立即打开
这家新创企业利用人工智能设计新药

这家新创企业利用人工智能设计新药

Jeremy Kahn 2020年11月06日
这家公司使用了能够更快制作和检测蛋白质的机器人实验室,比人工测试更加可靠。

身穿白色实验服、手戴紫色橡胶手套的男人和女人站在金属桌旁,看着一个个密封的小玻璃柜。玻璃柜里,一台机械手臂正在小心翼翼地将一组类似于小号滴管的器具对准一个布满了塑料坑眼的特制托盘,然后将经过仔细测量的液体滴入坑眼。托盘中内嵌的感应器和微芯片会检测和自动分析随之发生的化学反应,将一系列数据发送至附近的电脑。氛围异常寂静严肃,但我一直在期待这位秃头的“邦森•哈尼迪欧博士”以及这位倒霉的红发助理“比克”——《布偶大电影》(The Muppets)中疯狂科学家的角色——会突然从实验室后面的板凳上站起来。

然而,詹姆士•菲尔德带我参观了整个实验室,他倒是像极了这类疯狂科学家,尤其是穿着实验室大褂的样子。菲尔德很瘦,头上顶着浓密的棕色卷发,很像年轻时的爱因斯坦。在我见到他的那天,他带着一副圆圆的玳瑁色眼镜。菲尔德是LabGenius的创始人及首席执行官,这是一家位于伦敦的初创企业,创建了这家高科技机器人实验室,其所在地的前身是一家饼干工厂。

2012年,菲尔德创建了这家公司,那时他依然在伦敦的帝国学院(Imperial College)攻读合成生物学博士学位。公司结合了机器化学和人工智能的优势,以生产有望成为重要新药物制造基础的新蛋白。

如今,LabGenius宣布,公司已经收到了由伦敦风投资本公司Atomic领投的1500万美元的风投资本融资,以帮助其进一步发展公司业务。Atomico由Skype联合创始人、亿万富翁尼克拉斯•曾斯特罗姆创建。

菲尔德称,这笔资金将从多个方面为LabGenius提供帮助。他写道:“会有更多的机器人,更多的试验,更多的人来运行机器人”,但同时也会开发更高端的自动实验室测试来确保公司制作更复杂的蛋白质。

新融资轮的估值数额并未得到披露,但LabGenius向英国商业注册机构公司登记局(Companies House)提交的文件显示,新融资轮对公司的估值约为5300万美元。

作为投资交易的一部分,Atomico的合伙人伊瑞娜•哈伊瓦斯将加入LabGenius的董事会。LabGenius此前的一些投资者,包括Lux Capital、Obvious Ventures、Kindred Capital和Inovia Capital,亦参与了新融资轮。

Atomico的合伙人哈伊瓦斯称,她看到LabGenius帮助解决了制药行业的“生产力危机”,即新药物发现速度下降,以及每一种新药上市的费用越来越高。她说:“它们工作的方式在10多年间没有什么改变”,并指出大多数制药公司依然在通过人工合成(也就是手工实验)来寻找新药物,此举通常会产生难以捕捉和验证的数据。她说:“如果没有科技和数据来支持人类,我觉得我们永远也无法摆脱这一现状。”

当今的大多数药物都是使用小分子制成的。然而,蛋白质分子要大得多,而且结构也更加复杂,它是制药行业所谓的“生物制剂”这种新兴疗法的基础。这些都是经实验室改造的蛋白质,能够模仿身体中负责调节众多功能的天然抗体和酶。当前,基于蛋白质的疗法占到了所有药物的约30%,其中包括众多癌症疗法,自身免疫紊乱和罕见病。相对于小分子的药物,基于蛋白质的疗法通常更有针对性,而且副作用更小,但开发的难度更大,成本更高。

菲尔德解释说,问题在于可用于创造蛋白质的DNA组合太多,因此,要找到哪种组合可能会诞生有效的蛋白质疗法异常之困难。使用传统的方法,设计一个单一、实用的蛋白质可能需要耗费一名研究员数年的时间。LabGenius使用了机器人自动化、合成生物学以及机器学习来加速这一过程。

