L'entrée de Nvidia à 50 millions de dollars, pourquoi le produit pharmaceutique dégoûté de l'IA fait-il son retour ?

Source originale : réseau artériel

Source de l'image : générée par l'IA illimitée‌

Le 12 juillet, Nvidia a annoncé un investissement de 50 millions de dollars dans Recursion pour accélérer des modèles fondamentaux révolutionnaires dans le domaine de la découverte de médicaments par intelligence artificielle. Cette décision a suscité une inquiétude généralisée dans l'industrie et le cours des actions des cibles connexes sur le marché secondaire a monté en flèche.

En fait, Nvidia hésite un peu à déployer des produits pharmaceutiques IA. Dès 2018, Nvidia a lancé la plateforme Clara spécifiquement pour les scénarios médicaux. Par la suite, Clara a progressivement élargi ses frontières avec les outils de recherche en IA d'imagerie et a commencé à s'impliquer dans la génomique. La plateforme Clara est rapidement devenue un outil efficace dans le développement de nouveaux médicaments. Elle peut être utilisée dans la conception de médicaments, grâce à différentes IA pour générer des molécules, pour accomplir des tâches telles que la génération de protéines, la génération moléculaire et l'amarrage, et même prédire les trois interaction dimensionnelle entre les protéines et les molécules, de manière à optimiser la façon dont le médicament agit dans le corps.

En mars 2023, NVIDIA a coopéré avec plus de 100 entreprises à travers le monde, y compris la recherche et le développement de nouveaux médicaments, sur le modèle Clara. Mais les 50 millions de dollars investis dans Recursion sont le premier investissement direct de Nvidia dans les produits pharmaceutiques mondiaux de l'IA. Fondée en 2013, cette société pharmaceutique d'IA établie utilise principalement les caractéristiques d'image des fibres des cellules pour le criblage de médicaments.La logique sous-jacente est assez différente de celle d'autres pairs.

La caractéristique de Recurison est que plusieurs expériences peuvent être mises en parallèle avec un débit élevé grâce à des expériences sèches et humides en boucle fermée. Tout d'abord, des cellules humaines sont rendues malades de diverses manières en laboratoire, et ces cellules malades sont photographiées. Ensuite, laissez le programme d'apprentissage automatique apprendre la différence entre ces cellules malades et les cellules saines. Enfin, divers médicaments sont appliqués sur les cellules malades et le programme d'apprentissage automatique est utilisé pour juger si les cellules reviennent à un état sain, afin de juger de l'effet des médicaments.

Dans le processus pharmaceutique d'IA de Recurison, la recherche fondamentale au niveau cellulaire est un maillon clé. Derrière cela se cache une logique de recherche de cibles et de développement de médicaments basés sur l'essence des phénomènes complexes de la vie. Au moment où le modèle pharmaceutique traditionnel d'IA formé avec des données de recherche et développement de médicaments est un peu fatigué, l'extension de la chaîne des produits pharmaceutiques d'IA devient une nouvelle façon de penser.

DSP-1181 disparu et nouveau médicament IA qui ne peut pas fonctionner

L'été 2022 vient d'arriver, et après moins de deux ans de précipitation sous les projecteurs du marché des capitaux, les produits pharmaceutiques IA ont inauguré le premier refroidissement. En plus de l'environnement externe froid de grande envergure, des produits de superstar de haut niveau sont entrés dans la phase d'essais cliniques, mais ont rapidement rencontré Waterloo, freinant le développement de produits pharmaceutiques IA.

En juillet 2022, Sumitomo Pharmaceutical a annoncé qu'elle arrêterait le développement du DSP-1181 car l'essai clinique de phase I ne répondait pas aux normes attendues. Immédiatement, DSP1181 a disparu des sites Web officiels d'Exscientia et de Sumitomo Pharmaceuticals. Depuis lors, les tentatives de développement de la première molécule médicamenteuse conçue par l'IA au monde ont échoué.

Dès 2014, Sumitomo Pharmaceuticals a favorisé la technologie de génération automatique de composés d'Exscientia et le modèle de prédiction d'intelligence artificielle basé sur la connaissance, et les deux parties ont immédiatement conclu une coopération. Sumitomo Pharmaceuticals est devenue l'une des premières sociétés pharmaceutiques au monde à coopérer avec des sociétés d'IA. Au cours des années suivantes, Sumitomo Pharmaceuticals et Exscientia ont travaillé ensemble pour finalement sélectionner un médicament récepteur couplé à la protéine monoamine G (GPCR) pour le traitement de la maladie mentale.

