英国AI制药创企 用物理模拟替代实验室

药物研发向来是"大海捞针"式的苦活：合成、测试、失败、再来。一家 11 月 5 日成立的英国初创公司打算换个方向——先在计算机里把"针"和"海"都模拟出来，再让 AI 去找。

这家公司叫 Potential Sciences，创始人兼首席执行官 Hatem Helal 的说法很直接："我们希望那些永远不会在临床上成功的分子，尽早失败。"要做到这一点，前提是能更准确地预测分子与人体生物学相互作用时的行为。

它的技术路线建立在物理模拟之上：用物理学基本原理，逐级模拟原子之间、小分子之间、再到复杂氨基酸与蛋白质之间的相互作用，从而合成出规模远超现有实验数据的化学数据集，再用这些数据训练模型和预测系统，为特定疾病锁定高靶向性的候选药物，绕过昂贵又缓慢的实验室试错。

Helal 把这称为一个搜索问题。"宇宙中所有原子，大约能组合出 10 的 60 次方种可以给人服用的分子，"他说，"药物发现的关键，在于你能多快地在这么大的空间里导航，并把它剪枝成针对某种疾病有希望的分子。"目前多数 AI 制药实验室都在一个公共数据库上做模型——数十年来靠实验积累起来的三维原子结构库"蛋白质数据库"（PDB）。Helal 认为，这个数据集对于训练足够先进的模型来说仍然太小。

公司称种子轮融资为"数千万美元"级别，投资方包括英国政府的 AI 风投基金 SovAI 和 Twin Path Ventures 等，具体金额与估值未披露。SovAI 是英国政府今年设立的基金，可动用规模约 8 亿美元，任务是投资那些有潜力成为全球 AI 供应链中不可或缺环节的英国公司，并为被投企业提供英国国家 AI 超算的使用权。此前它已投资 AI 制药公司 Basecamp Research、Isomorphic Labs 以及材料发现公司 CuspAI。SovAI 投资负责人 Joséphine Kant 随投资进入董事会，她认为"从化学物理的角度切入药物发现"正是这家公司与众不同之处，而算力支持让小团队也能做到原本难以企及的规模。

学界看法并不一致。莱斯大学化学教授 Peter Wolynes 认为这种做法"肯定会带来改进"，但他提醒，目前"就蛋白质工程的做法而言，工程水平还停留在罗马时代，而不是文艺复兴时期"。剑桥大学荣休化学教授 Alan Fersht 则更乐观："如果我们能准确计算细胞内所有分子之间的相互作用，以及它们结构的涨落，我们就能预测分子会在哪里结合，那确实会革新药物研发。我乐观地认为这终将实现。"

这条路也并不好走。AI 制药赛道已经相当拥挤，一批创业公司和学术团队正从不同角度抢攻同样的瓶颈；而模拟数据能否把结合预测的精度做到足以缩短研发周期，仍需要时间验证。

编译自 Wired，原标题：“Finding New Drugs Is Laborious. This AI Startup Is Skipping The Lab Work”