LabGenius已经将目光瞄准了他们希望治疗的首类疾病——肠炎。菲尔德说,这个领域颇有希望,因为市场上已经有多种药物可以治疗该疾病,然而,这些药物必须注射进入患者体内,因为它们的化学稳定性还不是很好,无法在口服后度过人体消化道中严苛的环境,并抵达肠部。因此LabGenius一直在努力打造有着类似效用、但能够放入药丸的蛋白质。公司已经生产了多种可能的蛋白质,而且在实验室中已经证明它们可以抵御消化酶以及胃部的酸性环境。他说,下一步就是进行动物安全性试验。

公司使用了能够更快制作和检测蛋白质的机器人实验室,它比人工测试更加可靠,提供了有关其设计的蛋白质生物特征的一系列信息,例如它们的稳定性,以及它们对临床关注的其他特定物质的反应。然后,公司使用这个实验室培训机器学习模型,来预测哪些DNA序列会对蛋白质的特征存在关联性。通过这种方式,公司可以让其正在设计的蛋白质获得制作有效药物所需具备的特征。

哈伊瓦斯说:“他们正在将现有设备与生物方法以及人工智能机器数据组结合,以便获得这种惯性效应。”

Zymergen也在使用类似的机器实验室和机器学习流程,该公司位于加州艾默瑞维尔,专注于打造转基因作物以及针对电子和消费护理市场的新类型生物工程材料。其估值在9月的融资轮之后达到了8.74亿美元。Zymergen的首席技术官阿隆•肯博尔是LabGenius的一名顾问。

它与Recursion Pharma使用的方法也十分类似,该公司位于盐湖城,如今其估值达到了4.65亿美元。该公司使用了高速机器人实验室来监测小分子对细胞的效果。

菲尔德说,不同之处在于,小分子及其特性已经拥有了一个庞大的数据库,可供Recursion随时使用。他指出,对于蛋白质来说,DNA数据库还远谈不上全面,这也就要求LabGenius逐渐组建自己的数据库。(Recursion的联合创始人及首席执行官克里斯•吉布森亦是LabGenius的投资者。)

考虑到蛋白质对新药发现的潜在影响,预测蛋白质的结构也一直是人工智能研究人员的关注点,包括伦敦人工智能公司DeepMind(是谷歌母公司Alphabet的子公司)以及Facebook的团队。两年前,DeepMind打造了一个名为AlphaFold的算法,使用深度神经网络(一种机器学习方法,松散地基于人类大脑的工作方式),在一个受到密切关注的两年一度的蛋白质结构预测赛事中展开角逐。即便在那时,AlphaFold预测蛋白结构的正确率也只有55%。

菲尔德表示,通过学习其编译蛋白质DNA序列和生物特性之间的关联,LabGenius可以跳过一个必要的困难步骤——预测其所设计的蛋白质结构。他指出,了解功能比了解构成形式更重要。毕竟达尔文的进化论对于大自然所创建的结构一无所知,仅解释了功能方面的必要性。“我们为什么非要和大自然过不去呢?”菲尔德说。 (财富中文网)

译者:冯丰

审校:夏林

身穿白色实验服、手戴紫色橡胶手套的男人和女人站在金属桌旁,看着一个个密封的小玻璃柜。玻璃柜里,一台机械手臂正在小心翼翼地将一组类似于小号滴管的器具对准一个布满了塑料坑眼的特制托盘,然后将经过仔细测量的液体滴入坑眼。托盘中内嵌的感应器和微芯片会检测和自动分析随之发生的化学反应,将一系列数据发送至附近的电脑。氛围异常寂静严肃,但我一直在期待这位秃头的“邦森•哈尼迪欧博士”以及这位倒霉的红发助理“比克”——《布偶大电影》(The Muppets)中疯狂科学家的角色——会突然从实验室后面的板凳上站起来。