Dans le cadre de la collaboration, l'équipe chimique de Sumitomo Pharmaceuticals synthétise les composés proposés par Exscientia, l'équipe de pharmacologie évalue ces composés et les deux sociétés partagent ensemble des données d'activité pour continuer à améliorer le médicament. Sur la base du modèle d'algorithme d'IA d'Exscientia, les deux parties ont testé et synthétisé jusqu'à 350 composés en moins d'un an, et le DSP-1181 est le 350e composé synthétisé depuis le début du projet. A cette époque, le temps moyen pour achever ce travail dans l'industrie était de plus de 5 ans.

De plus, les deux parties synthétisent également des analogues au cours du projet. Les chimistes de Sumitomo Pharmaceuticals ont simultanément synthétisé des intermédiaires de composés proposés par Exscientia, et ont également conçu et synthétisé certains composés avec des données pharmacologiques putatives, et ont introduit ces données dans les modèles prédictifs d'Exscientia. Ceux-ci incluent des composés qui fournissent des relations structure-activité importantes pour l'optimisation des structures de composés, ce qui accélère encore le cycle de découverte de médicaments et a permis à la société de découvrir le DSP-1181 en peu de temps.

Début 2020, Exscientia a annoncé de manière très médiatisée que le DSP-1181, développé en coopération avec le japonais Sumitomo Pharmaceutical, est entré dans les essais cliniques de phase I. Au début de l'essai clinique du DSP-1181, Sumitomo Pharmaceuticals était très excité et ne pouvait s'empêcher de louer l'approche innovante adoptée par Exscientia qui apportera une grande contribution aux médicaments du système nerveux central.

Concernant l'échec du DSP-1181, certains chercheurs ont souligné que la cause profonde est que la molécule médicamenteuse elle-même n'est pas assez innovante.

Todd Wills de l'American Chemical Abstracts Service (CAS) a mené une analyse détaillée du DSP-1181 et a découvert que le récepteur sur lequel agit le DSP-1181 est une cible classique très importante des médicaments antipsychotiques. En d'autres termes, le développement du DSP-1181 n'a pas dévié de l'objectif initial. Après des recherches systématiques sur le système de brevets du DSP-1181, Wills a découvert que la molécule DSP-1181 était très similaire à l'halopéridol, un médicament antipsychotique typique approuvé par la FDA en 1967. En ce sens, Exscientia est susceptible d'optimiser sur un cadre moléculaire découvert depuis longtemps.

L'échec du DSP-1181 a jeté une ombre sur le moment brillant des produits pharmaceutiques IA, mais a également apporté un tournant clé à l'industrie. Depuis lors, lorsque les gens parlent de produits pharmaceutiques IA, en plus des algorithmes et des données, ils se concentrent aussi progressivement sur la recherche innovante en laboratoire.

Après avoir traversé la confusion des premières étapes de la technologie et de l'accumulation de données, il n'est pas rare que les produits pharmaceutiques IA d'aujourd'hui construisent un pipeline d'essais cliniques. Selon les statistiques du Bureau of Smart Medicines, les nouveaux pipelines de médicaments développés par des sociétés pharmaceutiques nationales d'IA telles que Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent et Hongyun Bio sont entrés dans la phase d'essais cliniques. Fin juin, Insilicon Intelligence a été le premier au monde à terminer l'administration du premier patient du médicament IA INS018_055 dans l'essai clinique de Phase II.

La vraie difficulté est de savoir comment faire avancer les essais cliniques, car de nombreux médicaments IA sont bloqués dans les essais cliniques de phase I. Selon les statistiques du Bureau of Smart Drugs, parmi les 80 pipelines de médicaments cliniques d'IA approuvés dans le monde, seuls 29 pipelines de R&D sont passés à la phase II des essais cliniques, et aucun pipeline de médicaments d'IA n'est entré dans une phase ultérieure.

Après avoir couru les yeux bandés pendant 10 ans, AI Pharmaceuticals a commencé à être un peu incapable de courir. En plus du DSP-1181, qui est tombé dans l'essai clinique de phase I, il n'y a pas si longtemps, Benevolent AI, une autre société pharmaceutique britannique de premier plan dans le domaine de l'IA, a également annoncé qu'un médicament candidat pour le traitement de la dermatite atopique n'avait pas atteint le niveau cible dans le essai clinique de phase II Critères secondaires d'efficacité. Insilicon, qui fabrique agressivement de nouveaux médicaments contre l'IA, est extrêmement prudent en ce qui concerne les essais cliniques de phase II.

