A indústria de biotecnologia está experimentando uma onda de ferramentas baseadas em IA para muitos aspectos do complexo processo de descoberta de medicamentos. Mas um que passou despercebido, cada vez mais considerado a chave para certas doenças, mas lamentavelmente pouco estudado, é o RNA. Com US$ 35 milhões em novos financiamentos, a Atomic AI pretende fazer pelo RNA o que o AlphaFold fez pelas proteínas e encontrar tratamentos totalmente novos no processo.
Se você ainda consegue se lembrar da biologia do ensino médio, provavelmente se lembra do RNA como uma espécie de intermediário entre o DNA (armazenamento de informações de longo prazo) e as proteínas (o maquinário da vida celular no nível molecular). Mas, como a maioria das coisas na natureza, não parece ser tão simples, explicou o CEO e fundador da Atomic AI, Raphael Townshend.
“Existe esse dogma central de que o DNA vai para o RNA, que vai para as proteínas. Mas descobriu-se nos últimos anos que ele faz muito mais do que apenas codificar informações”, disse ele em entrevista ao TechCrunch. “Se você olhar para o genoma humano, cerca de 2% se torna proteína em algum momento. Mas 80 por cento se torna RNA. E está fazendo… quem sabe o quê? É muito pouco explorado.”
Comparado ao DNA e às proteínas, pouco trabalho foi feito nessa área. A academia concentrou-se em outras peças do quebra-cabeça e os farmacêuticos, em parte como consequência disso, buscaram as proteínas como mecanismos para as drogas. O resultado é uma grave falta de conhecimento e dados sobre estruturas de RNA.
Mas o que a Atomic AI postula é que o RNA é funcional e vale a pena perseguir como método de tratamento. O segredo está nas regiões “não codificantes” do RNA, que são como o cabeçalho e o rodapé de um documento. Eles fazem um trabalho semelhante ao da proteína, mas não são proteínas – e não são o único exemplo.
Você pode pensar nos filamentos de RNA como colares de contas, muito mais fios do que contas. A string é “disquete” e mais ou menos o que seus detratores pensam que é: um intermediário. Mas de vez em quando você consegue um nó realmente interessante que parece improvável ter se formado por acidente. Tal como acontece com as proteínas, se você conseguir descobrir sua estrutura, isso ajuda muito a entender o que elas fazem e como podem ser afetadas.
“A chave é encontrar essas contas, esses pedaços estruturados. É um conteúdo de alta informação, é direcionável e provavelmente funcional também”, disse Townshend. “É visto na descoberta de medicamentos como uma nova fronteira importante.”
Uma ideia interessante para uma tese de pós-graduação, talvez (e foi para Townshend), mas como você pode construir um negócio em torno dela?
Primeiro, se o campo está prestes a se tornar mais importante, desenvolver os métodos de estudo tem muito valor. Então, se você criar esses métodos, poderá ser o primeiro a usá-los. A Atomic AI está fazendo as duas coisas simultaneamente.
Um modelo 3D rotativo de uma estrutura de fita de RNA prevista pelo PARSE.
O núcleo do IP do Atomic é, embora isso seja uma espécie de simplificação, um AlphaFold para RNA. A biologia é diferente e a forma como os modelos funcionam é diferente, mas a ideia é a mesma: um modelo de aprendizado de máquina treinado em um conjunto limitado de um tipo de molécula que pode fazer previsões precisas sobre a estrutura de outras moléculas desse tipo.
O que é incrível é que a equipe de Townshend criou exatamente esse modelo, que supera os outros por uma grande margem, alimentando-o com as características de apenas 18 estruturas de moléculas de RNA “publicadas entre 1994 e 2006”. Este modelo absolutamente básico limpou o chão com os outros, conforme divulgado em um artigo de primeira página publicado na Science em 2021.
Desde então, Townshend foi rápido em acrescentar, a empresa ampliou amplamente seus modelos e métodos com mais matéria-prima, muitas das quais ela mesma criou em seus próprios laboratórios úmidos. Eles chamam o conjunto atualizado de ferramentas de PARSE: Platform for AI-driven RNA Structure Exploration.
“O artigo da Science representou um avanço inicial, mas na verdade geramos uma enorme quantidade de… estrutura-adjacente dados”, explicou. “Não a estrutura completa em si, mas dados relacionados à estrutura, dezenas de milhões de pontos de dados; a mesma escala de dados que você precisaria para treinar grandes modelos de linguagem. E combinado com outro trabalho de aprendizado de máquina, conseguimos melhorar drasticamente a velocidade e a precisão do papel.”
Isso significa que a Atomic AI é a única que, pelo menos publicamente, tem um sistema que pode pegar os dados brutos de uma molécula de RNA e fornecer uma estimativa razoavelmente confiável de sua estrutura. Isso é útil para qualquer um que esteja fazendo pesquisa de RNA dentro ou fora da medicina, e com terapias genéticas e vacinas de mRNA, o campo está definitivamente em ascensão.
Outra estrutura de RNA (mas processada de forma diferente).
Com essa ferramenta, você pode seguir um de dois caminhos: licenciá-la como uma plataforma de “estrutura como serviço”, como disse Townshend, ou usá-la você mesmo. A Atomic optou pela segunda opção e está desenvolvendo seu próprio programa de descoberta de medicamentos.
Essa abordagem tem uma diferença notável em relação a muitos processos de descoberta de IA existentes. A ideia geral é que você tem uma proteína, digamos uma que deseja inibir a expressão no corpo humano, mas o que você não tem é uma substância química que se liga de maneira confiável e exclusiva a essa proteína, exatamente onde e quando você deseja ( e barato, se possível).
Os esforços de descoberta de medicamentos com IA tendem a produzir milhares, milhões e até bilhões de moléculas candidatas que poderia trabalhe, classifique-os e deixe os laboratórios úmidos começarem a trabalhar na lista o mais rápido possível. Se você encontrar um que atenda a essas características acima, poderá produzir um novo medicamento ou substituir um mais caro no mercado. Mas o importante é que você está competindo para encontrar novos ligantes para uma proteína conhecida.
“Não estamos apenas encontrando fichários, estamos encontrando o que pode ser direcionado em primeiro lugar. A razão pela qual isso é interessante é que, no final das contas, esses grandes produtos farmacêuticos se preocupam mais com a nova biologia do que com as novas moléculas. Você está permitindo algo que não era possível antes ao encontrar esse novo alvo, em vez de aumentar o número de moléculas disponíveis para atingi-lo”, disse Townshend.
Além disso, descobriu-se que algumas proteínas são quase intragáveis por qualquer motivo, produzindo doenças resistentes a medicamentos. O RNA poderia permitir o tratamento dessas mesmas doenças, eliminando a proteína problemática.
Por enquanto, a Atomic AI reduziu a lista a certos tipos de câncer que resultam em superprodução patológica de proteínas (e, portanto, boas opções para antecipar o mecanismo) e doenças neurodegenerativas que também podem se beneficiar da intervenção a montante.
É claro que todo esse trabalho é imensamente caro, exigindo uma grande quantidade de trabalho de laboratório e intensa ciência de dados. Felizmente, a empresa levantou uma rodada A de $ 35 milhões, liderada pela Playground Global, com a participação de 8VC, Factory HQ, Greylock, NotBoring, AME Cloud Ventures, bem como os anjos Nat Friedman, Doug Mohr, Neal Khosla e Patrick Hsu. (A empresa levantou anteriormente uma rodada inicial de US$ 7 milhões.)
“As pessoas colheram todas as frutas que estavam ao alcance da mão na terra da proteína”, disse Townshend. “Agora há uma nova biologia para perseguir.”