然而,詹姆士•菲尔德带我参观了整个实验室,他倒是像极了这类疯狂科学家,尤其是穿着实验室大褂的样子。菲尔德很瘦,头上顶着浓密的棕色卷发,很像年轻时的爱因斯坦。在我见到他的那天,他带着一副圆圆的玳瑁色眼镜。菲尔德是LabGenius的创始人及首席执行官,这是一家位于伦敦的初创企业,创建了这家高科技机器人实验室,其所在地的前身是一家饼干工厂。

2012年,菲尔德创建了这家公司,那时他依然在伦敦的帝国学院(Imperial College)攻读合成生物学博士学位。公司结合了机器化学和人工智能的优势,以生产有望成为重要新药物制造基础的新蛋白。

如今,LabGenius宣布,公司已经收到了由伦敦风投资本公司Atomic领投的1500万美元的风投资本融资,以帮助其进一步发展公司业务。Atomico由Skype联合创始人、亿万富翁尼克拉斯•曾斯特罗姆创建。

菲尔德称,这笔资金将从多个方面为LabGenius提供帮助。他写道:“会有更多的机器人,更多的试验,更多的人来运行机器人”,但同时也会开发更高端的自动实验室测试来确保公司制作更复杂的蛋白质。

新融资轮的估值数额并未得到披露,但LabGenius向英国商业注册机构公司登记局(Companies House)提交的文件显示,新融资轮对公司的估值约为5300万美元。

作为投资交易的一部分,Atomico的合伙人伊瑞娜•哈伊瓦斯将加入LabGenius的董事会。LabGenius此前的一些投资者,包括Lux Capital、Obvious Ventures、Kindred Capital和Inovia Capital,亦参与了新融资轮。

Atomico的合伙人哈伊瓦斯称,她看到LabGenius帮助解决了制药行业的“生产力危机”,即新药物发现速度下降,以及每一种新药上市的费用越来越高。她说:“它们工作的方式在10多年间没有什么改变”,并指出大多数制药公司依然在通过人工合成(也就是手工实验)来寻找新药物,此举通常会产生难以捕捉和验证的数据。她说:“如果没有科技和数据来支持人类,我觉得我们永远也无法摆脱这一现状。”

当今的大多数药物都是使用小分子制成的。然而,蛋白质分子要大得多,而且结构也更加复杂,它是制药行业所谓的“生物制剂”这种新兴疗法的基础。这些都是经实验室改造的蛋白质,能够模仿身体中负责调节众多功能的天然抗体和酶。当前,基于蛋白质的疗法占到了所有药物的约30%,其中包括众多癌症疗法,自身免疫紊乱和罕见病。相对于小分子的药物,基于蛋白质的疗法通常更有针对性,而且副作用更小,但开发的难度更大,成本更高。

菲尔德解释说,问题在于可用于创造蛋白质的DNA组合太多,因此,要找到哪种组合可能会诞生有效的蛋白质疗法异常之困难。使用传统的方法,设计一个单一、实用的蛋白质可能需要耗费一名研究员数年的时间。LabGenius使用了机器人自动化、合成生物学以及机器学习来加速这一过程。

LabGenius已经将目光瞄准了他们希望治疗的首类疾病——肠炎。菲尔德说,这个领域颇有希望,因为市场上已经有多种药物可以治疗该疾病,然而,这些药物必须注射进入患者体内,因为它们的化学稳定性还不是很好,无法在口服后度过人体消化道中严苛的环境,并抵达肠部。因此LabGenius一直在努力打造有着类似效用、但能够放入药丸的蛋白质。公司已经生产了多种可能的蛋白质,而且在实验室中已经证明它们可以抵御消化酶以及胃部的酸性环境。他说,下一步就是进行动物安全性试验。

公司使用了能够更快制作和检测蛋白质的机器人实验室,它比人工测试更加可靠,提供了有关其设计的蛋白质生物特征的一系列信息,例如它们的稳定性,以及它们对临床关注的其他特定物质的反应。然后,公司使用这个实验室培训机器学习模型,来预测哪些DNA序列会对蛋白质的特征存在关联性。通过这种方式,公司可以让其正在设计的蛋白质获得制作有效药物所需具备的特征。

