生物技术行业正经历着人工智能工具的涌现，用于复杂药物发现过程的许多方面。但是，RNA 却鲜为人知，越来越多地被认为是某些疾病的关键，但不幸的是研究不足。凭借 3500 万美元的新资金， Atomic AI旨在像 AlphaFold 对蛋白质所做的那样对 RNA 进行研究，并在此过程中找到全新的治疗方法。
如果你还记得你的高中生物学，你可能记得 RNA 作为 DNA（长期信息存储）和蛋白质（分子水平的细胞生命机制）之间的中间人。但就像自然界中的大多数事物一样，它似乎并不那么简单，Atomic AI 的首席执行官兼创始人 Raphael Townshend 解释道。
“有一个中心法则，即 DNA 进入 RNA，RNA 进入蛋白质。但近年来出现的情况是，它所做的不仅仅是编码信息，”他在接受 TechCrunch 采访时说。 “如果你观察人类基因组，大约 2% 会在某个时候变成蛋白质。但 80% 变成了 RNA。它在做什么……谁知道呢？它的开发还远远不够。”
与 DNA 和蛋白质相比，这方面的工作很少。学术界已将注意力集中在难题的其他部分，而制药业则部分地因此寻求将蛋白质作为药物的机制。结果是严重缺乏关于 RNA 结构的知识和数据。
但 Atomic AI 认为 RNA 是有功能的，值得作为一种治疗方法进行研究。秘密在于 RNA 的“非编码”区域，就像文档的页眉和页脚。它们做类似蛋白质的工作但不是蛋白质——而且它们不是唯一的例子。
你可以把 RNA 链想象成串珠项链，比珠子更像线。该字符串是“松散的”，或多或少就像它的批评者认为的那样：一个中介。但每隔一段时间你就会得到一个非常有趣的结，它似乎不太可能是偶然形成的。与蛋白质一样，如果您能弄清楚它们的结构，那么对于理解它们的作用以及它们如何受到影响大有帮助。
“关键是找到那些珠子，那些结构化的比特。它的信息含量很高，具有针对性，而且可能也很实用，”Townshend 说。 “它在药物发现中被视为一个重要的新领域。”
对于毕业论文来说，这可能是一个有趣的想法（对于 Townshend 来说也是如此），但是您如何围绕它开展业务呢？
首先，如果该领域即将变得更加重要，那么构建研究方法具有很大的价值。然后，如果您确实构建了这些方法，您可以排在第一位使用它们。 Atomic AI 正在同时进行这两项工作。
由 PARSE 预测的 RNA 链结构的旋转 3D 模型。
Atomic IP 的核心是 RNA 的 AlphaFold，尽管这是一种简化。生物学是不同的，模型的工作方式也不同，但想法是一样的：机器学习模型在有限的一种分子类型上训练，可以准确预测该类型其他分子的结构。
奇怪的是，Townshend 的团队通过为其提供“1994 年至 2006 年间发表的”仅 18 种 RNA 分子结构的特征，制作了这样一个模型，该模型的性能大大优于其他模型。正如 2021 年《科学》(Science) 杂志发表的一篇头版文章所披露的那样，这个绝对简单的模型与其他模型擦肩而过。
从那时起，Townshend 很快补充说，该公司使用更多原材料极大地增强了其模型和方法，其中大部分是在自己的湿实验室中自行创建的。他们将更新后的工具集称为 PARSE：人工智能驱动的 RNA 结构探索平台。
“《科学》杂志的论文代表了初步突破，但我们实际上已经生成了大量……结构相邻的数据，”他解释道。 “不是完整的结构本身，而是与结构相关的数据，数千万个数据点；训练大型语言模型所需的相同规模的数据。结合其他机器学习工作，我们已经能够显着提高论文的速度和准确性。”
这意味着 Atomic AI 是唯一一个至少在公开场合拥有一个系统的系统，该系统可以接收 RNA 分子的原始数据并对其结构做出相当自信的估计。这对任何在医学内外进行 RNA 研究的人都有用，并且随着基因疗法和 mRNA 疫苗的出现，该领域肯定在上升。
另一种 RNA 结构（但呈现方式不同）。
有了这样的工具，您可以采用以下两种方式之一：将其许可为“结构即服务”平台，如 Townshend 所说，或者您自己使用。 Atomic 选择了后者，并正在推行自己的药物发现计划。
这种方法与现有的许多 AI 发现过程有显着差异。一般的想法是你有一种蛋白质，比如你想抑制它在人体内的表达，但你没有的是一种化学物质，它可以可靠地、专门地结合到这种蛋白质上，确切地在你想要的时间和地点（并且尽可能便宜）。
AI 药物发现工作往往会产生数千、数百万甚至数十亿个可能有效的候选分子，对它们进行排序，并让湿实验室尽快开始研究列表。如果你能找到满足上述特征的药物，你就可以生产出一种新药或替代市场上更昂贵的药物。但关键是你正在竞相寻找已知蛋白质的新结合剂。
“我们不只是在寻找粘合剂，我们首先是在寻找可靶向的东西。之所以有趣，是因为归根结底，这些大型制药公司更关心新生物学而不是新分子。通过找到这个新目标，您可以实现以前无法实现的事情，而不是增加可用于靶向它的分子数量，”Townshend 说。
不仅如此，还发现某些蛋白质无论出于何种原因几乎都不可药用，从而导致对药物产生耐药性的疾病。 RNA 可以通过解决问题蛋白质来治疗这些相同的疾病。
目前，Atomic AI 已将列表缩小到某些导致蛋白质病理性过度产生的癌症（因此是抢占该机制的良好选择），以及也可能受益于上游干预的神经退行性疾病。
当然，所有这些工作都非常昂贵，因为它需要大量的实验室工作和密集的数据科学。幸运的是，该公司已经筹集了 3500 万美元的 A 轮融资，由 Playground Global 领投，8VC、Factory HQ、Greylock、NotBoring、AME Cloud Ventures 以及天使投资人 Nat Friedman、Doug Mohr、Neal Khosla 和 Patrick Hsu 跟投。 （该公司此前筹集了 700 万美元的种子轮资金。）
“人们已经采摘了蛋白质土地上所有唾手可得的果实，”Townshend 说。 “现在有新的生物学追求。”
有了新的资金，Atomic AI 将 RNA 设想为药物发现的下一个前沿Devin Coldewey最初发表于TechCrunch