یک استارتاپ جدید که توسط یکی از دانشمندان پیشین دیپ‌مایند (Google DeepMind) تأسیس شده، با جذب ۵۰ میلیون دلار سرمایه، به طور رسمی از حالت محرمانه خارج می‌شود.

لاتنت لبز (Latent Labs) مدل‌های پایه هوش مصنوعی را برای «قابل برنامه‌ریزی کردن زیست‌شناسی» ایجاد می‌کند و قصد دارد با شرکت‌های بیوتکنولوژی و دارویی همکاری کند تا پروتئین‌ها را تولید و بهینه‌سازی کند.

برای درک آنچه که دیپ‌مایند و شرکت‌های مشابه انجام می‌دهند، ابتدا باید نقش پروتئین‌ها در زیست‌شناسی انسان را درک کرد. پروتئین‌ها همه چیز در سلول‌های زنده را هدایت می‌کنند، از آنزیم‌ها و هورمون‌ها گرفته تا آنتی‌بادی‌ها. این پروتئین‌ها از حدود ۲۰ اسید آمینه مختلف ساخته شده‌اند که به صورت زنجیره‌هایی به هم پیوسته و سپس تا می‌خورند تا یک ساختار سه‌بعدی ایجاد کنند که شکل آن تعیین‌کننده عملکرد پروتئین است.

اما فهمیدن شکل هر پروتئین به طور تاریخی یک فرآیند بسیار کند و وقت‌گیر بود. این همان دستاورد بزرگ دیپ‌مایند با آلفا فولد (AlphaFold) بود: ترکیب یادگیری ماشین با داده‌های واقعی بیولوژیکی برای پیش‌بینی شکل حدود ۲۰۰ میلیون ساختار پروتئینی.

با داشتن چنین داده‌هایی، دانشمندان می‌توانند بیماری‌ها را بهتر درک کنند، داروهای جدید طراحی کنند و حتی پروتئین‌های مصنوعی برای کاربردهای کاملاً جدید بسازند. این جایی است که لاتنت لبز وارد عمل می‌شود با آرزوی اینکه به محققان این امکان را بدهد که مولکول‌های درمانی جدید را به طور محاسباتی از ابتدا بسازند.

پتانسیل نهفته سایمون کول (Simon Kohl) که در تصویر بالا مشاهده می‌شود، ابتدا به عنوان دانشمند تحقیقاتی در دیپ‌مایند کار می‌کرد و با تیم اصلی آلفا فولد۲ همکاری داشت، سپس تیم طراحی پروتئین را رهبری کرد و آزمایشگاه‌های دیپ‌مایند را در مؤسسه فرانسیس کرایک در لندن راه‌اندازی کرد. در این زمان، دیپ‌مایند همچنین یک شرکت هم‌راستا به نام ایزومورفیک لبز (Isomorphic Labs) راه‌اندازی کرد که تمرکز آن بر اعمال تحقیقات هوش مصنوعی دیپ‌مایند برای تحولی در کشف داروها است.

ترکیبی از این تحولات بود که به کول این احساس را داد که زمان برای راه‌اندازی یک شرکت مستقل که تمرکز خاصی روی ساخت مدل‌های پیشرفته برای طراحی پروتئین داشته باشد، مناسب است. بنابراین، در پایان سال ۲۰۲۲، کول دیپ‌مایند را ترک کرد تا بنیان‌های لاتنت لبز را بگذارد و کسب‌وکار را در میانه سال ۲۰۲۳ در لندن تأسیس کرد.

کول در مصاحبه‌ای با تک‌کرانچ این هفته گفت: «من زمان فوق‌العاده و تأثیرگذاری را [در دیپ‌مایند] سپری کردم و به این نتیجه رسیدم که مدل‌سازی تولیدی (generative modeling) به‌ویژه در زیست‌شناسی و طراحی پروتئین‌ها تأثیر زیادی خواهد داشت. در عین حال، دیدم که با راه‌اندازی ایزومورفیک لبز و برنامه‌های آن‌ها بر اساس آلفا فولد۲، در حال شروع پروژه‌های متعدد همزمان هستند. احساس کردم که فرصت واقعی در این است که به‌طور متمرکز و هدفمند وارد حوزه طراحی پروتئین شویم. طراحی پروتئین به‌طور خاص یک حوزه بسیار وسیع است و فضای سفید زیادی برای کشف دارد، بنابراین فکر کردم که یک تیم کوچک و متمرکز می‌تواند تأثیرات آن را به‌درستی ترجمه کند.»

ترجمه آن تأثیرات به‌عنوان یک استارتاپ با حمایت سرمایه‌گذاری خطرپذیر شامل استخدام حدود ۱۵ نفر بود که دو نفر از آن‌ها از دیپ‌مایند آمده‌اند، یک مهندس ارشد از مایکروسافت، و دکترای‌هایی از دانشگاه کمبریج. امروزه تعداد کارکنان لاتنت لبز در دو سایت تقسیم شده است — یکی در لندن که مدل‌های پیشرفته آن‌جا توسعه داده می‌شود و دیگری در سان‌فرانسیسکو، با آزمایشگاه و تیم طراحی پروتئین محاسباتی خود.

کول افزود: «این به ما امکان می‌دهد که مدل‌های خود را در دنیای واقعی آزمایش کنیم و بازخوردی دریافت کنیم که به ما کمک می‌کند تا بفهمیم آیا مدل‌های ما به آن‌طور که می‌خواهیم پیش می‌روند یا نه.»