哈伊瓦斯说:“他们正在将现有设备与生物方法以及人工智能机器数据组结合,以便获得这种惯性效应。”

Zymergen也在使用类似的机器实验室和机器学习流程,该公司位于加州艾默瑞维尔,专注于打造转基因作物以及针对电子和消费护理市场的新类型生物工程材料。其估值在9月的融资轮之后达到了8.74亿美元。Zymergen的首席技术官阿隆•肯博尔是LabGenius的一名顾问。

它与Recursion Pharma使用的方法也十分类似,该公司位于盐湖城,如今其估值达到了4.65亿美元。该公司使用了高速机器人实验室来监测小分子对细胞的效果。

菲尔德说,不同之处在于,小分子及其特性已经拥有了一个庞大的数据库,可供Recursion随时使用。他指出,对于蛋白质来说,DNA数据库还远谈不上全面,这也就要求LabGenius逐渐组建自己的数据库。(Recursion的联合创始人及首席执行官克里斯•吉布森亦是LabGenius的投资者。)

考虑到蛋白质对新药发现的潜在影响,预测蛋白质的结构也一直是人工智能研究人员的关注点,包括伦敦人工智能公司DeepMind(是谷歌母公司Alphabet的子公司)以及Facebook的团队。两年前,DeepMind打造了一个名为AlphaFold的算法,使用深度神经网络(一种机器学习方法,松散地基于人类大脑的工作方式),在一个受到密切关注的两年一度的蛋白质结构预测赛事中展开角逐。即便在那时,AlphaFold预测蛋白结构的正确率也只有55%。

菲尔德表示,通过学习其编译蛋白质DNA序列和生物特性之间的关联,LabGenius可以跳过一个必要的困难步骤——预测其所设计的蛋白质结构。他指出,了解功能比了解构成形式更重要。毕竟达尔文的进化论对于大自然所创建的结构一无所知,仅解释了功能方面的必要性。“我们为什么非要和大自然过不去呢?”菲尔德说。 (财富中文网)

译者:冯丰

审校:夏林

Men and woman in white lab coats and purple rubber gloves stand beside metal tables, looking at small glass-enclosed cabinets. Inside, a robotic arm carefully lowers a clutch of what look like small eyedroppers to a specialized tray containing small plastic reservoirs, deploying a careful measure of liquid into each. Sensors and microchips embedded in the tray detect and automatically analyze the resulting chemical reaction, sending a stream of data to nearby computer. The atmosphere is hushed and serious, but I keep expecting the bald visage of Dr. Bunsen Honeydew and his hapless red-haired assistant Beaker—the mad scientist characters from The Muppets—to pop up from behind a lab bench.

Instead, I’m being led through the lab by James Field, who does look every bit the part of the mad scientist, particularly in his lab coat. Field is thin, with a Young Einstein–like whoosh of curly brown hair piled on his head, and, on the day I meet him, is wearing round, tortoiseshell glasses. He is the founder and chief executive of LabGenius, the London startup that owns this high-tech robotic lab, located in a former cookie factory.

The company, which Field founded in 2012 when he was still completing his Ph.D. in synthetic biology at London’s Imperial College, is combining advances in robotic chemistry and artificial intelligence to create new proteins that could be the basis for important new medicines.

Today, LabGenius announced it has received an additional $15 million in venture capital financing led by Atomico, the London-based venture capital firm created by Skype cofounder and billionaire Niklas Zennström, to help it to further grow its business.

Field says the funding will help LabGenius in numerous ways. “It’s more robots, more experiments, more people to run the robots,” he notes, but also to develop more sophisticated automated lab tests to enable the company to make more complex proteins.

The valuation terms of the new financing were not disclosed, but documents filed with U.K. business registry Companies House indicate that new funding valued the company at about $53 million.

Atomico partner Irina Haivas will join LabGenius’s board as part of the investment deal. Previous investors in LabGenius, including Lux Capital, Obvious Ventures, Kindred Capital, and Inovia Capital, are also participating in the latest financing.