Lutter contre la percée en un seul point

Bien qu'il y ait eu plusieurs hauts et bas, pour les produits pharmaceutiques IA, il n'y a toujours pas de définition claire dans l'industrie. Les tentatives des gens d'utiliser les technologies de l'intelligence artificielle (IA) telles que l'apprentissage automatique, l'apprentissage en profondeur, le traitement du langage naturel et les graphiques de connaissances pour effectuer des analyses moléculaires chimiques médicinales, la découverte de cibles, le criblage de composés et même la recherche d'essais cliniques et d'autres recherches sur de nouveaux médicaments et les travaux liés au développement, c'est-à-dire les produits pharmaceutiques IA.

À de nombreuses reprises, les produits pharmaceutiques IA sont considérés comme la solution ultime pour améliorer l'efficacité de la recherche et du développement de nouveaux médicaments. Cependant, la technologie de l'IA, qui est séparée de la stricte logique pharmaceutique, rompt le lien central de la recherche et du développement de nouveaux médicaments en un seul point d'une manière séparée les unes des autres.

Plus précisément, au stade précédent de l'exploration, les produits pharmaceutiques de l'IA ont été utilisés pour accomplir les deux tâches extrêmement fastidieuses mais extrêmement importantes de découverte de nouvelles cibles et de criblage de composés.

D'une part, les gens espèrent s'appuyer sur les puissantes capacités de calcul et d'analyse des produits pharmaceutiques IA pour découvrir le potentiel d'exploitation complète des cibles difficiles à traiter et contourner la concurrence homogène dans la mer Rouge. Selon les statistiques, dans le protéome humain, les cibles difficiles à traiter représentent plus de 75 % et plus de la moitié des maladies humaines sont cliniquement incurables. Pour les cibles dont l'efficacité a été vérifiée, telles que PD-1, GLP-1, etc., des centaines de sociétés pharmaceutiques se précipitent souvent pour les développer en peu de temps.

Jusqu'à présent, les produits pharmaceutiques IA ont été utilisés pour remplacer de nombreux liens dans le développement de nouveaux médicaments conventionnels. Par exemple, l'identification des cibles, qui est une étape critique dans le développement de médicaments et l'une des étapes les plus complexes. A ce stade, la plupart des cibles utilisées dans le développement de nouveaux médicaments sont des protéines. Dans la découverte de cibles basée sur l'IA, les chercheurs extraient d'abord les caractéristiques originales de la séquence, de la structure et de la fonction de la protéine, puis utilisent des méthodes d'apprentissage automatique pour construire un modèle de protéine précis et stable, et enfin utilisent ce modèle pour identifier la fonction cible. Inférence, prédiction et classification. Cela est devenu un moyen important de recherche ciblée sur l'IA.

En plus des données structurelles, de multiples données omiques telles que la génomique, la protéomique et la métabolomique sont extraites d'échantillons de patients et de données biomédicales massives, et l'apprentissage en profondeur est utilisé pour analyser les différences entre les états non pathologiques et pathologiques. découvrir des protéines qui ont un impact sur la maladie.

D'autre part, la technologie de l'IA peut simplifier le dépistage et la synthèse des médicaments et réduire les coûts. Pour les composés criblés, des conditions dimensionnelles telles que la solubilité, l'activité/sélectivité, la toxicité, le métabolisme, la pharmacocinétique/efficacité et la synthèse sont souvent requises. Cela impliquera des processus expérimentaux répétés, longs et laborieux, et augmentera le coût de la recherche préclinique. Et ce genre de travail hautement répétitif et gourmand en calculs est exactement ce pour quoi les programmes informatiques sont bons.

Dans ce processus, la technologie de l'IA est utilisée pour réaliser la génération moléculaire, c'est-à-dire pour utiliser des méthodes d'apprentissage automatique pour générer de nouvelles petites molécules. Plus précisément, l'IA peut obtenir les lois de la structure moléculaire et de la pharmacogabilité des composés grâce à l'étude d'un grand nombre de composés ou de molécules médicamenteuses, puis générer de nombreux composés qui n'ont jamais existé dans la nature en tant que molécules médicamenteuses candidates selon ces lois, construisant efficacement médicaments avec certaines propriétés Bibliothèques moléculaires à grande échelle et de haute qualité.

En outre, la technologie AI est également utilisée pour compléter la conception de la réaction chimique et le criblage des composés. L'un des domaines de la chimie où l'IA progresse actuellement est la modélisation et la prédiction des réactions chimiques et des voies de synthèse. Basée sur la technologie de l'IA, la structure moléculaire est cartographiée sous une forme qui peut être traitée par des algorithmes d'apprentissage automatique, et plusieurs voies de synthèse sont formées sur la base des structures de composés connus, et la meilleure voie de synthèse est recommandée. À leur tour, l'apprentissage en profondeur et l'apprentissage par transfert peuvent prédire les résultats des réactions chimiques en fonction des réactifs. Les techniques d'IA peuvent même être utilisées pour explorer de nouvelles réactions chimiques. Dans le criblage de composés, la technologie d'IA est utilisée pour modéliser la relation entre la structure chimique et l'activité biologique des composés et prédire le mécanisme d'action des composés.

