Digamos que eres una compañía farmacéutica. Descubrió que una molécula novedosa podría ser efectiva para tratar una enfermedad, pero esa molécula solo existe en una simulación. ¿Cómo lo haces realmente, y lo suficiente, para probarlo en el mundo real? Molécula.uno es una plataforma de química computacional que ayuda a dar vida a sustancias teóricas y está presentando su producto en el escenario de Disrupt SF Startup Battlefield.
La química computacional es, créalo o no, algo así como un boleto caliente en este momento. La explosión de los recursos informáticos durante la última década ha hecho posible que los sistemas extremadamente complejos de la biología molecular se simulen con la suficiente fidelidad para producir nuevos fármacos y otras sustancias importantes.
Por ejemplo, supongamos que una empresa sabe que una condición es causada por la sobreproducción de una proteína determinada. Al simular esa proteína en la sopa del entorno celular, los químicos computacionales también pueden introducir y observar virtualmente el comportamiento de miles o millones de moléculas que no ocurren de forma natural pero que podrían, por ejemplo, encerrar ese exceso de proteínas y etiquetarlas para eliminarlas mediante la célula.
Este proceso de descubrimiento de fármacos ha sido productivo, pero a diferencia del mundo real, en una simulación no tienes que hacer esa molécula mágica. Es solo un montón de números que interactúan con otros números. ¿Cómo puede una compañía farmacéutica, que puede haber pagado mucho dinero por esos números, convertirlos en moléculas reales? Ahí es donde interviene Molecule.one.
Esencialmente, la compañía ha creado una plataforma de software que automatiza el proceso de pasar de los químicos A, B y C al químico Z, con los muchos pasos intermedios contabilizados y documentados. Se basa en un sistema de aprendizaje automático que ha absorbido millones de patentes y procesos químicos conocidos, lo que le permite conectar los puntos y proponer un método para crear prácticamente cualquier molécula orgánica compleja. En otras palabras, una vez que una compañía farmacéutica tiene el “qué”, una molécula o compuesto que puede combatir el Alzheimer, Molecule.one proporciona el “cómo”.
Piotr Byrski conoció al cofundador Paweł Włodarczyk-Pruszyński (que usa el nombre de Maxus para evitar confusiones con el director de operaciones Paweł Łaskarzewski) mientras estaban en la universidad, donde estudiaron e investigaron juntos, y finalmente ambos obtuvieron un doctorado. Descubrieron una aversión compartida por el trabajo duro de la química: vasos de precipitados, destilados, titulación, etc.
“Descubrimos que compartíamos un enfoque analítico similar de la química. A muchos químicos les gusta mucho el proceso de cocción relacionado con la síntesis orgánica”, me dijo Byrski. “Tengo que decir… nunca me gustó mucho. Eso me hizo pensar que hay muchas cosas en la vida cotidiana de un químico que se pueden automatizar y necesitan ser automatizadas”.
“La automatización de la síntesis orgánica parece simplemente otro problema de automatización difícil, pero tiene efectos reales. La gente real está sufriendo porque las drogas están llegando al mercado”, dijo. “Pensamos que podíamos ayudar. Así que investigamos un poco y descubrimos que el campo está muy poco desarrollado: la dirección en la que va la investigación es completamente insatisfactoria. Comenzamos la investigación de mercado (ambos éramos novatos, por lo que era bastante nuevo para nosotros en ese momento) y descubrimos que había una gran necesidad de esto en el mercado. No fue un descubrimiento científico que se quedaría en un estante, podría aplicarse hoy para ayudar a múltiples industrias”.
En el momento en que estaban trabajando en esto, las empresas ya estaban aplicando simulación y ya estaban apareciendo técnicas estadísticas (el aprendizaje automático es esencialmente un análisis estadístico de grado armamentístico). BenevolentAI comenzó en 2013, Recursion en 2014, Atomwise en 2015; Claramente, el campo estaba creciendo y aún está agregando nuevas empresas, como ReviveMed. Pero estos se centran principalmente en la cuestión de los nuevos medicamentos basados en simulaciones.
