Die Biotech-Branche erlebt einen Ansturm von KI-gestützten Tools für viele Aspekte des komplexen Arzneimittelforschungsprozesses. Aber eine, die unter dem Radar geflogen ist, von der zunehmend angenommen wird, dass sie der Schlüssel zu bestimmten Krankheiten ist, aber leider zu wenig erforscht ist, ist RNA. Mit 35 Millionen US-Dollar an neuen Finanzmitteln Atomare KI zielt darauf ab, für RNA das zu tun, was AlphaFold für Proteine getan hat, und dabei völlig neue Behandlungen zu finden.
Wenn Sie sich noch an Ihre Highschool-Biologie erinnern können, erinnern Sie sich wahrscheinlich an RNA als eine Art Mittelsmann zwischen DNA (Langzeitspeicherung von Informationen) und Proteinen (der Maschinerie des zellulären Lebens auf molekularer Ebene). Aber wie die meisten Dinge in der Natur scheint es nicht ganz so einfach zu sein, erklärte Raphael Townshend, CEO und Gründer von Atomic AI.
„Es gibt dieses zentrale Dogma, dass DNA zu RNA wird, die zu Proteinen geht. Aber in den letzten Jahren hat sich herausgestellt, dass es viel mehr kann, als nur Informationen zu kodieren“, sagte er in einem Interview mit Tech. „Wenn Sie sich das menschliche Genom ansehen, werden etwa 2 % irgendwann zu Proteinen. Aber 80 Prozent werden zu RNA. Und es tut … wer weiß was? Es ist weitestgehend unerforscht.“
Im Vergleich zu DNA und Proteinen wurde auf diesem Gebiet wenig Arbeit geleistet. Die Wissenschaft hat sich auf andere Teile des Puzzles konzentriert und Pharmazeutika haben, teilweise als Folge davon, Proteine als Mechanismen für Arzneimittel verfolgt. Das Ergebnis ist ein schwerwiegender Mangel an Wissen und Daten über RNA-Strukturen.
Was Atomic AI jedoch postuliert, ist, dass RNA funktionsfähig und es wert ist, als Behandlungsmethode verfolgt zu werden. Das Geheimnis liegt in den „nicht codierenden“ Regionen der RNA, die wie die Kopf- und Fußzeile eines Dokuments sind. Sie leisten proteinähnliche Arbeit, sind aber keine Proteine – und sie sind nicht das einzige Beispiel.
Sie können sich RNA-Stränge als Perlenketten vorstellen, viel mehr Schnur als Perle. Die Saite ist „floppy“ und mehr oder weniger das, wofür ihre Kritiker sie halten: ein Mittelding. Aber hin und wieder bekommt man einen wirklich interessanten Knoten, der sich wahrscheinlich nicht zufällig gebildet hat. Wie bei Proteinen, wenn Sie ihre Struktur herausfinden können, trägt das viel dazu bei, zu verstehen, was sie tun und wie sie beeinflusst werden können.
„Der Schlüssel liegt darin, diese Perlen zu finden, diese strukturierten Bits. Es hat einen hohen Informationsgehalt, ist zielgerichtet und wahrscheinlich auch funktional“, sagte Townshend. „Es wird in der Arzneimittelforschung als eine wichtige neue Grenze angesehen.“
Eine interessante Idee für eine Abschlussarbeit vielleicht (und das war sie für Townshend), aber wie kann man darauf ein Unternehmen aufbauen?
Erstens, wenn das Gebiet an Bedeutung gewinnen wird, ist der Ausbau der Lernmethoden sehr wertvoll. Wenn Sie diese Methoden dann erstellen, können Sie sie als Erste verwenden. Atomic AI macht beides gleichzeitig.
Ein rotierendes 3D-Modell einer von PARSE vorhergesagten RNA-Strangstruktur.
Der Kern von Atomics IP ist, obwohl dies eine Art Vereinfachung ist, ein AlphaFold für RNA. Die Biologie ist anders, und die Art und Weise, wie die Modelle funktionieren, ist anders, aber die Idee ist dieselbe: ein maschinelles Lernmodell, das auf einer begrenzten Menge eines Molekültyps trainiert wird, das genaue Vorhersagen über die Struktur anderer Moleküle dieses Typs treffen kann.
Das Verrückte ist, dass Townshends Team genau ein solches Modell erstellt hat, das andere bei weitem übertrifft, indem es mit den Eigenschaften von nur 18 RNA-Molekülstrukturen gefüttert wurde, „die zwischen 1994 und 2006 veröffentlicht wurden“. Dieses absolut nackte Modell hat mit anderen den Boden gewischt, wie in einem Artikel auf der Titelseite offenbart, der 2021 in Science veröffentlicht wurde.
