寻找新药是费力的。这家人工智能初创公司正在跳过实验室工作

一家新成立的英国初创公司认为，人工智能是加速缓慢且不稳定的药物设计过程的关键。 Potential Sciences 计划利用物理学的基本原理来模拟原子、小分子、复杂氨基酸和蛋白质之间的相互作用，从而建立大规模化学数据集。有了这些数据，它可以训练人工智能模型和预测系统，从而识别针对特定疾病的高度针对性的药物，从而绕过昂贵且耗时的实验室实验。 Potential Science 创始人兼首席执行官 Hatem Helal 告诉《连线》杂志：“我们希望永远无法在临床上发挥作用的分子能够快速失效。” “这意味着对它们在与人类生物学相互作用时的行为方式有更好的预测。”这家初创公司于 11 月 5 日成立，表示已从英国政府的人工智能风险投资基金 SovAI 和 Twin Path Ventures 等投资者那里获得了数千万美元的种子资金。创始人拒绝透露确切的数字或估值。如果事情如潜在科学所希望的那样发展，它可能为加速开发各种疾病的新疗法铺平道路。 Helal 表示，通过降低实验成本，该公司的方法还可以使制药公司更经济地开发针对以前未经治疗的罕见疾病的药物。 “我们希望能够为疾病提供更多的定制治疗方法——这种想法是药物可以是针对您独特的人类生物学量身定制的一次性分子组合，”他说。问题是 Potential Sciences 是否能够像它希望的那样准确地预测候选药物与疾病相关蛋白质的结合程度，这需要一个显着的飞跃。 “我确信这将是一个进步，”莱斯大学化学教授彼得·沃林斯说。但目前，“就蛋白质工程的完成方式而言，工程技术处于罗马人的水平，而不是文艺复兴时期的水平，”他说。因在 Google DeepMind 的工作而获得诺贝尔化学奖的 Demis Hassabis 等行业名人长期以来一直表示，人工智能的进步最终将带来重大的科学突破，就像该技术最近瓜分了数学一样。 Potential Sciences 等初创公司希望药物发现将成为该技术最先改变的科学前沿之一。目前，大部分人工智能药物发现实验室正在基于 3D 原子结构的单一公共数据库（蛋白质数据库）开发模型，数十年来，研究人员利用新实验的结果对该数据库进行了扩展。 Helal 认为，问题在于数据集仍然太小，无法训练足够先进的人工智能模型，从而可靠地加速寻找可行的候选药物。 Helal 说：“在宇宙中的所有原子中，大约有 10 60 种方法可以将它们组装成分子，从而有可能赋予人类生命。” “将药物发现视为一个搜索问题；它关乎你能以多快的速度导航并将该空间修剪成针对特定疾病的有希望的分子。”为了解决这个问题，Potential Sciences 正在尝试构建由合成数据组成的更大的数据集，这些数据是通过模拟不同化合物之间的相互作用而产生的。从理论上讲，初创公司将能够从更大的数据池中训练更先进的人工智能模型和预测系统。学术界看到了 Potential Sciences 采用的基于模拟的方法的潜力。 “如果我们能够准确计算细胞中所有分子之间的相互作用及其结构的波动，我们就可以预测分子将在哪里结合，这确实会彻底改变药物开发，”剑桥大学化学名誉教授艾伦·费什特（Alan Fersht）说，他专门研究蛋白质工程。 “我对这最终会发生感到乐观。” Potential Sciences 获得了 SovAI 的投资，与其他人工智能药物发现公司 Basecamp Research 和 Isomorphic Labs 以及材料发现初创公司 CuspAI 一起。英国政府今年早些时候成立了 SovAI，授权投资能够成为全球人工智能供应链不可或缺组成部分的英国初创企业，为该国提供重要的地缘政治影响力。该基金拥有约 8 亿美元的资金，并能够为其投资组合公司提供使用英国国家人工智能超级计算机的能力。 SovAI 风险投资主管约瑟芬·康特 (Joséphine Kant) 表示：“从物理角度（化学物理学）进行药物发现，使 [Potential Sciences] 有别于其他公司。”她作为投资的一部分加入了这家初创公司的董事会。 “如果让他们能够访问计算资源，他们就可以大规模地完成这项工作，否则这对于小型初创公司来说是非常困难的。”然而，人工智能药物发现是一个拥挤的市场。甚至