“Proporcionan una lista de quizás decenas de miles de estructuras a una compañía farmacéutica, pero la compañía luego necesita verificar si las predicciones tienen algún respaldo en la vida real. Para eso, necesita acceso físico a estas moléculas, solo saber la estructura no es suficiente”, dijo Byrski.
El sistema de Molecule.one les dice cómo manifestar estas estructuras.
“Estamos haciendo toda la ruta de síntesis, pasando de los compuestos que están disponibles a los que desea”, dijo Włodarczyk-Pruszyński. “En el camino, debemos resolver muchos problemas: hay muchas razones por las que una reacción podría fallar. Queremos decirles a los usuarios cómo hacer compuestos con el proceso con la mayor probabilidad de éxito”.
Y lo han logrado: “Nuestro sistema funciona para estructuras que ningún químico nunca antes había visto”, dijo Byrski.
La pregunta obvia es por qué estas grandes compañías farmacéuticas, con sus bolsillos sin fondo y su experiencia técnica, no arman sus propias plataformas de síntesis. Todo se reduce a la gente.
“El factor más importante es que es difícil para una empresa farmacéutica contratar especialistas en aprendizaje automático que tengan una gran experiencia en química. Más del 90 por ciento de las personas que conozco que trabajan en esto en el negocio farmacéutico son químicos que tienen alguna capacitación en aprendizaje automático. Este es un problema difícil que requiere abordarlo desde la dirección opuesta”, explicó Byrski. “Nuestro jefe de aprendizaje automático [Stanislaw Jastrzębski] es un doctorado del lado computacional, que normalmente iría a Google, Facebook o Microsoft. Hemos construido un equipo que es único en la forma en que une la tecnología computacional y la química”.
Sorprendentemente, las bases de datos utilizadas por los sistemas de Molecule.one son en su mayoría públicas. La oficina de patentes de EE. UU. tiene toneladas de patentes que involucran procesos químicos, algunas importantes, algunas pequeñas, algunas oscuras, algunas obvias, pero todas verificadas y presentadas formalmente. Esta era una mina de oro a la vista, dijo Byrski. O tal vez una caja llena de piezas de Lego esperando ser ensambladas en la máquina adecuada.
La principal información “propietaria” que utilizaron fue una lista privada de productos químicos disponibles comercialmente y sus precios. Después de todo, una molécula puede tener más de un camino para llegar a ella, o tal vez miles, y uno puede ser más barato que los demás o involucrar menos reactivos tóxicos.
Con buenos resultados de las bases de datos públicas, tienen más posibilidades de lograr que las empresas farmacéuticas compartan sus bases de datos internas cuando se registran en el servicio.
El negocio real se lleva a cabo en forma de SaaS, naturalmente, y todo el trabajo se lleva a cabo en la nube. También hay un nivel empresarial que permite la operación local, para empresas que prefieren no tener sus secretos comerciales en ningún otro lugar que no sea en la infraestructura propiedad de la empresa.
Hasta ahora, la compañía se ha puesto en marcha y actualmente tiene alrededor de $ 400K en el banco, lo que, según Byrski, debería durarles hasta bien entrado el próximo año. “El mayor costo es la gente”, dijo. “Desarrolladores, diseñadores, químicos. Somos una empresa de software, por lo que no tenemos muchos otros costos; por ejemplo, no tenemos que contratar un laboratorio”. Por lo tanto, están buscando financiamiento para ayudar a contratar y escalar.
No es común en Polonia pasar directamente de la facultad de medicina a una startup, admitió Byrski. Pero él y Włodarczyk-Pruszyński sintieron que esta era una oportunidad demasiado importante para hacer el bien como para dejarla pasar. Con suerte, su plataforma será tan popular como las nuevas empresas de descubrimiento de fármacos que ayudaron a que fuera necesario inventarlo.
Source link