La entrada de US $ 50 millones de Nvidia, ¿por qué está regresando el disgustado farmacéutico de IA?

Fuente original: red arterial

Fuente de la imagen: Generada por Unbounded AI‌

El 12 de julio, Nvidia anunció una inversión de 50 millones de dólares en Recursion para acelerar modelos fundamentales innovadores en el campo del descubrimiento de fármacos mediante inteligencia artificial. Este movimiento ha despertado una preocupación generalizada en la industria, y el precio de las acciones de los objetivos relacionados en el mercado secundario se ha disparado.

De hecho, Nvidia duda un poco en implementar productos farmacéuticos de IA. Ya en 2018, Nvidia lanzó la plataforma Clara específicamente para escenarios médicos. Posteriormente, Clara amplió gradualmente sus límites desde las herramientas de investigación de imágenes de IA y comenzó a involucrarse en la genómica. La plataforma Clara se ha convertido rápidamente en una herramienta eficiente en el desarrollo de nuevos fármacos, se puede utilizar en el diseño de fármacos, a través de diferentes IA para generar moléculas, para completar tareas como la generación de proteínas, la generación molecular y el acoplamiento, e incluso predecir la triple interacción dimensional entre proteínas y moléculas, a fin de optimizar cómo funciona el fármaco en el cuerpo.

Para marzo de 2023, NVIDIA ha cooperado con más de 100 empresas de todo el mundo, incluida la investigación y el desarrollo de nuevos fármacos, en el modelo Clara. Pero los 50 millones de dólares invertidos en Recursion son la primera inversión directa de Nvidia en productos farmacéuticos globales de IA. Fundada en 2013, esta compañía farmacéutica de inteligencia artificial establecida utiliza principalmente las características de imagen de fibra de las células para la detección de fármacos.La lógica subyacente es bastante diferente de la de otros pares.

La característica de Recurison es que se pueden paralelizar múltiples experimentos con un alto rendimiento a través de experimentos secos y húmedos de circuito cerrado. En primer lugar, las células humanas se enferman de diversas maneras en el laboratorio y se fotografían estas células enfermas. Luego, deje que el programa de aprendizaje automático aprenda la diferencia entre estas células enfermas y las células sanas. Finalmente, se aplican varios medicamentos a las células enfermas, y el programa de aprendizaje automático se usa para juzgar si las células vuelven a un estado saludable, a fin de juzgar el efecto de los medicamentos.

En el proceso farmacéutico de IA de Recurison, la investigación básica a nivel celular es un vínculo clave. Detrás de esto hay una lógica de encontrar objetivos y desarrollar fármacos basados en la esencia de los fenómenos de la vida compleja. En un momento en que el modelo farmacéutico tradicional de IA entrenado con datos de investigación y desarrollo de medicamentos está un poco cansado, extender la cadena de productos farmacéuticos de IA se está convirtiendo en una nueva forma de pensar.

DSP-1181 desaparecido y nuevo fármaco de IA que no puede funcionar

El verano de 2022 acaba de llegar, y después de menos de dos años de correr bajo el foco del mercado de capitales, los productos farmacéuticos de IA marcaron el comienzo del primer enfriamiento. Además del amplio entorno externo frío, los productos superestrella de alto perfil entraron en la etapa de ensayo clínico, pero rápidamente se encontraron con Waterloo, frenando el desarrollo de productos farmacéuticos de IA.

En julio de 2022, Sumitomo Pharmaceutical anunció que detendría el desarrollo de DSP-1181 porque el ensayo clínico de Fase I no cumplió con los estándares esperados. Inmediatamente, DSP1181 desapareció de los sitios web oficiales de Exscientia y Sumitomo Pharmaceuticals. Desde entonces, los intentos de desarrollar la primera molécula de fármaco diseñada por IA del mundo han fracasado.

Ya en 2014, Sumitomo Pharmaceuticals favoreció la tecnología de generación automática de compuestos y el modelo de predicción de inteligencia artificial basado en el conocimiento de Exscientia, y las dos partes llegaron a una cooperación de inmediato. Sumitomo Pharmaceuticals se convirtió en una de las primeras compañías farmacéuticas del mundo en cooperar con compañías de IA. En los años siguientes, Sumitomo Pharmaceuticals y Exscientia trabajaron juntos para finalmente seleccionar un fármaco receptor acoplado a proteína monoamina G (GPCR) para el tratamiento de enfermedades mentales.

