Potential Sciences recibe respaldo del fondo público inglés SovAI para acelerar el descubrimiento de fármacos
La startup británica obtuvo decenas de millones de dólares de financiamiento semilla. Usará simulaciones físicas para entrenar modelos predictivos y reducir experimentación temprana, aunque todavía debe demostrar su precisión y definir cómo generará ingresos.
Descartar antes las moléculas que no llegarán a convertirse en medicamentos es la apuesta de Potential Sciences, una startup británica presentada el 5 de noviembre. Con respaldo del fondo gubernamental SovAI y de Twin Path Ventures, entre otros inversores, la compañía busca reemplazar parte de la experimentación inicial de laboratorio por datos bioquímicos generados mediante simulaciones computacionales.
La empresa informó que cuenta con financiamiento semilla por decenas de millones de dólares, pero sus fundadores no revelaron el monto exacto ni la valuación. Su propuesta apunta a entrenar inteligencia artificial con grandes conjuntos de datos químicos para identificar candidatos dirigidos a enfermedades específicas.
“Queremos que las moléculas que nunca van a funcionar en la clínica fracasen rápido”, explicó a WIRED Hatem Helal, fundador y CEO. “Eso significa contar con mejores predictores de cómo se comportarán al interactuar con la biología humana”.
Simulaciones físicas para ampliar los datos de descubrimiento farmacológico
Potential Sciences planea aplicar principios básicos de física para simular interacciones entre átomos y avanzar hacia moléculas pequeñas, aminoácidos y proteínas. Con esos resultados pretende construir bases de datos sintéticos a una escala que permita entrenar modelos y sistemas predictivos más avanzados.
El enfoque busca superar una limitación que Helal identifica en el sector: buena parte de los laboratorios de descubrimiento de fármacos con IA desarrolla sus modelos sobre Protein Data Bank, una base pública de estructuras atómicas tridimensionales ampliada durante décadas con resultados experimentales. Para el ejecutivo, ese conjunto sigue siendo insuficiente para acelerar de manera confiable la búsqueda de candidatos viables.
“Pensemos en el descubrimiento de fármacos como un problema de búsqueda: se trata de cuán rápido se puede recorrer y reducir ese espacio hasta encontrar moléculas prometedoras para una enfermedad determinada”, sostuvo Helal. La hipótesis de la compañía es que un volumen mucho mayor de simulaciones permitirá mejorar esa selección.
SovAI aporta capital y acceso a capacidad de cómputo
El respaldo estatal también ofrece una vía para acceder a infraestructura computacional. SovAI dispone de aproximadamente U$S 800 millones y puede facilitar a sus empresas participadas el acceso a la supercomputadora nacional de inteligencia artificial del Reino Unido.
El gobierno británico creó el fondo este año para invertir en startups capaces de convertirse en componentes indispensables de la cadena global de suministro de IA. Entre las compañías respaldadas figuran Basecamp Research e Isomorphic Labs, dedicadas al descubrimiento de fármacos, y CuspAI, enfocada en materiales.
Joséphine Kant, responsable de inversiones de capital emprendedor de SovAI, se incorporó al directorio de Potential Sciences como parte de la operación. “Abordar el descubrimiento de fármacos desde la física —la física de la química— diferencia a Potential Sciences de otras compañías”, señaló. Agregó que el acceso a recursos de cómputo permite trabajar a una escala difícil de alcanzar para una startup pequeña.
Precisión predictiva: el desafío científico pendiente
La incógnita central es si la empresa podrá predecir con la precisión esperada cómo se unen los candidatos farmacológicos a proteínas relacionadas con enfermedades. Alcanzar ese objetivo exigiría un avance significativo respecto de las capacidades actuales.
Alan Fersht, profesor emérito de Química de la Universidad de Cambridge y especialista en ingeniería de proteínas, consideró prometedora la aproximación. “Si pudiéramos calcular con precisión las interacciones entre todas las moléculas de la célula y las fluctuaciones de su estructura, podríamos predecir dónde se unirían las moléculas, y eso realmente revolucionaría el desarrollo de fármacos”, afirmó.
Peter Wolynes, profesor de Química de la Universidad Rice, también espera mejoras, aunque advirtió sobre el estado de la disciplina. Según su comparación, la ingeniería de proteínas se encuentra todavía “al nivel de los romanos, no del Renacimiento”.
Enfermedades raras, modelo de negocio y límites de la IA
Helal sostiene que reducir el costo de la experimentación podría hacer económicamente viable investigar tratamientos para enfermedades raras que antes quedaban sin abordar. También aspira a facilitar medicamentos más personalizados: “Queremos hacer posible que haya tratamientos más a medida para las enfermedades”.
Sin embargo, Potential Sciences aún no definió cómo obtendrá ingresos de sus tecnologías ni si ofrecerá sus modelos de manera abierta. Esa última decisión está atravesada por el riesgo de uso indebido: herramientas capaces de identificar tratamientos también podrían utilizarse para diseñar sustancias peligrosas.
La compañía ingresa, además, en un mercado con numerosos emprendedores y académicos que intentan resolver los mismos obstáculos desde distintos enfoques. El respaldo público le aporta recursos, pero no elimina la competencia ni la necesidad de demostrar el desempeño de sus predicciones.
Para la industria farmacéutica, la promesa se concentra en seleccionar candidatos con mayor rapidez: aun si esa etapa mejora, seguirán siendo necesarios el tiempo y la inversión para comprobar su seguridad y eficacia antes de que un nuevo tratamiento llegue al mercado.
