Potential Sciences计划通过运用物理学基本原理,模拟原子间的相互作用,逐步构建从小分子到复杂氨基酸和蛋白质的大规模化学数据集。基于这些数据,公司希望训练出能够精准识别针对特定疾病的药物的AI模型和预测系统,从而绕过昂贵且耗时的实验室试验。

Potential Sciences的创始人兼CEO Hatem Helal向WIRED表示:“我们希望那些注定无法在临床上发挥作用的分子能够快速被淘汰,这就需要更准确地预测它们与人体生物学相互作用时的表现。”

这家于11月5日成立的初创公司已获得来自英国政府AI风险投资基金SovAI和Twin Path Ventures等投资者数千万美元的种子资金。创始团队未透露具体融资金额和估值。

如果一切顺利,Potential Sciences的技术有望加速各种疾病新疗法的开发。Helal指出,通过降低实验成本,该方法还可能使制药公司有经济动力去研发此前因成本高昂而未被关注的罕见病药物。

“我们希望实现为疾病提供更多定制化治疗的可能,让药物成为针对个体独特生物学特征的专属分子组合。”他说。

关键在于Potential Sciences能否如愿以偿,准确预测药物候选分子与疾病相关蛋白的结合效果,这需要技术上的重大突破。

莱斯大学化学教授Peter Wolynes表示:“我相信这会有所改进,但目前蛋白质工程的技术水平还停留在古罗马时代,而非文艺复兴时期。”

像谷歌DeepMind的Demis Hassabis这样在AI领域取得诺贝尔化学奖的业界领袖,长期以来都认为AI的进步将带来重大科学突破,就像它最近在数学领域的应用一样。Potential Sciences等初创企业希望,药物发现将成为AI技术变革的首批科学前沿之一。

目前,许多AI药物研发实验室主要基于一个公共数据库——蛋白质数据银行(Protein Data Bank)开发模型,该数据库经过数十年积累了大量3D原子结构数据。Helal指出,这一数据集规模仍然过小,难以训练出足够先进的AI模型来加速寻找有效药物候选分子。

“宇宙中所有原子的组合方式约有10^60种,潜在可以组成供人类使用的分子。”Helal说,“药物发现本质上是一个搜索问题,关键在于你能多快地在这庞大的空间中筛选出针对特定疾病的有前景分子。”

为解决这一难题,Potential Sciences尝试构建由模拟不同化学化合物相互作用产生的合成数据组成的更大规模数据集。理论上,拥有更大数据池后,初创公司能够训练出更先进的AI模型和预测系统。

学术界对Potential Sciences采用的基于模拟的方法持乐观态度。剑桥大学蛋白质工程专家、化学名誉教授Alan Fersht表示:“如果我们能准确计算细胞内所有分子的相互作用及其结构波动,就能预测分子结合位置,这将彻底革新药物开发。我对此持乐观态度。”

获得SovAI投资后,Potential Sciences加入了同样专注AI药物研发的Basecamp Research、Isomorphic Labs以及材料发现初创公司CuspAI的行列。

英国政府今年早些时候成立了SovAI,旨在投资能够成为全球AI供应链关键组成部分的英国初创企业,提升国家在地缘政治中的重要影响力。该基金拥有约8亿美元资金,并能为投资组合公司提供英国国家AI超级计算机的使用权限。

SovAI风险投资主管Joséphine Kant表示:“Potential Sciences从物理学角度切入药物发现,尤其是化学物理学,这使其区别于其他公司。借助计算资源,他们能以小型初创企业难以企及的规模开展工作。”

然而,AI药物研发市场竞争激烈。即使有英国政府的支持,Potential Sciences仍将面临众多创业者和学者从不同角度攻克同一瓶颈的激烈竞争。

此外,更快识别有潜力的药物候选分子并不意味着能缩短其安全性和有效性测试的时间和成本,因此新疗法上市仍需较长周期,无论AI技术如何进步。Wolynes指出:“设计药物的成本与确定其对老鼠、重病患者及普通人的影响相比微不足道,从某种意义上说,这并非限制进展的关键因素。”

随着领域发展,Potential Sciences等初创企业还需面对技术可能被滥用来开发极具危险性的化学物质的风险。Helal坦言:“如果我们能设计出完美降低毒性的工具,也同样可能被用来最大化毒性。”

Potential Sciences尚未确定如何通过其技术盈利,也未决定是否公开其模型以防止滥用。但Helal坚信,利用AI解决药物研发这一根本且高影响力的问题,极具价值。

“过去有许多看似有前景的突破未能真正影响药物发现领域,”Helal说,“这对我们来说是一个根本且意义重大的挑战。”