随着机器学习能力的增长，人工智能驱动的药物发现世界不断扩大。几年前似乎不可想象的一种方法是模拟两个互锁分子的复杂相互作用——但这正是药物设计师需要了解的内容，也正是Charm Therapeutics旨在利用其 DragonFold 平台做的事情。
蛋白质几乎可以在您体内完成所有值得做的事情，并且是药物最常见的目标。为了产生效果，您必须首先了解该目标，特别是构成蛋白质的氨基酸链在不同情况下如何“折叠”。
在最近的过去，这通常是通过复杂、耗时的 X 射线晶体学来完成的，但最近表明，像AlphaFold和RoseTTAFold这样的机器学习模型能够在几秒钟而不是几周或几个月内产生同样好的结果。
下一个挑战是，即使我们知道一种蛋白质在其最常见的条件下是如何折叠的，我们也不知道它如何与其他蛋白质相互作用，更不用说专门与它们结合的新分子了。当蛋白质遇到兼容的结合剂或配体时，它可以完全转变，因为微小的变化可以级联并重新配置其整个结构——在生活中，这会导致蛋白质打开进入细胞的通道或暴露出激活其他蛋白质的新表面。 ， 等等。
“这确实是我们创新的地方：我们构建了 DragonFold，这是第一个蛋白质-配体共折叠算法，”Charm Therapeutics 首席执行官兼联合创始人 Laskh Aithani 说。
“设计能够非常紧密和选择性地与引起疾病的蛋白质结合的药物（即避免与正常人体功能所需的其他类似蛋白质结合）至关重要，”他解释说。 “当人们知道这些药物如何与蛋白质精确结合（与致病蛋白质结合的配体的精确 3D 形状）时，这最容易做到。这使得人们可以对配体进行精确修饰，使其结合得更紧密、更有选择性。”
您可以在文章顶部看到这种情况的表示：绿色小分子和紫色蛋白质以一种非常特定的方式结合在一起，这种方式不一定直观或易于预测。这一过程的有效和高效模拟有助于筛选数十亿个分子，类似于早期识别候选药物的过程，但更进一步并减少了通过实验检查它们是否按预期相互作用的需要。
为了做到这一点，Aithani 聘请了 RoseTTAFold 算法的设计师以及华盛顿大学一个有影响力的实验室负责人 David Baker 作为他的联合创始人。 Baker 在学术界和工业界享有盛誉，是该领域的主要研究人员之一，他发表了许多关于该主题的论文。
Charm Therapeutics 联合创始人 Laskh Aithani（左）和 David Baker。图片来源：魅力疗法
在显示算法可以根据序列预测蛋白质结构后不久，贝克确定它们还可以“产生幻觉”在体外发挥预期作用的新蛋白质。很明显，他在这里处于领先地位。他在 2020 年获得了 300 万美元的突破奖——绝对是技术联合创始人。 Aithani 还自豪地指出，DeepMind 资深人士 Sergey Bartunov 担任人工智能总监，前制药研究负责人 Sarah Skeratt 担任药物发现负责人。
5000 万美元的 A 轮融资由 F-Prime Capital 和 OrbiMed 领投，General Catalyst、Khosla Ventures、Braavos 和 Axial 跟投。虽然对于软件初创公司来说如此大的数量并不少见，但应该注意的是，Charm 并没有停止构建表征这些蛋白质-配体相互作用的能力。
该公司的早期资金用于构建模型，但现在他们正在进入下一步：积极识别有效药物。
“我们已经准备好 [模型] 的初始版本，并且已经过计算机验证，”Aithani 说。 “在接下来的几个季度中，我们正在通过实验验证它。请注意，‘产品’将主要供内部使用，以帮助我们自己的科学家发现我们拥有 100% 权利的潜在药物。”
通常测试过程涉及对成千上万的候选分子进行湿实验室筛选，但如果它像宣传的那样有效，DragonFold 应该会大量减少这个数字。这意味着预算相对较小的相对较小的实验室可以想象几年前可能需要大型制药公司投资数亿美元的药物。
考虑到一种新药的盈利状况，该公司吸引到这样的投资也就不足为奇了：几千万的投入与任何一家大型生物技术研究公司的研发预算相比都是杯水车薪。只需要一击，他们就笑了。这还需要一段时间，但人工智能药物发现也缩短了时间——所以期待早日听到他们的第一个候选人。