En la colaboración, el equipo químico de Sumitomo Pharmaceuticals sintetiza los compuestos propuestos por Exscientia, el equipo de farmacología evalúa estos compuestos y las dos compañías comparten datos de actividad para continuar mejorando el fármaco. Basado en el modelo de algoritmo de IA de Exscientia, las dos partes probaron y sintetizaron hasta 350 compuestos en menos de un año, y DSP-1181 es el compuesto número 350 sintetizado desde que comenzó el proyecto. En ese momento, el tiempo promedio para completar este trabajo en la industria era de más de 5 años.

Además, las dos partes también están sintetizando análogos durante el curso del proyecto. Los químicos de Sumitomo Pharmaceuticals sintetizaron simultáneamente los intermedios de los compuestos propuestos por Exscientia, y también diseñaron y sintetizaron algunos compuestos con datos farmacológicos putativos e introdujeron estos datos en los modelos predictivos de Exscientia. Estos incluyen compuestos que proporcionan importantes relaciones estructura-actividad para la optimización de las estructuras de los compuestos, lo que acelera aún más el ciclo de descubrimiento de fármacos y permitió a la compañía descubrir DSP-1181 en un corto período de tiempo.

A principios de 2020, Exscientia anunció con un alto perfil que DSP-1181, desarrollado en cooperación con Sumitomo Pharmaceutical de Japón, entró en ensayos clínicos de fase I. Al comienzo del ensayo clínico de DSP-1181, Sumitomo Pharmaceuticals estaba muy emocionado y no pudo evitar elogiar el enfoque innovador adoptado por Exscientia que hará una gran contribución a los medicamentos del sistema nervioso central.

Con respecto al fracaso de DSP-1181, algunos investigadores señalaron que la causa principal es que la molécula del fármaco en sí no es lo suficientemente innovadora.

Todd Wills del American Chemical Abstracts Service (CAS) realizó un análisis detallado de DSP-1181 y descubrió que el receptor sobre el que actúa DSP-1181 es un objetivo clásico muy importante de los fármacos antipsicóticos. En otras palabras, el desarrollo de DSP-1181 no se desvió del objetivo original. Después de una investigación sistemática sobre el sistema de patentes de DSP-1181, Wills descubrió que la molécula DSP-1181 era muy similar al haloperidol, un fármaco antipsicótico típico aprobado por la FDA en 1967. En este sentido, es probable que Exscientia se optimice en un marco molecular descubierto hace mucho tiempo.

La falla de DSP-1181 ensombreció el brillante momento de los productos farmacéuticos de IA, pero también trajo un punto de inflexión clave para la industria. Desde entonces, cuando las personas hablan de productos farmacéuticos de IA, además de algoritmos y datos, también se centran gradualmente en la investigación innovadora en el laboratorio.

Después de pasar por la confusión de las primeras etapas de tecnología y acumulación de datos, no es raro que los productos farmacéuticos de IA de hoy construyan una tubería de ensayo clínico. Según las estadísticas de la Oficina de Medicamentos Inteligentes, los nuevos proyectos de medicamentos desarrollados por compañías farmacéuticas nacionales de IA como Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent y Hongyun Bio han entrado en la etapa de ensayo clínico. A finales de junio, Insilicon Intelligence fue el primero en el mundo en completar la administración del primer paciente del fármaco de IA INS018_055 en el ensayo clínico de Fase II.

La verdadera dificultad es cómo avanzar en los ensayos clínicos, ya que muchos medicamentos de IA están estancados en la Fase I de los ensayos clínicos. Según las estadísticas de la Oficina de Medicamentos Inteligentes, entre los 80 proyectos clínicos de medicamentos de IA aprobados en el mundo, solo 29 proyectos de investigación y desarrollo han avanzado a la fase II de ensayos clínicos, y ningún proyecto de medicamentos de IA ha entrado en una etapa posterior.

