سال گذشته، Salesforce، شرکتی که بیشتر به خاطر نرم‌افزار پشتیبانی فروش ابری (و Slack) معروف است، پروژه‌ای به نام ProGen را برای طراحی پروتئین‌ها با استفاده از هوش مصنوعی مولد رهبری کرد. محققان پشت آن در یک پست وبلاگی در ژانویه 2023 ادعا کردند که یک مهتاب تحقیقاتی، ProGen - در صورت عرضه به بازار - می‌تواند به کشف درمان‌های پزشکی با هزینه موثرتر از روش‌های سنتی کمک کند.

ProGen در تحقیقات منتشر شده در مجله Nature Biotech به اوج خود رسید و نشان داد که هوش مصنوعی می تواند با موفقیت ساختارهای سه بعدی پروتئین های مصنوعی را ایجاد کند. اما، فراتر از مقاله، این پروژه در Salesforce یا هر جای دیگر چندان زیاد نبود - حداقل نه در مفهوم تجاری.

یعنی تا همین اواخر.

یکی از محققان مسئول ProGen، علی مدنی، شرکتی به نام Profluent راه‌اندازی کرده است که امیدوار است فناوری‌های مشابه تولید پروتئین را از آزمایشگاه خارج کرده و به دست شرکت‌های داروسازی برساند. مدنی در مصاحبه‌ای با TechCrunch، ماموریت Profluent را به‌عنوان «معکوس کردن پارادایم توسعه دارو» توصیف می‌کند که از نیازهای بیمار و درمانی شروع می‌شود و برای ایجاد راه‌حل‌های درمانی «مناسب سفارشی» کار می‌کند.

مدنی گفت: «بسیاری از داروها - به عنوان مثال آنزیم ها و آنتی بادی ها - از پروتئین تشکیل شده اند. پس در نهایت این برای بیمارانی است که پروتئین طراحی شده با هوش مصنوعی را به عنوان دارو دریافت می کنند.

مدنی در حالی که در بخش تحقیقاتی Salesforce بود، متوجه تشابهات بین زبان طبیعی (به عنوان مثال انگلیسی) و "زبان" پروتئین ها شد. مدنی کشف کرد که پروتئین‌ها - زنجیره‌ای از اسیدهای آمینه متصل به هم که بدن برای اهداف مختلف، از ساخت هورمون‌ها تا ترمیم بافت‌های استخوانی و ماهیچه‌ای استفاده می‌کند - می‌توانند مانند کلمات در یک پاراگراف رفتار شوند. داده‌های مربوط به پروتئین‌ها با استفاده از یک مدل هوش مصنوعی مولد می‌توانند برای پیش‌بینی پروتئین‌های کاملاً جدید با عملکردهای جدید مورد استفاده قرار گیرند.

با پروفلونت، مدنی و یکی از بنیانگذاران الکساندر میسک، استادیار میکروبیولوژی در دانشگاه واشنگتن، قصد دارند با به کار بردن این مفهوم در ویرایش ژن، قدمی فراتر بردارند.

مدنی گفت: «بسیاری از بیماری‌های ژنتیکی را نمی‌توان با [پروتئین‌ها یا آنزیم‌هایی] که مستقیماً از طبیعت برداشته می‌شود، رفع کرد. علاوه بر این، سیستم‌های ویرایش ژن که برای قابلیت‌های جدید ترکیب شده و همسان شده‌اند، از مبادلات عملکردی رنج می‌برند که به طور قابل‌توجهی دسترسی آنها را محدود می‌کند. در مقابل، Profluent می‌تواند چندین ویژگی را به طور همزمان برای دستیابی به یک ویرایشگر [ژن] طراحی‌شده سفارشی که برای هر بیمار مناسب است، بهینه کند.

خارج از میدان چپ نیست. شرکت‌ها و گروه‌های تحقیقاتی دیگر راه‌های قابل‌دوام را نشان داده‌اند که در آنها می‌توان از هوش مصنوعی مولد برای پیش‌بینی پروتئین‌ها استفاده کرد.