در حالی که آزمایشگاه‌های مرطوب (wet labs) به‌طور خاص در دستور کار کوتاه‌مدت لاتنت لبز برای اعتبارسنجی پیش‌بینی‌های فناوری این شرکت قرار دارند، هدف نهایی این است که نیاز به آزمایشگاه‌های مرطوب را از بین ببرند.

کول در این باره گفت: «مأموریت ما این است که زیست‌شناسی را قابل برنامه‌ریزی کنیم و واقعاً زیست‌شناسی را به دنیای محاسباتی وارد کنیم، جایی که وابستگی به آزمایش‌های زیستی و آزمایشگاه‌های مرطوب به‌طور تدریجی کاهش پیدا کند.»

این نکته یکی از مزایای کلیدی «قابل برنامه‌ریزی کردن زیست‌شناسی» را برجسته می‌کند — تحول در فرآیند کشف دارو که هم‌اکنون به آزمایش‌ها و تکرارهای بی‌شماری نیاز دارد که می‌تواند سال‌ها طول بکشد.

کول ادامه داد: «این به ما امکان می‌دهد تا مولکول‌های کاملاً سفارشی بسازیم بدون اینکه به آزمایشگاه‌های مرطوب وابسته باشیم — حداقل این‌طور که در دیدگاه ما است.» سپس افزود: «تصور کنید دنیایی که در آن کسی با یک فرضیه در مورد هدف دارویی برای یک بیماری خاص به ما می‌آید، و مدل‌های ما می‌توانند به‌صورت یک‌دکمه‌ای یک داروی پروتئینی بسازند که تمام ویژگی‌های مورد نظر از پیش در آن گنجانده شده باشد.»

کسب‌وکار زیست‌شناسی از نظر مدل کسب‌وکار، لاتنت لبز خود را “دارایی‌محور” نمی‌بیند — به این معنی که قصد ندارد کاندیداهای درمانی خود را در داخل شرکت توسعه دهد. در عوض، این شرکت می‌خواهد با شرکای ثالث همکاری کند تا مراحل اولیه تحقیق و توسعه (R&D) را سریع‌تر و بدون ریسک بیشتری پیش ببرد.

کول گفت: «ما احساس می‌کنیم که بزرگ‌ترین تأثیر ما به‌عنوان یک شرکت این است که به سایر شرکت‌های بیوفارما، بیوتکنولوژی و علوم زندگی کمک کنیم — یا از طریق ارائه دسترسی مستقیم به مدل‌های‌مان، یا حمایت از برنامه‌های کشف دارو از طریق شراکت‌های مبتنی بر پروژه.»

این شرکت ۵۰ میلیون دلار سرمایه‌گذاری شامل یک مرحله پیش‌بینی‌شده ۱۰ میلیون دلاری و یک دور جدید ۴۰ میلیون دلاری سری A است که به‌طور مشترک توسط «رادیکال ونچرز» (Radical Ventures) هدایت شده است — به‌طور خاص، شریک آن آرون رزنبِرگ که قبلاً رئیس استراتژی و عملیات در دیپ‌مایند بوده است.

سرمایه‌گذار مشترک دیگر «سوفینووا پارتنرز» (Sofinnova Partners) است، یک شرکت سرمایه‌گذاری خطرپذیر فرانسوی با سابقه طولانی در حوزه علوم زندگی. دیگر شرکت‌کنندگان در این دور شامل «فلایینگ فیش»، «ایزومر»، «۸VC»، «کایندرد کپیتال»، «پیلا رVC»، و برخی سرمایه‌گذاران برجسته مانند جف دین، دانشمند ارشد گوگل، آیدان گومز بنیان‌گذار کوهیر، و ماتری استانی‌ژفسکی، بنیان‌گذار الون‌لبز هستند.

اگرچه بخشی از این سرمایه برای پرداخت حقوق، از جمله استخدام‌های جدید در زمینه یادگیری ماشین، استفاده خواهد شد، اما مبلغ زیادی برای پوشش زیرساخت‌های مورد نیاز است.

کول گفت: «هزینه‌های محاسباتی برای ما هزینه بزرگی است — ما در حال ساخت مدل‌های نسبتاً بزرگی هستیم، و این نیاز به محاسبات گرافیکی (GPU) زیادی دارد. این تأمین مالی واقعاً به ما کمک می‌کند که همه چیز را با شدت بیشتری پیش ببریم — محاسبات را برای مقیاس‌بندی مدل‌مان تهیه کنیم، تیم‌ها را گسترش دهیم، و همچنین ظرفیت و باند عرضی برای این‌که این شراکت‌ها و جلب توجه تجاری که حالا دنبال آن هستیم، ایجاد کنیم.»

به جز دیپ‌مایند، چندین استارتاپ و شرکت سرمایه‌گذاری خطرپذیر دیگر در حال تلاش برای نزدیک‌تر کردن دنیای محاسبات و زیست‌شناسی به هم هستند، مانند «کرادل» (Cradle) و «بی‌اپتیموس» (Bioptimus). کول معتقد است که هنوز در مرحله‌ای ابتدایی قرار داریم که هنوز به‌طور کامل نمی‌دانیم بهترین رویکرد در زمینه رمزگشایی و طراحی سیستم‌های زیستی چیست.

کول گفت: «تعدادی دانه‌های بسیار جالب کاشته شده‌اند، [برای مثال] با آلفا فولد و برخی مدل‌های ابتدایی تولیدی از گروه‌های دیگر.» او افزود: «اما این حوزه هنوز به یک اجماع نرسیده است، نه در مورد بهترین مدل و نه در مورد این‌که چه مدل کسب‌وکاری در اینجا کار خواهد کرد. من فکر می‌کنم که ما ظرفیت نوآوری واقعی را داریم.»

منبع: تک‌کرانچ