрасывать остальные.

Поэтому Potential Sciences хочет получать синтетические данные, моделируя взаимодействия химических соединений. Чем больше окажется такой набор, тем более сложные модели и системы прогнозирования, рассчитывает стартап, удастся обучить.

Учёные считают этот подход перспективным, но признают масштаб требований к точности. Алан Фершт, почётный профессор химии Кембриджского университета, специалист по инженерии белков, говорит, что точный расчёт взаимодействий всех молекул в клетке и изменений их структуры позволил бы предсказывать места связывания молекул и преобразил бы разработку лекарств. Он надеется, что этого удастся добиться со временем.

Питер Волайнс, профессор химии Университета Райса, ожидает улучшений, но считает, что инженерия белков пока находится на раннем уровне по сравнению с тем, чего можно было бы достичь.

Деньги и вычислительные ресурсы SovAI

Стартап привлёк начальные инвестиции на десятки миллионов долларов от SovAI, государственного венчурного фонда Великобритании, Twin Path Ventures и других инвесторов. Основатели не назвали точную сумму или оценку Potential Sciences.

Вместе с Potential Sciences в портфель SovAI входят компании по поиску лекарств Basecamp Research и Isomorphic Labs, а также стартап CuspAI, который занимается поиском материалов.

Британское правительство создало SovAI ранее в этом году. Фонд должен инвестировать в местные стартапы, способные стать важными звеньями глобальной цепочки поставок ИИ и дать Великобритании геополитические рычаги влияния. В его распоряжении около 800 миллионов долларов; портфельным компаниям также могут предоставить доступ к национальному суперкомпьютеру для ИИ.

Жозефина Кант, руководитель венчурного направления SovAI и член совета директоров Potential Sciences, считает, что ставка на физику химии отличает стартап от других компаний. По её словам, доступ к вычислительным ресурсам позволит выполнять расчёты в масштабе, который иначе был бы недоступен небольшой компании.

Главные ограничения

Рынок ИИ для открытия лекарств уже переполнен: множество предпринимателей и учёных пытаются решить те же проблемы с разных сторон. Даже поддержка британского правительства не избавит Potential Sciences от сильной конкуренции.

Быстрое выявление перспективных кандидатов не отменяет затрат и времени на проверку безопасности и эффективности. По словам Волайнса, стоимость разработки препарата несопоставима с расходами на выяснение того, как он подействует на мышей, тяжело больных пациентов и здоровых людей. Поэтому ускорение проектирования может не стать главным фактором, определяющим сроки появления лекарства на рынке.

Есть и риск злоупотребления технологиями. Инструменты, способные находить молекулы с низкой токсичностью, могут быть использованы и для поиска веществ с высокой токсичностью, отмечает Хелал.

Potential Sciences пока не решила, как будет получать доход от разрабатываемых технологий и сделает ли модели свободно доступными с учётом риска злоупотреблений. Хелал считает поиск лекарств одной из важных задач, которую стоит попробовать решить с помощью ИИ, хотя в этой области уже было немало многообещающих разработок, не приведших к заметным результатам.

По оценке Dataist, моделирование может расширить пространство поиска и сократить число кандидатов, которые доходят до лабораторных испытаний. Но оно не снимает главных ограничений разработки лекарств: проверки безопасности и эффективности, а также риска применения тех же методов для создания опасных веществ. Для Potential Sciences пока остаются открытыми и вопросы точности прогнозов, и коммерческой модели.