Buvęs „OpenAI“ mokslo vadovas pritraukė 215 mln. dolerių: robotai laboratorijose ieškos naujų vaistų

Sekite TechNaujienos Google

Biotechnologijų bendrovė „Warp Sciences“, kurią kuria su „OpenAI“ anksčiau dirbęs vadovas Kevinas Weilas, pritraukė 215 mln. JAV dolerių kapitalo automatizuotoms mokslinėms laboratorijoms. Investuotojai remia idėją sujungti dirbtinio intelekto modelius ir robotizuotą įrangą taip, kad kompiuteris galėtų pasiūlyti eksperimentą, o sistema jį atliktų ir grąžintų naujus duomenis.

Vaistų kūrimas yra ilgas procesas, apimantis ne tik perspektyvių molekulių atranką, bet ir jų gamybą, biologinių reakcijų matavimus bei vėlesnį saugumo tikrinimą. DI jau naudojamas spėti chemines savybes ir atrinkti junginius, tačiau tokie modeliai gali pateikti klaidingų pasiūlymų, jei jie nepatvirtinami laboratorijoje.

Apie finansavimo etapą spalio 22 dieną pranešė „TechCrunch“. „Warp Sciences“ ambicija – automatizuoti daugiau eksperimentų planavimo ir vykdymo etapų, kad tyrėjai galėtų patikrinti daugiau hipotezių per trumpesnį laiką.

Tokios sistemos pagrindas dažnai vadinamas uždara mokymosi kilpa. DI modelis parenka bandymą, robotas tiksliai paskirsto mėginius, analizatoriai pateikia rezultatus, o modelis atnaujina savo prognozę. Procesas kartojamas tol, kol atsiranda pakankamai duomenų apie dominančią medžiagą ar biologinį mechanizmą.

Naujausi straipsniai

4 min. skaitymo • prieš 48 minutės

„Spotify“ atskleidė stulbinantį skaičių: iš rekomendacijų pašalinta daugiau kaip 50 mln. DI šlamšto kūrinių

4 min. skaitymo • prieš 1 val

40 mln. peržiūrų sulaukusio vaizdo klipo režisierius prabilo: DI kopijos vos neprivertė mesti kino

4 min. skaitymo • prieš 2 val

Buvę „Meta“ inžinieriai sukūrė DI pakabuką, kuris klausosi tik savo savininko: pritraukė 33 mln. dolerių

Visi naujausi straipsniai →

Kodėl robotai nepadaro tyrimų automatiškai patikimų

Automatizuotas eksperimentas gali būti labai greitas, bet jeigu pradinis mėginys užterštas ar matavimo metodas netikslus, klaidos kartosis taip pat greitai. Dėl to laboratorijos turi palaikyti kalibravimo, atsarginių mėginių, kokybės kontrolės ir duomenų atsekamumo sistemas.

DI sprendimai taip pat priklauso nuo tinkamai suformuluoto tikslo. Modelis, optimizuojantis tik vieną matuojamą savybę, gali pasiūlyti junginį, kuris vėliau pasirodys pernelyg toksiškas arba sudėtingas pagaminti. Todėl reikia vertinti daugiau nei vieną biologinį rodiklį ir nuosekliai tikrinti rezultatus.

Finansavimo suma nereiškia, kad „Warp Sciences“ jau sukūrė registruotą vaistą ar gali pakeisti visą mokslininkų komandą. Kapitalas pirmiausia skirtas infrastruktūrai, darbuotojams ir eksperimentų platformai.

Didžiausias laboratorijų automatizacijos iššūkis yra ne pats roboto gebėjimas paimti mėgintuvėlį, bet galimybė užtikrinti, kad šimtai bandymų būtų palyginami tarpusavyje. Matavimo rezultatus gali paveikti temperatūra, reakcijos trukmė, net nedideli dozavimo skirtumai. Todėl naujoms sistemoms reikės ne tik DI, bet ir patikimos kalibravimo procedūros, detalių eksperimentų žurnalų bei nepriklausomo rezultatų atkūrimo. Mokslinis atradimas tampa vertingas tik tada, kai jį gali patikrinti ir kita komanda. Taip pat reikia atsakyti, kaip automatizuota laboratorija elgsis su netikėtais rezultatais, kurie nepatenka į modelio iš anksto numatytas kategorijas. Kartais būtent tokios anomalijos paskatina svarbiausius atradimus. Visa tai rodo, kodėl didelis finansavimas dar nėra tas pats, kas patvirtintas efektyvumo proveržis. Klinikiniai tyrimai bei reguliavimo institucijų leidimai išlieka atskiras ir ilgas etapas.

Vaistų paieškos verslo modelyje svarbu, kaip laboratoriniai rezultatai virsta patentais ir klinikiniais kandidatais. Startuolis gali sėkmingai pagreitinti ankstyvą eksperimentavimą, bet vis tiek susidurti su ilgu saugumo tyrimų keliu. Todėl automatizuotų sistemų rezultatyvumą reikėtų vertinti ne vien atliktų bandymų skaičiumi, bet ir tuo, kiek perspektyvių molekulių pasiekia kitą mokslinio tikrinimo etapą. Taip pat reikia palyginti vieno patikimo eksperimento kainą su tradicinio laboratorinio darbo sąnaudomis. Didelė automatizacija gali pareikalauti brangios įrangos ir patyrusių inžinierių. Sėkmė priklausys ir nuo to, ar rezultatus galima pakartoti kitose laboratorijose, nes tai yra esminė mokslo patikimumo sąlyga. Dėl šių priežasčių finansavimo dydis vertintinas kaip investuotojų tikėjimas galimu proveržiu, o ne jo galutinis įrodymas.

Todėl įmonės pažadus reikėtų vertinti pagal realius eksperimentų ir jų pakartojamumo duomenis, kurie vėliau galėtų būti viešai patikrinti.

Didelės investicijos keičia laboratorijų rinką

Pastaraisiais metais daugybė bendrovių pasuko į DI ir biologijos sandūrą. Investuotojai tikisi, kad automatizuoti bandymai sumažins ankstyvųjų tyrimų kainą ir padės greičiau atsisakyti neveiksmingų hipotezių. Tačiau tokias prognozes būtina grįsti realiais rezultatais, o ne vien eksperimentų skaičiumi.

„TechNaujienos.lt“ anksčiau pristatė autonominių laboratorijų technologijas ir DI naudojimą naujų antibiotikų paieškai. Tai skirtingi projektai, bet visi parodo augantį susidomėjimą mašinomis, kurios padeda laboratorijoms tikrinti daugiau mokslinių idėjų.

Būsimi „Warp Sciences“ rezultatai turėtų parodyti, kiek eksperimentų galima atlikti be nuolatinės žmogaus intervencijos, kiek kainuoja vienas patikimas matavimas ir ar algoritmai iš tiesų padeda atrasti geresnius vaistų kandidatus. Kol kas 215 mln. dolerių yra didelis pasitikėjimo ženklas, o ne galutinis mokslo proveržio įrodymas.