Después de correr con los ojos vendados durante 10 años, AI Pharmaceuticals comenzó a ser un poco incapaz de correr. Además de DSP-1181, que entró en el ensayo clínico de fase I, no hace mucho tiempo, Benevolent AI, otra compañía farmacéutica británica líder en IA, también anunció que un fármaco candidato para el tratamiento de la dermatitis atópica no logró alcanzar el nivel objetivo en el Ensayo clínico fase II Variables secundarias de eficacia. Insilicon, que está produciendo agresivamente nuevos medicamentos de IA, es extremadamente cauteloso cuando se trata de ensayos clínicos de fase II.

Fighting Single Point Breakthrough

Aunque ha habido varios altibajos, para los productos farmacéuticos de IA, todavía no existe una definición clara en la industria. Los intentos de las personas de utilizar tecnologías de inteligencia artificial (IA) como el aprendizaje automático, el aprendizaje profundo, el procesamiento del lenguaje natural y los gráficos de conocimiento para llevar a cabo análisis moleculares químicos medicinales, descubrimiento de objetivos, detección de compuestos e incluso investigación de ensayos clínicos y otras investigaciones de nuevos medicamentos y trabajo relacionado con el desarrollo, es decir, productos farmacéuticos de IA.

En muchas ocasiones, los productos farmacéuticos de IA se consideran la solución definitiva para mejorar la eficiencia de la investigación y el desarrollo de nuevos fármacos. Sin embargo, la tecnología de IA, que está separada de la estricta lógica farmacéutica, rompe el vínculo central de la investigación y el desarrollo de nuevos medicamentos en un solo punto de una manera que está separada entre sí.

Específicamente, en la etapa anterior de exploración, los productos farmacéuticos de IA se utilizaron para completar las dos tareas extremadamente tediosas pero extremadamente importantes de descubrir nuevos objetivos y compuestos de detección.

Por un lado, la gente espera confiar en las potentes capacidades informáticas y de análisis de los productos farmacéuticos de IA para descubrir el potencial de explotar completamente los objetivos difíciles de administrar y eludir la competencia homogénea en el Mar Rojo. Según las estadísticas, en el proteoma humano, los objetivos difíciles de fármaco representan más del 75% y más de la mitad de las enfermedades humanas son clínicamente intratables. Para los objetivos que se ha verificado que son efectivos, como PD-1, GLP-1, etc., cientos de compañías farmacéuticas a menudo se apresuran a desarrollarlos en un corto período de tiempo.

Hasta ahora, los productos farmacéuticos de IA se han utilizado para reemplazar muchos eslabones en el desarrollo convencional de nuevos medicamentos. Por ejemplo, la identificación de objetivos, que es un paso crítico en el desarrollo de fármacos y uno de los pasos más complejos. En esta etapa, la mayoría de los objetivos utilizados en el desarrollo de nuevos fármacos son proteínas. En el descubrimiento de objetivos basado en IA, los investigadores primero extraen las características originales de la secuencia, la estructura y la función de la proteína, luego usan métodos de aprendizaje automático para construir un modelo de proteína preciso y estable, y finalmente usan este modelo para identificar la función objetivo. Inferencia, predicción y clasificación. Esto se ha convertido en un medio importante para la investigación de objetivos de IA.

Además de los datos estructurales, se extraen múltiples datos ómicos, como genómica, proteómica y metabolómica, de muestras de pacientes y datos biomédicos masivos, y el aprendizaje profundo se utiliza para analizar las diferencias entre estados patológicos y no patológicos. descubrir proteínas que tienen un impacto en la enfermedad.

Por otro lado, la tecnología de IA puede simplificar la detección y síntesis de fármacos y reducir los costos. Para los compuestos examinados, a menudo se requieren condiciones de dimensión tales como solubilidad, actividad/selectividad, toxicidad, metabolismo, farmacocinética/eficacia y síntesis. Esto implicará procesos experimentales repetidos, que consumen mucho tiempo y son laboriosos, y aumentarán el costo de la investigación preclínica. Y este tipo de trabajo altamente repetitivo y de cálculo intensivo es exactamente para lo que son buenos los programas de computadora.

