Start-up nhận 45 triệu USD nhờ tìm ra loại thuốc mới bằng Deep Learning

201

Atomwise là một start-up ứng dụng công nghệ Deep Learning để rút ngắn quá trình tìm ra các loại thuốc mới. Mới đây, start-up này đã gọi vốn được 45 triệu USD để phát triển công nghệ nghiên cứu dược phẩm của mình.

Được thành lập từ năm 2012, Atomwise là start-up ứng dụng công nghệ Deep learning để rút ngắn quá trình khám phá ra các loại thuốc mới. Mới đây, trong vòng gọi vốn tối ưu hóa (Series A), công ty này đã gọi vốn thành công 45 triệu USD từ quỹ Monsanto Growth Ventures, Data Collective và B Capital Group, nâng tổng số vốn huy động được của công ty này lên tới hơn 51 triệu USD.

Với mục tiêu rút ngắn thời gian và giảm số tiền mà các nhà nghiên cứu đang chi ra để tìm kiếm các hợp chất chế tạo thuốc, Atomwise hiện đã có đến hơn 50 chương trình phát hiện phân tử. Công nghệ này của Atomwise cũng đang được sử dụng để phát triển các loại thuốc trừ sâu nông nghiệp an toàn và hiệu quả hơn.

Trong một thông cáo báo chí, hội viên của Monsanto Growth Ventures, tiến sĩ Kiersten Stead cho biết: “Chúng tôi chọn đầu tư dựa trên các kết quả ấn tượng mà chúng tôi thấy được từ Atomwise. Atomwise có thể tìm ra những hợp chất đầy hứa hẹn trong lĩnh vực nghiên cứu và phát triển hóa học nông nghiệp.”

Phần mềm phân tích mô phỏng các phân tử của Atomwise giúp giảm thời gian tổng hợp và kiểm tra các hợp chất của các nhà nghiên cứu. Công ty này cũng cho biết họ đang thử nghiệm hơn 10 triệu hợp chất mỗi ngày. Hệ thống AtomNet của Atomwise sử dụng các thuật toán Deep Learning để phân tích các phân tử và dự đoán cách mà chúng hoạt động trong cơ thể con người, bao gồm cả những tính năng trị liệu, gây độc và các phản ứng phụ.

Chia sẻ với TechCrunch trong một email, giám đốc điều hành của Atomwise, tiến sĩ Abraham Heifets cho biết, tầm nhìn của công ty là “trở thành một trong những nhóm nghiên cứu khoa học sinh động và đa dạng nhất thế giới, với quy mô hoạt động chưa từng thấy. Vòng gọi vốn Series A này thu được kết quả rất lớn và chúng tôi sẽ sử dụng những nguồn lực đó để phát triển cơ quan kỹ thuật và kinh doanh của mình. Thậm chí, chúng tôi sẽ có thể mô phỏng hàng trăm triệu hợp chất mỗi ngày với mục đích cuối cùng là để đương đầu với những bệnh mà đang cần những phương pháp điều trị mới khẩn cấp.”

Tối ưu hoá định lượng chì “là một quá trình tốn kém nhất trong lịch sử của ngành dược phẩm,” Heifets cho biết. Đồng thời, Heifets cũng chia sẻ thêm rằng quá trình này có tỷ lệ thất bại rất cao, khoảng “2/3 các dự án thậm chí còn thất bại trước khi có mặt tại phòng khám, để làm được điều đó phải mất tới 5 năm rưỡi.”

Đến nay, ngày càng có nhiều công ty sử dụng trí tuệ nhân tạo (AI) và machine learning để phân tích các phân tử và khắc phục những hạn chế trong quá trình tìm ra dược phẩm

Sáu năm trước khi mới thành lập, công nghệ mà Atomwise sở hữu dường như chỉ xuất hiện trong truyện khoa học viễn tưởng. Tuy nhiên đến nay, ngày càng có nhiều công ty sử dụng trí tuệ nhân tạo (AI) và Machine Learning để phân tích các phân tử và khắc phục những hạn chế trong quá trình tìm ra dược phẩm, bao gồm bao gồm Recursion Pharmaceuticals, BenevolentAI, TwoXAR, Cyclica và Reverie Labs.

Heifets chia sẻ một trong những thế mạnh của Atomwise là ở số lượng lớn các dự án mà công ty đã thực hiện bởi điều đó giúp cải thiện hệ thống AI của công ty này. Khách hàng của Atomwise bao gồm 4 trong số 10 công ty dược phẩm lớn nhất Hoa Kỳ, trong đó có Merck, Monsanto, hơn 40 viện nghiên cứu lớn (Harvard, Duke, Stanford, Baylor College, v.v…) và các công ty công nghệ sinh học khác.

Heifets cũng nói thêm rằng trọng tâm của Atomwise cũng rất khác biệt.

“Có 2 vấn đề khác biệt trong quá trình nghiên cứu dược phẩm là sinh học và hoá học,” ông chia sẻ. “Nếu bạn nghiên cứu sinh học, bạn đang cố gắng quyết định protein gây bệnh nào là dễ nhắm đến nhất. Nhiều công ty sử dụng AI trong nghiên cứu dược đang cố gắng giải quyết vấn đề này. Một khi đã chọn được một mục tiêu, bạn có thể bắt đầu nghiên cứu các vấn đề hoá học như làm thế nào để vận chuyển một phân tử không độc hại có thể công protein gây bệnh. Atomwise tập trung vào các vấn đề hoá học trong nghiên cứu dược phẩm, cụ thể là phát minh ra cách sử dụng mạng deep neural nhằm thiết kế cấu trúc của dược phẩm.”

Theo TechCrunch

Tin liên quan: