Kutatás · Wired ·
Brit startup szimulációs adatokkal keresne új gyógyszereket
A brit Potential Sciences mesterséges intelligenciával, fizikai szimulációkra épülő adatokkal szeretné felgyorsítani a gyógyszerjelöltek keresését, a költséges laboratóriumi kísérletek kihagyásával.
A brit Potential Sciences november 5-én indult, alapítója és vezérigazgatója Hatem Helal. A cég fizikai elveken alapuló szimulációkkal modellezi az atomok, a kismolekulák, majd a fehérjék közötti kölcsönhatásokat, hogy nagy méretű vegyi adatbázisokat építsen. Ezekből szimulált adatokra épülő modellek tanítását tervezi, amelyek célzott hatású gyógyszerjelölteket azonosíthatnak.
A cég kezdeti finanszírozása több tízmillió dollár, a befektetők között van a SovAI, a brit kormány mesterséges intelligencia kockázatitőke-alapja, és a Twin Path Ventures. A pontos összeget és az értékelést a alapítók nem hozták nyilvánosságra. Helal szerint a szimulációk csökkenthetik a kísérletek költségét, így a gyógyszergyárak ritka betegségek kezelése területén is érdemesnek találhatják a fejlesztést.
Helal szerint a nyilvános Protein Data Bank adatbázisa túl kicsi ahhoz, hogy megbízhatóan gyorsítsa a jelöltek keresését, a lehetséges molekulakombinációk száma pedig nagyjából 10^60. A cég még nem döntött a bevételszerzésről, és arról sem, hogy modelljeit ingyen teszi-e elérhetővé, mivel a visszaélésre alkalmas technológia kockázata fennáll.
Miért fontos neked?
A gyógyszerkutatással foglalkozó csapatok és gyógyszergyárak figyelhetik, mennyire gyorsul a jelöltek szűrése. A pontosság még nem bizonyított: a fehérjekötődések előrejelzése a cég célja, nem eredménye, és a klinikai vizsgálatok ideje így is hosszú marad.
Eredeti cím: Finding New Drugs Is Laborious. This AI Startup Is Skipping The Lab Work
Címkék: gyógyszerkutatás, startup, szimuláció