Haivas, the Atomico partner, says she sees LabGenius helping to solve a “productivity crisis” in the pharmaceutical industry, with the rate of new medicines being discovered slowing and the expense of each new drug brought to market rising. “The way they work hasn’t changed in more than 10 years,” she says, noting that most drug companies still find new medicines from a human-driven hypothesis that is tested through manual, human-run experiments, often producing data that is difficult to capture and verify. “I don’t see a way to get out of this—without supporting the human with technology and data,” she says.

The vast majority of today’s medicines are made using small molecules. But proteins—which are much larger and more structurally complex substances—are the basis of an emerging class of therapies often referred to in the pharmaceutical industry as “biologics.” These are lab-engineered proteins that can mimic the natural antibodies and enzymes that regulate many functions within the human body. Currently, protein-based therapies make up about 30% of all drugs. They include treatments for many cancers, autoimmune disorders, and rare diseases. Protein-based therapies are often far more targeted, and have fewer harmful side effects, than drugs based on small molecules, but they are considered more difficult and costly to develop.

The problem, as Field explains, is that there are so many possible DNA combinations that create proteins that it is extremely difficult to figure out exactly which combination might yield an effective protein therapy. Using traditional methods, designing a single, useful protein can take a researcher years. LabGenius is using robotic automation, synthetic biology, and machine learning to speed that process up.

LabGenius has set its sights on inflammatory bowel disease as the first disease it wants to target. Field says the area is promising because several drugs for the condition already exist, but they have to be injected into patients because they are not chemically stable enough to be taken orally and then survive the harsh environment of the human digestive tract to reach the bowel. So LabGenius has been working to create proteins that would perform similarly but could be put into a pill. The company has already produced several possible proteins and has shown in its lab that they can survive digestive enzymes and the acidic environment found in the stomach. The next step, he says, is conducting safety trials with animals.

The company uses its robotic lab, which can make and test proteins much faster and more reliably than experiments performed by humans, to create a library of information about the biological properties of proteins it is designing, such as how stable they are or how much they react with certain other substances that are of clinical interest. Then the company uses this library to train a machine-learning model to predict how certain DNA sequences correspond to a protein’s properties. In this way, it can drive the proteins it is designing toward the qualities that may make them useful drugs.

“They are integrating existing equipment with the biological methods and A.I. and their data set to get this flywheel effect,” Haivas says.

The robotic lab and machine-learning process is similar to that used by Zymergen, an Emeryville, Calif., company that is focused on creating genetically modified crops and new kinds of biologically engineered materials for the electronics and consumer care markets. It was valued at $874 million after a funding round in September. Aaron Kimball, Zymergen’s chief technology officer, is an adviser to LabGenius.

It’s also similar to the method used by Recursion Pharma, a Salt Lake City–based company, now valued at $465 million. It uses a high-speed robotic lab to screen the effect of small molecules on cells.

The difference, Field says, is that large libraries of small molecules and their properties already existed for Recursion to use. For proteins, the DNA libraries are not nearly as comprehensive, he says, requiring LabGenius to gradually build up its own. (Chris Gibson, Recursion’s cofounder and chief executive, is an investor in LabGenius too.)

Because of its potential impact in drug discovery, predicting the structure of proteins has also been a focus for artificial intelligence researchers, including teams at both DeepMind, the London-based A.I. company owned by Google parent Alphabet, and Facebook. Two years ago, DeepMind created an algorithm called AlphaFold that used a deep neural network—a kind of machine learning loosely based on how the human brain works—to trounce the competition at a closely watched biennial competition for protein structure prediction. But even then, AlphaFold could only correctly predict a protein’s structure about 55% of the time.

Field says that by learning the correspondence between a DNA sequence and the biological properties of the protein it encodes, LabGenius can skip the difficult step of having to predict the structure of the proteins it is designing. Knowing function, he says, is more important than knowing form. After all, he says, Darwinian evolution doesn’t have any understanding of the structures it is creating—it simply has a functional imperative. “Why argue with nature?” Field says.

最新:
  • 热读文章
  • 热门视频
活动
扫码打开财富Plus App