A gyógyszerfejlesztés egyik legnagyobb gondja nem az, hogy kevés az ötlet, hanem hogy túl sok a zsákutca. Egy brit startup most azt ígéri: még a labor előtt ki lehetne szórni azokat a molekulákat, amelyekből úgysem lesz működő gyógyszer.

Mi történt

A frissen indult Potential Sciences olyan mesterségesintelligencia-rendszereket akar építeni, amelyek nem elsősorban meglévő laboreredményekre támaszkodnak, hanem nagyrészt szimulált kémiai adatokon tanulnak. A cég terve szerint a fizika alapelveiből indulnak ki: először atomok kölcsönhatásait modellezik, aztán kisebb molekulákét, végül bonyolultabb aminosavakét és fehérjékét. A cél, hogy ebből akkora adatkészlet álljon össze, amelyből az AI jobban meg tudja jósolni, egy adott molekula mennyire lehet alkalmas egy konkrét betegség kezelésére.

Ez fontos különbség a mai AI-alapú gyógyszerkutatáshoz képest. Sok szereplő jelenleg főként nyilvános szerkezeti adatbázisokra épít, például olyan gyűjteményekre, amelyek fehérjék és más molekulák 3D szerkezetét tartalmazzák. Ezek értékesek, de korlátozott méretűek. A Potential Sciences arra fogad, hogy a szintetikus, vagyis számítógéppel előállított adatok segíthetnek sokkal nagyobb „gyakorlóteret” adni a modelleknek. Gondolj rá úgy, mint amikor nem csak néhány ezer valódi vezetési helyzeten tanítasz egy önvezető rendszert, hanem milliónyi szimulált eseten is.

A startup jelentős, több tízmillió dolláros magvető finanszírozást szerzett, többek között a brit államhoz kötődő SovAI alaptól. Ez nemcsak pénzt jelent, hanem hozzáférést is nagy számítási kapacitáshoz, ami ilyen szimulációknál kulcskérdés: az atomok és fehérjék viselkedésének modellezése elképesztően számításigényes feladat.

Miért fontos

Ha ez a megközelítés beválik, a gyógyszerkutatás korai szakasza olcsóbbá és gyorsabbá válhat. Ez különösen ott lehet érdekes, ahol ma egyszerűen nem éri meg elindítani a fejlesztést, például ritka betegségeknél vagy nagyon szűk betegcsoportokra szabott kezeléseknél. A nagy kérdés ugyanakkor az, hogy a modellek valóban elég pontosan tudják-e előre jelezni, hogyan kötődik egy molekula egy betegséghez kapcsolódó fehérjéhez, és hogyan viselkedik majd az emberi biológiában. Ebben van optimizmus, de nincs garancia: a Wired által megszólaltatott szakértők szerint a szimulációs irány ígéretes, viszont a valódi áttöréshez látványos pontosságjavulás kell.

Mire figyelj

  1. Az első valódi bizonyíték az lesz, hogy a cég tud-e a gyakorlatban jobb gyógyszerjelölteket találni, nem csak elméletben jobb modelleket építeni.
  2. Érdemes figyelni, hogyan kezelik a „szintetikus adatok” minőségét. A sok adat önmagában nem elég, ha a szimulációk torzak vagy túl egyszerűek.
  3. Fontos korlát, hogy még a legjobb AI sem váltja ki az állatkísérleteket, a biztonságossági vizsgálatokat és a klinikai teszteket. A tervezés gyorsulhat, de a piacra jutás így is hosszú folyamat marad.
  4. Külön kérdés lesz a kettős felhasználás kockázata: ugyanazok az eszközök, amelyek hasznos molekulákat keresnek, elvben veszélyes vegyületek tervezésére is alkalmasak lehetnek. Ez nem mellékszál, hanem a technológia egyik legfontosabb szabályozási próbája lehet.