En este proceso se utiliza tecnología de IA para lograr la generación molecular, es decir, utilizar métodos de aprendizaje automático para generar nuevas moléculas pequeñas. Específicamente, la IA puede obtener las leyes de la estructura molecular y la farmacabilidad de los compuestos mediante el aprendizaje de una gran cantidad de compuestos o moléculas de fármacos, y luego generar muchos compuestos que nunca han existido en la naturaleza como moléculas candidatas a fármacos de acuerdo con estas leyes, construyendo de manera efectiva fármacos con Ciertas bibliotecas moleculares a gran escala y de alta calidad.

Además, la tecnología de IA también se utiliza para completar el diseño de reacciones químicas y la detección de compuestos. Una de las áreas de la química donde la IA está progresando actualmente es el modelado y la predicción de reacciones químicas y rutas sintéticas. Con base en la tecnología de IA, la estructura molecular se mapea en una forma que puede ser procesada por algoritmos de aprendizaje automático, y se forman múltiples rutas sintéticas basadas en las estructuras de compuestos conocidos, y se recomienda la mejor ruta sintética. A su vez, el aprendizaje profundo y el aprendizaje por transferencia pueden predecir los resultados de las reacciones químicas dados los reactivos. Las técnicas de IA pueden incluso usarse para explorar nuevas reacciones químicas. En la detección de compuestos, la tecnología de IA se utiliza para modelar la relación entre la estructura química y la actividad biológica de los compuestos y predecir el mecanismo de acción de los compuestos.

Se puede decir que en cada nodo independiente, AI Pharmaceuticals lo ha hecho muy bien. Pero este tipo de excelencia es difícil de extender más allá del software de computadora. Además de los ensayos clínicos que no pueden ejecutarse, los productos farmacéuticos de IA han sido criticados dentro de las compañías farmacéuticas, lo que ya es un fenómeno público. En la entrevista con Arterial.com, las quejas de los ingenieros farmacéuticos de IA sobre la baja actividad molecular y el largo ciclo de producción, y el rechazo de los expertos en química médica por el difícil funcionamiento de la plataforma tecnológica casi se ha convertido en un destino que muchas compañías farmacéuticas de IA no pueden. escapar.

Mirando hacia atrás, no se puede ignorar la brecha entre los productos farmacéuticos de IA y las compañías farmacéuticas porque el primero busca la eficiencia y verifica su propio valor al comprimir el tiempo de desarrollo, mientras que el segundo enfatiza la calidad y requiere demostraciones repetidas para seleccionar los buenos. En cierto sentido, los productos farmacéuticos de IA caminan en línea recta, esforzándose por avanzar, mientras que el proceso de investigación y desarrollo de nuevos medicamentos se parece más a un circuito cerrado, que puede anularse y reiniciarse.

Es posible que la implementación real de los productos farmacéuticos de IA deba dejar de intentar lograr avances en un solo punto y, en cambio, integrarse en el pensamiento de ciclo cerrado de la investigación y el desarrollo de nuevos medicamentos.

Regresa a las verdaderas reglas de hacer medicina

"Cuanto más y más empresas farmacéuticas están construyendo laboratorios automatizados", dijo un inversor a Arterial.com, "la introducción de la tecnología de IA en el descubrimiento de fármacos, la síntesis química y otros enlaces casi se ha convertido en una configuración estándar para las empresas farmacéuticas innovadoras". El autor dijo que si se verifica la función del laboratorio inteligente automatizado para mejorar la eficiencia de la investigación y el desarrollo de nuevos medicamentos, desencadenará una nueva ola de construcción de infraestructura para las grandes compañías farmacéuticas.

Arterial.com clasificó los datos públicos y encontró que en los últimos dos años, las compañías farmacéuticas de IA han invertido en la construcción de laboratorios automatizados. El entorno del laboratorio y las compañías farmacéuticas multinacionales como Pfizer, AstraZeneca y Eli Lilly también han pagado por el laboratorio automatizado de investigación y desarrollo de fármacos basado en tecnología de IA.

Por ejemplo, en AstraZeneca iLab en Gotemburgo, Suecia, AstraZeneca está explorando la construcción de un laboratorio de química médica completamente automático, que integre a la perfección el diseño, la fabricación, las pruebas y el análisis (DMTA) de circuito cerrado del desarrollo de nuevos fármacos con la tecnología plataforma de Molecular AI, una nueva empresa de investigación y desarrollo de fármacos de IA. Entre ellos, la tecnología de IA completa principalmente los enlaces de diseño y análisis en el circuito cerrado de DMTA, utiliza IA y aprendizaje automático para ayudar a los químicos a tomar mejores decisiones más rápido, realiza una interacción efectiva entre químicos y computadoras y, por lo tanto, acelera la exploración del espacio químico y el diseño. de posibles nuevas moléculas de fármacos.

