Una innovadora startup británica está convencida de que la inteligencia artificial (IA) puede transformar y acelerar el lento y complejo proceso de diseño de fármacos. Potential Sciences tiene como objetivo desarrollar conjuntos de datos químicos a gran escala, utilizando principios fundamentales de la física para simular las interacciones entre átomos, así como la formación de moléculas pequeñas, aminoácidos y proteínas complejas.
Revolucionando el descubrimiento de fármacos
Con estos datos, la empresa busca entrenar modelos de IA y sistemas predictivos que puedan identificar fármacos altamente específicos para enfermedades determinadas, eliminando así la necesidad de costosos y prolongados ensayos en laboratorios. “Queremos que las moléculas que no funcionarán en la clínica fracasen rápidamente”, afirma Hatem Helal, fundador y director ejecutivo de Potential Sciences. “Esto implica contar con mejores herramientas para predecir cómo se comportarán al interactuar con la biología humana”.
Desde su lanzamiento el 5 de noviembre, Potential Sciences ha conseguido financiación inicial en la casa de decenas de millones de dólares, respaldada por SovAI, el fondo de inversión en IA del gobierno británico, y Twin Path Ventures, entre otros inversores. Los detalles sobre el monto específico y la valoración de la startup no han sido revelados.
Impulsando tratamientos innovadores
Si Potential Sciences logra materializar sus expectativas, podría acelerar el desarrollo de nuevos tratamientos para una variedad de enfermedades. Helal sostiene que su enfoque podría también hacer que la investigación de medicamentos para enfermedades raras, que tradicionalmente no han recibido atención, sea rentable para las farmacéuticas. “Deseamos que sea posible contar con tratamientos más personalizados, donde los medicamentos sean combinaciones moleculares únicas adaptadas a la biología individual de cada persona”, explica Helal.
El reto principal radica en la capacidad de la startup para predecir con precisión la interacción de los fármacos candidatos con las proteínas relacionadas con las enfermedades, un avance que requiere un desarrollo significativo en el campo. “Estoy seguro de que habrá mejoras”, comenta Peter Wolynes, profesor de química en la Universidad Rice. No obstante, advierte que “la ingeniería de proteínas aún está en un nivel primitivo”.
El potencial de la inteligencia artificial
Figuras prominentes del sector, como Demis Hassabis, galardonado con el Premio Nobel de Química por su trabajo en Google DeepMind, han señalado que los avances en IA podrían llevar a descubrimientos científicos fundamentales, similar a cómo esta tecnología ha transformado las matemáticas. Las esperanzas de startups como Potential Sciences son que el descubrimiento de fármacos sea uno de los primeros campos científicos en beneficiarse de estas innovaciones.
En la actualidad, muchos laboratorios que utilizan IA para el descubrimiento de fármacos dependen de una única base de datos pública de estructuras atómicas tridimensionales, el Protein Data Bank, que ha sido ampliada durante décadas mediante resultados experimentales. Según Helal, esta base de datos es insuficiente para entrenar modelos de IA que puedan acelerar de manera confiable la búsqueda de fármacos. “Existen alrededor de 10⁶⁰ formas de ensamblar átomos en moléculas que podrían administrarse a los humanos”, señala Helal. “El descubrimiento de fármacos se puede ver como un problema de búsqueda, donde la clave es la rapidez en la exploración de este vasto espacio para encontrar moléculas prometedoras para enfermedades específicas”.
Desarrollo de bases de datos sintéticas
Para superar este obstáculo, Potential Sciences se propone crear conjuntos de datos mucho más amplios, utilizando datos sintéticos generados a partir de simulaciones de interacciones entre compuestos químicos. Se espera que, al contar con esta información más extensa, la startup pueda entrenar modelos de IA más sofisticados y sistemas de predicción más eficaces.
Expertos académicos apoyan la metodología de simulación adoptada por Potential Sciences. “Si pudiéramos calcular con precisión las interacciones entre todas las moléculas en una célula y las fluctuaciones en su estructura, podríamos predecir dónde se unirían las moléculas, lo que revolucionaría el desarrollo de fármacos”, propone Alan Fersht, profesor emérito de química en la Universidad de Cambridge, especializado en ingeniería de proteínas. “Soy optimista y creo que esto será posible en el futuro”.
Inversión y desafíos del sector
Con el respaldo de SovAI, Potential Sciences se suma a otras compañías dedicadas al descubrimiento de fármacos mediante IA, como Basecamp Research e Isomorphic Labs, así como a startups enfocadas en el descubrimiento de materiales como CuspAI. SovAI fue creado por el gobierno británico con el objetivo de invertir en startups que puedan convertirse en piezas clave en la cadena de suministro global de IA, lo que aporta al país una influencia geopolítica importante. El fondo cuenta con aproximadamente 800 millones de dólares y la capacidad de ofrecer acceso a la supercomputadora nacional de IA del Reino Unido.
“El enfoque físico que emplea Potential Sciences, basado en la física de la química, los distingue de otras empresas”, afirma Joséphine Kant, directora de capital de riesgo de SovAI, quien se ha unido al consejo de administración de la startup como parte de la inversión. “Al proporcionar acceso a recursos informáticos, pueden llevar a cabo este trabajo a una escala que sería difícil para una pequeña startup”.
Retos en el horizonte
A pesar del apoyo gubernamental, el mercado del descubrimiento de fármacos mediante IA es altamente competitivo. Potential Sciences se enfrentará a desafíos significativos de emprendedores y académicos que buscan resolver problemas similares desde diferentes perspectivas. Además, aunque la identificación de fármacos prometedores puede acelerarse, esto no elimina los costos y el tiempo involucrados en probar la seguridad y eficacia de los tratamientos, lo que significa que los nuevos fármacos seguirán tardando en llegar al mercado. “El costo de diseñar un fármaco es mínimo en comparación con determinar sus efectos en diferentes tipos de sujetos”, aclara Wolynes. “En cierto sentido, esto no es el factor limitante”.
A medida que avanza el campo, startups como Potential Sciences también deberán considerar el riesgo de que tecnologías capaces de identificar tratamientos eficaces sean mal utilizadas para desarrollar sustancias químicas peligrosas. “Si podemos diseñar herramientas para minimizar la toxicidad, es lógico pensar que también se podría intentar maximizarla”, advierte Helal.
Potential Sciences aún enfrenta incertidumbres. La startup no ha definido su modelo de ingresos ni ha decidido si sus herramientas estarán disponibles públicamente, dado el potencial de uso indebido. Sin embargo, Helal está convencido de que hay pocos problemas tan críticos que merezcan ser abordados con inteligencia artificial. “Hemos visto muchas oleadas de avances prometedores que no han impactado significativamente en el descubrimiento de fármacos”, concluye Helal. “Es un desafío fundamental y de gran relevancia que debemos intentar resolver”.