Digamos que eres una compañía farmacéutica. Has descubierto que una molécula nueva podría ser efectiva para tratar una enfermedad, pero esa molécula solo existe en una simulación. ¿Cómo lo haces, y lo suficiente, para probarlo en el mundo real? Molecule.one es una plataforma de química computacional que ayuda a dar vida a sustancias teóricas, y está presentando su producto en el escenario en Disrupt SF Startup Battlefield.
La química computacional es, lo creas o no, una especie de boleto caliente en este momento. La explosión de los recursos informáticos en la última década ha hecho posible que los sistemas extremadamente complejos de biología molecular se simulen con la suficiente fidelidad para producir nuevos medicamentos 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 ambiente celular, los químicos computacionales también pueden introducir y observar virtualmente el comportamiento de miles o millones de moléculas que no ocurren naturalmente, pero podrían, por ejemplo, bloquear el exceso de proteínas y etiquetarlas para eliminarlas. la célula.
Este proceso de descubrimiento de drogas ha sido productivo, pero a diferencia del mundo real, en una simulación no tienes que hacer esa molécula mágica. Es solo un grupo 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 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 ingerido 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 se reunió con el cofundador Paweł Włodarczyk-Pruszyński (quien pasa por Maxus para evitar confusiones con el COO Paweł Łaskarzewski) mientras estudiaban e investigaron juntos, y ambos obtuvieron MD. Descubrieron una aversión compartida al duro trabajo de la química: vasos, destilados, titulación, etc.
“Descubrimos que compartimos un enfoque analítico similar a la química. A muchos químicos les gusta mucho el proceso de cocción involucrado en 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 pueden automatizarse y deben automatizarse ".
"La automatización de la síntesis orgánica parece ser otro problema de automatización difícil, pero tiene efectos reales. La gente real está sufriendo porque las drogas están llegando al mercado ”, dijo. “Pensamos que podríamos ayudar. Así que investigamos un poco y descubrimos que el campo está tan poco desarrollado que la dirección de 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 mercado para esto. No fue un descubrimiento científico que se sentaría en un estante, podría aplicarse hoy para ayudar a múltiples industrias ".
Cuando estaban trabajando en esto, las empresas ya estaban aplicando la simulación, y las técnicas estadísticas (el aprendizaje automático es esencialmente un análisis estadístico de nivel de arma) ya estaban apareciendo. BenevolenteAI comenzó en 2013 Recursion en 2014, Atomwise en 2015; claramente el campo estaba creciendo y todavía está agregando nuevas compañías, 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 necesita verificar si las predicciones tienen algún respaldo en la vida real. Para eso necesitas acceso físico a estas moléculas, solo saber que 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 disponibles a los que usted desea", dijo Włodarczyk-Pruszyński. “En el camino necesitamos resolver muchos problemas, hay muchas razones por las cuales una reacción podría fallar. Queremos decirles a los usuarios cómo hacer compuestos con el proceso con la mayor probabilidad de éxito ".
Y tienen éxito: "Nuestro sistema funciona para estructuras que nunca han sido vistas por ningún químico", dijo Byrski.
La pregunta obvia es por qué estas grandes compañías farmacéuticas, con sus bolsillos sin fondo y su experiencia técnica, no crean sus propias plataformas de síntesis. Se trata de personas.
"El factor más importante es que es difícil para una compañía 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 capacitación en aprendizaje automático. Este es un problema difícil que requiere llegar desde la dirección opuesta ”, explicó Byrski. “Nuestro jefe de aprendizaje automático (Stanislaw Jastrzębski) es un doctorado en computación, que normalmente iría a Google, Facebook o Microsoft. Hemos creado un equipo que es único en la forma en que une la tecnología computacional y la química ".
Las bases de datos utilizadas por los sistemas de Molecule.one, sorprendentemente, son en su mayoría públicas. La oficina de patentes de EE. UU. Tiene toneladas de patentes que involucran procesos químicos: algunas importantes, otras pequeñas, otras oscuras, otras 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 a la espera de ser ensambladas en la máquina correcta.
La principal información "patentada" que utilizaron fue una lista privada de productos químicos disponibles comercialmente y sus precios. Una molécula puede tener más de una vía para llegar a ella, después de todo, o quizás miles, y una podría ser más barata que las otras o incluir menos reactivos tóxicos.
Con sólidos resultados de las bases de datos públicas, tienen una mejor oportunidad de lograr que las compañías farmacéuticas compartan sus bases de datos internas al suscribirse al servicio.
El negocio real se lleva a cabo en términos 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 las compañías que prefieren no tener sus secretos comerciales en otro lugar que no sea la infraestructura de la compañía.
Hasta ahora, la compañía se ha puesto al día, y actualmente tiene alrededor de $ 400K en el banco, que Byrski dijo que deberían durar hasta el próximo año. "El mayor costo es la gente", dijo. “Desarrolladores, diseñadores, químicos. Somos un negocio de software, por lo que no tenemos muchos otros costos, no tenemos que contratar un laboratorio, por ejemplo ". Por lo tanto, están buscando financiación para ayudar a contratar y escalar.
Byrski admitió que no es común en Polonia pasar directamente de la escuela de medicina a una startup. 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 drogas que ayudaron a hacer necesario inventar.