סטארט-אפ בריטי מנסה לדלג על מעבדת הניסויים בפיתוח תרופות
Potential Sciences הבריטית, שהושקה ב-5 בנובמבר בתמיכת קרן ה-AI הממשלתית SovAI, מתכננת לאמן מודלי AI על נתונים כימיים שנוצרים בסימולציות מחשב, במקום להסתמך על ניסויי מעבדה יקרים. לדברי החברה היא גייסה סכום של עשרות מיליוני דולרים, אך הדיווח אינו מציג תוצאות, ולפי WIRED נדרשת קפיצה של ממש ביכולת החיזוי.
סטארט-אפ בריטי חדש בשם Potential Sciences מבקש לקצר את אחד התהליכים האיטיים והיקרים במדע: חיפוש תרופות חדשות. לפי דיווח ב-WIRED, החברה מתכננת לבנות מאגרי נתונים כימיים גדולים באמצעות סימולציות מחשב, לאמן עליהם מודלי AI, ולזהות כך תרופות ממוקדות למחלות ספציפיות בלי להסתמך על ניסויי מעבדה יקרים וגוזלי זמן. החברה הושקה ב-5 בנובמבר, והדיווח אינו מציג תוצאות שמוכיחות שהשיטה עובדת.
השיטה נשענת על עקרונות יסוד בפיזיקה: החברה מתכננת לדמות אינטראקציות בין אטומים, ואז בין מולקולות קטנות, ובהמשך גם בין חומצות אמינו מורכבות וחלבונים. התוצר יהיה נתונים סינתטיים, כלומר נתונים שנוצרים במחשב ולא נמדדים בניסוי. "אנחנו רוצים שמולקולות שלעולם לא יעבדו בקליניקה ייכשלו מהר", אמר ל-WIRED המייסד והמנכ"ל, Hatem Helal. "המשמעות היא שיהיו לנו מנבאים טובים יותר להתנהגות שלהן באינטראקציה עם הביולוגיה האנושית".
צוואר הבקבוק: הנתונים
לפי הדיווח, חלק גדול ממעבדות ה-AI לגילוי תרופות מפתחות היום מודלים על בסיס מאגר ציבורי אחד של מבנים אטומיים תלת-ממדיים, ה-Protein Data Bank, שחוקרים מרחיבים זה עשרות שנים בתוצאות של ניסויים חדשים. Helal טוען שהמאגר עדיין קטן מדי לאימון מודלים שיאיצו באופן אמין את החיפוש אחר מועמדים לתרופות.
הוא מציג את גילוי התרופות כבעיית חיפוש: לדבריו, יש כ-10 בחזקת 60 דרכים להרכיב אטומים למולקולות שאפשר לתת לאדם, והשאלה היא כמה מהר אפשר לנווט במרחב הזה ולצמצם אותו למולקולות מבטיחות למחלה מסוימת. התיאוריה של החברה היא שמאגרים גדולים בהרבה יאפשרו לאמן מודלים מתקדמים בהרבה.
הספקנות והאופטימיות
השאלה הפתוחה היא אם החברה תצליח לחזות בדיוק הנדרש עד כמה מועמדים לתרופה נקשרים לחלבונים הקשורים למחלות, ולפי WIRED זה ידרוש קפיצה ניכרת קדימה. "אני בטוח שזה יהיה שיפור", אמר Peter Wolynes, פרופסור לכימיה באוניברסיטת Rice, אך הוסיף שכיום "ההנדסה נמצאת ברמה של הרומאים, לא של הרנסנס" בכל הנוגע להנדסת חלבונים.
Alan Fersht, פרופסור אמריטוס לכימיה באוניברסיטת קיימברידג' המתמחה בהנדסת חלבונים, רואה פוטנציאל בגישה. לדבריו, חישוב מדויק של האינטראקציות בין כל המולקולות בתא היה מאפשר לחזות היכן מולקולות ייקשרו, ומשנה מן היסוד את פיתוח התרופות. "אני אופטימי שזה יקרה בסופו של דבר", אמר. הביטוי "בסופו של דבר" חשוב כאן: ככל הנראה מדובר ביעד ארוך טווח, ולא ביכולת שכבר קיימת.
הימור של ממשלת בריטניה
החברה מדווחת על גיוס סיד בהיקף של עשרות מיליוני דולרים מ-SovAI, קרן הון הסיכון הממשלתית של בריטניה בתחום ה-AI, ומ-Twin Path Ventures, בין היתר. המייסדים סירבו לחשוף את הסכום המדויק או את השווי.
SovAI הוקמה השנה במטרה להשקיע בסטארט-אפים בריטיים שיכולים להפוך לרכיבים חיוניים בשרשרת האספקה העולמית של AI, וכך להעניק למדינה מנוף גיאופוליטי. לרשות הקרן כ-800 מיליון דולר, והיא יכולה להציע לחברות שלה גישה למחשב-העל הלאומי של בריטניה ל-AI. Joséphine Kant, ראש תחום המיזמים ב-SovAI שהצטרפה לדירקטוריון החברה, אמרה שהגישה הפיזיקלית מבדלת את Potential Sciences, ושמשאבי המחשוב יאפשרו לה לעבוד בהיקף שקשה להשיג בסטארט-אפ קטן.
למה זה חשוב
אם השיטה תעבוד, כך לפי Helal, הוזלת הניסויים עשויה להפוך לכדאית את פיתוח התרופות למחלות נדירות שנותרו עד כה ללא טיפול, ואף לקרב טיפולים המותאמים לביולוגיה של המטופל. בינתיים זו הבטחה ולא תוצאה. המשמעות היא שהמבחן המרכזי של החברה יהיה ככל הנראה עד כמה הסימולציות משקפות את מה שקורה בגוף האדם, שכן מודל שאומן על נתונים מדומים טוב רק כמו הסימולציה שיצרה אותם.