Seitdem, fügte Townshend schnell hinzu, hat das Unternehmen seine Modelle und Methoden mit mehr Rohmaterial, von dem es viele in seinen eigenen Nasslaboren selbst hergestellt hat, erheblich erweitert. Sie nennen den aktualisierten Werkzeugsatz PARSE: Platform for AI-driven RNA Structure Exploration.
„Das Science Paper stellte einen ersten Durchbruch dar, aber wir haben tatsächlich eine riesige Menge an … Struktur-benachbart Daten“, erklärt er. „Nicht die vollständige Struktur selbst, sondern Daten, die sich auf die Struktur beziehen, zig Millionen Datenpunkte; die gleiche Menge an Daten, die Sie zum Trainieren großer Sprachmodelle benötigen würden. Und in Kombination mit anderen Arbeiten zum maschinellen Lernen konnten wir sowohl die Geschwindigkeit als auch die Genauigkeit des Papiers dramatisch verbessern.“
Das bedeutet, dass Atomic AI der einzige ist, der zumindest öffentlich über ein System verfügt, das die Rohdaten eines RNA-Moleküls aufnehmen und eine einigermaßen zuverlässige Schätzung seiner Struktur ausspucken kann. Das ist für jeden nützlich, der RNA-Forschung innerhalb oder außerhalb der Medizin betreibt, und mit Gentherapien und mRNA-Impfstoffen ist das Feld definitiv auf dem Vormarsch.
Eine andere RNA-Struktur (aber anders dargestellt).
Mit einem solchen Tool könnten Sie einen von zwei Wegen gehen: es als „Structure as a Service“-Plattform lizenzieren, wie Townshend es ausdrückte, oder es selbst nutzen. Atomic hat sich für Letzteres entschieden und verfolgt ein eigenes Drug-Discovery-Programm.
Dieser Ansatz unterscheidet sich deutlich von vielen der KI-Entdeckungsprozesse da draußen. Die allgemeine Idee ist, dass Sie ein Protein haben, sagen wir eines, dessen Expression Sie im menschlichen Körper hemmen möchten, aber was Sie nicht haben, ist eine Chemikalie, die zuverlässig und ausschließlich an dieses Protein bindet, genau wo und wann Sie es wollen ( und billig, wenn möglich).
Die Bemühungen der KI zur Entdeckung von Arzneimitteln neigen dazu, Tausende, Millionen oder sogar Milliarden von Kandidatenmolekülen zu produzieren könnte Arbeite, ordne sie und lass die Nasslabore beginnen, die Liste so schnell wie möglich abzuarbeiten. Wenn Sie eines finden, das die oben genannten Eigenschaften erfüllt, können Sie ein neuartiges Medikament herstellen oder ein teureres auf dem Markt ersetzen. Aber das Wichtigste ist, dass Sie konkurrieren, um neue Binder für ein bekanntes Protein zu finden.
„Wir finden nicht nur Bindemittel, wir finden, was überhaupt zielgerichtet ist. Das ist interessant, weil sich diese großen Pharmaunternehmen letzten Endes mehr für neuartige Biologie als für neuartige Moleküle interessieren. Sie ermöglichen etwas, was vorher nicht machbar war, indem Sie dieses neue Ziel finden, anstatt die Anzahl der verfügbaren Moleküle zu erhöhen, um es anzugreifen“, sagte Townshend.
Nicht nur das, einige Proteine haben sich aus welchen Gründen auch immer als nahezu nicht medikamentös behandelbar herausgestellt und verursachen Krankheiten, die gegen Medikamente resistent sind. RNA könnte die Behandlung eben dieser Krankheiten ermöglichen, indem sie dem Problemprotein ein Ende bereitet.
Für den Moment hat Atomic AI die Liste auf bestimmte Krebsarten eingegrenzt, die zu einer pathologischen Überproduktion von Proteinen führen (und daher gute Optionen, um dem Mechanismus vorzubeugen), und neurodegenerativen Erkrankungen, die ebenfalls von vorgeschalteten Eingriffen profitieren können.
Natürlich ist all diese Arbeit immens kostspielig und erfordert eine große Menge an Laborarbeit und intensiver Datenwissenschaft. Glücklicherweise hat das Unternehmen eine A-Runde in Höhe von 35 Millionen US-Dollar aufgebracht, angeführt von Playground Global, mit Beteiligung von 8VC, Factory HQ, Greylock, NotBoring, AME Cloud Ventures sowie den Engeln Nat Friedman, Doug Mohr, Neal Khosla und Patrick Hsu. (Das Unternehmen hat zuvor eine Seed-Runde in Höhe von 7 Millionen US-Dollar aufgebracht.)
„Die Leute haben alle tief hängenden Früchte im Proteinland gepflückt“, sagte Townshend. „Jetzt gibt es neue Biologie zu verfolgen.“