La startup británica consiguió financiación de un fondo de inversión del Gobierno del Reino Unido para entrenar modelos de IA con datos bioquímicos generados por computadora. Su objetivo es identificar candidatos a medicamentos sin depender inicialmente de costosos y lentos experimentos de laboratorio.
El desarrollo de nuevos medicamentos podría ingresar en una nueva etapa si la inteligencia artificial consigue resolver uno de los principales obstáculos de la industria farmacéutica: predecir con precisión cómo se comportarán las moléculas dentro del organismo humano. Esa es la apuesta de Potential Sciences, una startup británica que busca construir modelos de inteligencia artificial a partir de simulaciones de interacciones químicas y biológicas, en lugar de depender exclusivamente de los datos obtenidos mediante experimentos tradicionales.
La compañía, que inició sus operaciones el 5 de noviembre, pretende generar grandes conjuntos de datos sintéticos utilizando principios fundamentales de la física. El proceso comienza con simulaciones de interacciones entre átomos y moléculas pequeñas, para avanzar luego hacia estructuras más complejas, como aminoácidos y proteínas.
Con esa información, Potential Sciences quiere entrenar modelos capaces de anticipar cómo se comportarán distintos compuestos al interactuar con la biología humana y, de esa manera, identificar candidatos prometedores para tratamientos específicos.
“Queremos que las moléculas que nunca van a funcionar en la práctica clínica fracasen rápidamente”, explicó Hatem Helal, fundador y CEO de la compañía, en una entrevista con WIRED. “Eso significa contar con mejores predictores de cómo se comportarán cuando interactúen con la biología humana”.
El respaldo del Gobierno británico y una financiación de millones de dólares
Potential Sciences anunció que obtuvo una inversión semilla de decenas de millones de dólares de SovAI, el fondo de capital de riesgo especializado en inteligencia artificial del Gobierno del Reino Unido, y Twin Path Ventures, entre otros inversores. Sus fundadores no revelaron el monto exacto de la operación ni la valuación alcanzada por la startup.
La participación de SovAI constituye un respaldo relevante para una empresa que todavía debe demostrar que sus modelos pueden producir predicciones suficientemente precisas. El fondo fue creado por el Gobierno británico con el objetivo de invertir en startups nacionales que puedan convertirse en componentes estratégicos de la cadena global de suministro de inteligencia artificial.
SovAI dispone de aproximadamente U$S 800 millones para sus inversiones y puede ofrecer a las compañías de su cartera acceso a la supercomputadora nacional de inteligencia artificial del Reino Unido.
Joséphine Kant, responsable de inversiones de SovAI y nueva integrante del directorio de Potential Sciences, destacó que el enfoque de la startup se diferencia de otras propuestas del sector. “Abordar el descubrimiento de medicamentos desde la física, desde la física de la química, distingue a Potential Sciences de otras compañías”, afirmó. También señaló que el acceso a recursos de computación permitirá desarrollar investigaciones a una escala que sería muy difícil de alcanzar para una startup pequeña.
Con esta inversión, Potential Sciences se suma a otras empresas de inteligencia artificial respaldadas por SovAI, entre ellas Basecamp Research e Isomorphic Labs, dedicadas al descubrimiento de medicamentos, y CuspAI, enfocada en el descubrimiento de materiales.
El desafío de superar los límites de los datos disponibles
Una parte importante de las empresas que trabajan en el descubrimiento de medicamentos mediante inteligencia artificial desarrolla sus modelos utilizando información de Protein Data Bank, una base de datos pública que reúne estructuras atómicas tridimensionales obtenidas mediante experimentos científicos durante décadas.
Para Helal, el problema es que ese conjunto de información todavía resulta demasiado limitado para entrenar modelos capaces de acelerar de manera confiable la búsqueda de nuevos candidatos farmacológicos.
El fundador de Potential Sciences plantea el descubrimiento de medicamentos como un problema de búsqueda dentro de un espacio molecular extraordinariamente amplio. Según explicó, existen alrededor de 10 elevado a la potencia de 60 maneras de organizar átomos del universo en moléculas que potencialmente podrían administrarse a una persona.
La estrategia de la startup consiste en ampliar significativamente la cantidad de información disponible mediante simulaciones computacionales. La hipótesis es que, con conjuntos de datos mucho mayores, será posible entrenar modelos más avanzados y mejorar la capacidad de anticipar qué moléculas podrían interactuar con determinadas proteínas relacionadas con enfermedades.
El enfoque genera interés entre investigadores. Alan Fersht, profesor emérito de Química de la Universidad de Cambridge y especialista en ingeniería de proteínas, considera que calcular con precisión las interacciones entre las moléculas de una célula y las fluctuaciones de sus estructuras permitiría anticipar dónde se unirían determinados compuestos. Según sostuvo, ese avance podría transformar el desarrollo de medicamentos y se mostró optimista respecto de que eventualmente sea posible.
Sin embargo, Peter Wolynes, profesor de Química de la Universidad Rice, advirtió que todavía existe una distancia importante entre las capacidades actuales y el nivel de precisión necesario para diseñar proteínas y medicamentos de manera confiable. Aunque considera que la propuesta probablemente represente una mejora, señaló que la ingeniería de proteínas todavía se encuentra en una etapa relativamente rudimentaria.
La inteligencia artificial no elimina los ensayos clínicos
El principal interrogante es si Potential Sciences conseguirá predecir la interacción entre los candidatos a medicamentos y las proteínas vinculadas con enfermedades con la precisión que promete su enfoque. Para lograrlo, necesitará demostrar un salto significativo en las capacidades de sus modelos.
Incluso si consigue acelerar la identificación de moléculas prometedoras, eso no significa que los medicamentos puedan llegar más rápido a los pacientes en todos los casos. Los candidatos todavía deberán atravesar pruebas para determinar su seguridad y eficacia, primero en etapas preclínicas y luego en estudios con personas.
Wolynes advirtió que el costo de diseñar un medicamento puede ser pequeño en comparación con el de descubrir qué efectos produce en animales y seres humanos. Por eso, acelerar el diseño molecular no necesariamente resolverá el principal cuello de botella del desarrollo farmacéutico.
También existe un desafío relacionado con la seguridad. Las herramientas capaces de diseñar moléculas y reducir su toxicidad podrían utilizarse, en sentido contrario, para desarrollar sustancias peligrosas. El propio Helal reconoció ese riesgo: “Si podemos diseñar herramientas que minimicen perfectamente la toxicidad, estamos a un pequeño cambio de maximizarla también”.
Potential Sciences todavía no definió cómo monetizará las distintas tecnologías que está desarrollando ni si permitirá que sus modelos estén disponibles gratuitamente. La decisión también estará condicionada por los posibles usos indebidos de esas herramientas.
La apuesta, sin embargo, apunta a un problema de enorme impacto para la industria farmacéutica. Helal considera que la inteligencia artificial puede abrir nuevas posibilidades para desarrollar tratamientos personalizados y medicamentos destinados a enfermedades poco atendidas por sus elevados costos de investigación.
“Queremos hacer posible que existan más tratamientos a medida para las enfermedades, con combinaciones moleculares únicas adaptadas a la biología de cada persona”, afirmó el CEO.
Si consigue validar sus predicciones, Potential Sciences podría contribuir a que la búsqueda de nuevos medicamentos sea más rápida y menos costosa. Pero todavía deberá demostrar que las simulaciones generadas por computadora pueden traducirse en resultados confiables dentro de la biología real.