انویدیا در سال 2022 یک مدل هوش مصنوعی مولد به نام MegaMolBART منتشر کرد که بر روی مجموعه داده‌ای از میلیون‌ها مولکول برای جستجوی اهداف دارویی بالقوه و پیش‌بینی واکنش‌های شیمیایی آموزش دیده بود. متا مدلی به نام ESM-2 را بر روی توالی پروتئین ها آموزش داد، رویکردی که شرکت ادعا می کرد به آن اجازه می دهد توالی بیش از 600 میلیون پروتئین را تنها در دو هفته پیش بینی کند. و DeepMind، آزمایشگاه تحقیقاتی هوش مصنوعی گوگل، سیستمی به نام AlphaFold دارد که ساختارهای پروتئینی کامل را پیش‌بینی می‌کند و سرعت و دقتی بسیار فراتر از روش‌های الگوریتمی قدیمی‌تر و کمتر پیچیده‌تر را به دست می‌آورد.

Profluent در حال آموزش مدل‌های هوش مصنوعی بر روی مجموعه داده‌های عظیم - مجموعه داده‌هایی با بیش از 40 میلیارد توالی پروتئین - برای ایجاد سیستم‌های جدید ویرایش ژن و تولید پروتئین و همچنین تنظیم دقیق سیستم‌های موجود است. این استارت‌آپ به‌جای توسعه درمان‌ها، قصد دارد با شرکای خارجی همکاری کند تا «داروهای ژنتیکی» را با امیدوارکننده‌ترین مسیرها برای تأیید تولید کند.

مدنی ادعا می کند که این رویکرد می تواند به طور چشمگیری مقدار زمان - و سرمایه - را که معمولاً برای توسعه یک درمان لازم است کاهش دهد. طبق گزارش گروه صنعتی PhRMA، تولید یک داروی جدید از زمان کشف اولیه از طریق تأیید نظارتی به طور متوسط ​​10 تا 15 سال طول می کشد. در همین حال، برآوردهای اخیر هزینه توسعه یک داروی جدید را بین چند صد میلیون تا 2.8 میلیارد دلار می‌داند.

مدنی گفت: «بسیاری از داروهای تأثیرگذار در واقع به طور تصادفی کشف شدند، نه اینکه عمدی طراحی شوند. "قابلیت [Profluent] فرصتی را به بشریت می دهد تا از کشف تصادفی به طراحی عمدی مورد نیازترین راه حل های ما در زیست شناسی حرکت کند."

Profluent مستقر در برکلی با 20 کارمند توسط مهاجمان سنگین VC از جمله Spark Capital (که در دور اخیر سرمایه 35 میلیون دلاری شرکت رهبری شد)، Insight Partners، Air Street Capital، AIX Ventures و Convergent Ventures حمایت می شود. جف دین، دانشمند ارشد گوگل نیز به این پلتفرم کمک کرده است.

مدنی او میگوید تمرکز Profluent در چند ماه آینده ارتقای مدل‌های هوش مصنوعی خود، تا حدی با گسترش مجموعه داده‌های آموزشی و جذب مشتری و شریک خواهد بود. باید به صورت تهاجمی حرکت کند. رقبا، از جمله EvolutionaryScale و Basecamp Research، به سرعت مدل‌های تولید پروتئین خود را آموزش می‌دهند و مبالغ هنگفتی از پول نقد VC را جمع‌آوری می‌کنند.

مدنی گفت: "ما پلتفرم اولیه خود را توسعه داده ایم و پیشرفت های علمی در ویرایش ژن نشان داده ایم." اکنون زمان آن فرا رسیده است که با شرکای خود راه حل هایی را که با جاه طلبی های ما برای آینده مطابقت دارد، افزایش دهیم و شروع کنیم.»

خبرکاو