Adaptyv Bio revoluciona la ingeniería de proteínas utilizando inteligencia artificial generativa

Las herramientas de IA como ChatGPT están cambiando dramáticamente la forma en que se generan textos, imágenes y código. De manera similar, los algoritmos de aprendizaje automático y la inteligencia artificial generativa están disruptando los métodos convencionales en ciencias de la vida y acelerando los plazos en el descubrimiento de fármacos y desarrollo de materiales.

DeepMind’s AlphaFold es probablemente el modelo de aprendizaje automático más renombrado en este dominio. Predice la estructura 3D de una proteína a partir de su secuencia de aminoácidos y ha sido utilizado por más de un millón de investigadores en los 18 meses desde su lanzamiento público. Numerosas otras herramientas de IA han surgido desde entonces, incluyendo el recientemente lanzado RFDiffusion, que permite a los investigadores generar diseños de proteínas computacionales utilizando solo sus laptops.

Sin embargo, traducir estos diseños computacionales en proteínas tangibles y funcionales sigue siendo un desafío. Adaptyv Bio busca abordar este problema con su fábrica de proteínas de próxima generación. Al integrar robótica avanzada, microfluidos y técnicas de biología sintética, Adaptyv Bio está construyendo una plataforma de pilas completas para permitir que los ingenieros de proteínas validen sus diseños de proteínas generados por IA.

Julian Englert, CEO y cofundador de Adaptyv Bio, dijo: “Las proteínas son centrales para la biorevolución, ya sea como nuevos medicamentos, enzimas mejoradas para investigaciones y aplicaciones industriales, o como materiales con propiedades únicas. Como diseñador de proteínas, ahora tienes acceso a increíbles nuevas herramientas de IA como AlphaFold o RFDiffusion. Sin embargo, validar tus diseños de proteínas en el laboratorio para ver si funcionan sigue siendo un gran desafío.”

Los modelos de IA prosperan en los datos para entrenar y mejorar sus predicciones. Al simplificar el proceso de generar datos sobre la efectividad de las proteínas diseñadas, Adaptyv Bio permite que los ingenieros de proteínas y los modelos de IA reciban más retroalimentación sobre sus diseños, guiándolos hacia proteínas con mejor rendimiento.

Englert agregó: “Piensa en la IA en un automóvil autónomo. Para mantener el automóvil en la carretera y llegar a su destino, el modelo de IA necesita un bucle de retroalimentación ajustado al obtener mucha información de alta calidad de los sensores de la cámara del automóvil. El mismo principio se aplica a un modelo de IA que diseña nuevas proteínas, con el mecanismo de retroalimentación que involucra la creación real de proteínas en nuestro laboratorio y la prueba de su rendimiento.”

Adaptyv Bio fue establecida por un grupo de ingenieros de EPFL, el Instituto Federal Suizo de Tecnología en Lausana, motivados por los procesos de experimentación biológica en laboratorios que llevan mucho tiempo. En 2022, obtuvieron $2,5 millones en financiación de pre-semilla de Wingman Venture, después de participar en Y Combinator, el acelerador de startups más selectivo del mundo. El equipo ha crecido desde entonces a 12 ingenieros con antecedentes diversos en biología sintética, microingeniería, desarrollo de software y aprendizaje automático. La empresa se encuentra en el recién construido Biopole campus de ciencias de la vida en Lausana, Suiza, donde están desarrollando su tecnología en instalaciones de laboratorio de última generación con vistas pintorescas del lago Ginebra y los Alpes suizos-franceses.

La fábrica de Adaptyv Bio se centra en celdas de trabajo de ingeniería de proteínas: configuraciones personalizadas y automatizadas que miniaturizan procesos que normalmente requieren múltiples máquinas de laboratorio, realizándolos en paralelo en pequeñas placas microfluidas. Los usuarios pueden escribir protocolos experimentales (o hacer que la IA los escriba) y las celdas de trabajo ejecutan los experimentos de forma autónoma, mientras controlan y monitorean de cerca los parámetros de los experimentos. Todos los datos de medición se procesan y suben automáticamente para permitir a los usuarios refinar sus modelos de aprendizaje automático con cada experimento.