Para dar otro ejemplo, Pfizer cooperó con Jingtai Technology para acelerar el desarrollo de nuevos medicamentos mediante el método de "predicción de IA + verificación experimental". Este último estableció un laboratorio automatizado en Shanghái.

"El desarrollo de fármacos es un proceso de optimización simultánea multidimensional", dijeron algunos profesionales a Arterial Network. La escala de datos de la investigación y el desarrollo de nuevos fármacos es enorme, y el tipo y la estructura son bastante complejos. puede completar el diseño de manera más eficiente. , verificado ilusorio.

Por un lado, las compañías farmacéuticas han formado un método de gestión de datos más sistemático. La investigación y el desarrollo de fármacos tradicionales se basan en la ciencia experimental. En el pasado, la investigación y el desarrollo de nuevos medicamentos, el registro, la gestión y el almacenamiento de datos se centraban en experimentos, que debían ajustarse dinámicamente de acuerdo con las necesidades experimentales. En otras palabras, los datos son solo un subproducto de la experimentación. Dado que la IA es un método dentro de la categoría de ciencia virtual, informática y ciencia de datos, la importancia de los datos es evidente. Esto requiere que las compañías farmacéuticas regulen estrictamente el formato, el estándar, la calidad y la cantidad de datos en la investigación y el desarrollo de medicamentos.

Por otro lado, el modelo de algoritmo de las compañías farmacéuticas de IA también se puede optimizar de manera específica, en lugar de simplemente llamarlo. La IA está profundamente integrada con el negocio central de la industria farmacéutica tradicional, lo que enfatiza la comprensión profunda de la industria y una mayor precisión técnica. Además de extraer nuevos conocimientos de una gran cantidad de documentos y datos experimentales existentes, también es necesario tener la capacidad de explorar y refinar completamente los datos experimentales en tiempo real, y optimizar modelos y algoritmos iterativos basados en la retroalimentación de datos.

"Además de los modelos de algoritmos y los datos, los productos farmacéuticos de IA están cada vez más preocupados por los problemas biológicos", señaló otro profesional. Es cierto que confiar únicamente en el experimento en sí solo puede verificar la hipótesis formulada, pero a lo que se enfrenta la industria farmacéutica de IA es a un sistema más complejo, y aún se desconocen muchos problemas. En los últimos años han comenzado a llamar la atención los métodos de descubrimiento de fármacos basados en el fenotipo, es decir, el uso directo de sistemas biológicos para el cribado de nuevos fármacos.

¡Qué complejos son los problemas de las ciencias de la vida! La lógica subyacente de ser una molécula patentada es que la comprensión de los mecanismos biológicos puede resolver el problema final de los productos farmacéuticos de IA. Los nuevos cambios en la industria pueden representar un cambio positivo en el modo operativo de los productos farmacéuticos de IA, desde un desarrollo independiente relativamente fragmentado basado en datos de laboratorio de compañías farmacéuticas, datos clínicos y modelos biológicos ideales, retrocediendo y utilizando métodos matemáticos. Trate de deconstruir el mecanismo de la enfermedad desde una perspectiva biológica, y empezar a encontrar fármacos con el fin en mente.

Y este proceso, sin duda, implicará análisis y cálculos de datos más grandes, que también es una razón importante por la que las empresas con potencia informática como Nvidia están profundamente involucradas en él. "Los modelos de baja dimensión no se pueden usar para explicar problemas de alta dimensión. Solo mediante el establecimiento de herramientas para comprender sistemas extremadamente complejos se pueden responder problemas complejos en las ciencias de la vida", dijo el Dr. Zhao Yu, subdirector del Laboratorio Turing Darwin y cofundador de Tecnología Zheyuan, dijo.

Para los productos farmacéuticos de IA, el modo de operación de avance de un solo punto se ha falsificado en cierto sentido, pero la curva de crecimiento de la industria siempre es ascendente.