On peut dire que sur chaque nœud indépendant, AI Pharmaceuticals a très bien réussi. Mais ce type d'excellence est difficile à étendre au-delà des logiciels informatiques. En plus des essais cliniques qui ne peuvent pas fonctionner, les produits pharmaceutiques IA ont été critiqués au sein des sociétés pharmaceutiques, ce qui est déjà un phénomène public. Dans l'interview avec Arterial.com, se plaindre par les ingénieurs pharmaceutiques de l'IA de la faible activité moléculaire et du long cycle de production, et être détesté par les experts en chimie médicinale pour le fonctionnement difficile de la plate-forme technologique est presque devenu un destin que de nombreuses sociétés pharmaceutiques d'IA ne peuvent pas s'échapper.

Avec le recul, l'écart entre les laboratoires pharmaceutiques d'IA et les sociétés pharmaceutiques ne peut être ignoré car les premiers recherchent l'efficacité et vérifient leur propre valeur en comprimant le temps de développement, tandis que les seconds mettent l'accent sur la qualité et nécessitent des démonstrations répétées pour sélectionner les bons. Dans un sens, les produits pharmaceutiques IA marchent en ligne droite, s'efforçant d'aller de l'avant, tandis que le processus de recherche et de développement de nouveaux médicaments ressemble plus à une boucle fermée, qui peut être renversée et redémarrée.

La mise en œuvre réelle des produits pharmaceutiques IA peut devoir cesser d'essayer de faire des percées en un seul point et s'intégrer à la place dans la réflexion en boucle fermée de la recherche et du développement de nouveaux médicaments.

Retour aux vraies règles de fabrication de la médecine

"Les entreprises pharmaceutiques les plus chaudes et les plus nombreuses construisent des laboratoires automatisés", a déclaré un investisseur à Arterial.com, "l'introduction de la technologie de l'IA dans la découverte de médicaments, la synthèse chimique et d'autres liens est presque devenue une configuration standard pour les entreprises pharmaceutiques innovantes". que si la fonction du laboratoire intelligent automatisé pour améliorer l'efficacité de la recherche et du développement de nouveaux médicaments est vérifiée, cela déclenchera une nouvelle vague de construction d'infrastructures pour les grandes sociétés pharmaceutiques.

Arterial.com a trié les données publiques et a constaté qu'au cours des deux dernières années, les sociétés pharmaceutiques d'IA ont investi dans la construction de laboratoires automatisés.L'environnement du laboratoire et les sociétés pharmaceutiques multinationales telles que Pfizer, AstraZeneca et Eli Lilly ont également payé pour le laboratoire automatisé de recherche et de développement de médicaments basé sur la technologie de l'IA.

Par exemple, au iLab d'AstraZeneca à Göteborg, en Suède, AstraZeneca étudie la construction d'un laboratoire de chimie médicinale entièrement automatisé, intégrant de manière transparente la conception, la fabrication, les tests et l'analyse en boucle fermée (DMTA) du développement de nouveaux médicaments avec la plate-forme technologique de Molecular AI, une entreprise de recherche et de développement de nouveaux médicaments sur l'IA. . Parmi eux, la technologie de l'IA complète principalement les liens de conception et d'analyse dans la boucle fermée DMTA, utilise l'IA et l'apprentissage automatique pour aider les chimistes à prendre de meilleures décisions plus rapidement, réalise une interaction efficace entre les chimistes et les ordinateurs, et accélère ainsi l'exploration de l'espace chimique et la conception. de nouvelles molécules médicamenteuses potentielles.

Autre exemple, Pfizer a coopéré avec Jingtai Technology pour accélérer le développement de nouveaux médicaments en utilisant la méthode « prédiction IA + vérification expérimentale ». Cette dernière a établi un laboratoire automatisé à Shanghai.

"Le développement de médicaments est un processus d'optimisation simultanée multidimensionnelle", ont déclaré certains praticiens à Arterial Network.L'échelle des données de la recherche et du développement de nouveaux médicaments est énorme, et le type et la structure sont assez complexes.Construire un laboratoire sec et humide en boucle fermée peut compléter la conception plus efficacement. , illusoire vérifié.

D'une part, les sociétés pharmaceutiques ont formé une méthode de gestion des données plus systématique. La recherche et le développement de médicaments traditionnels sont basés sur la science expérimentale. Dans le passé, la recherche et le développement de nouveaux médicaments, l'enregistrement, la gestion et le stockage des données étaient tous centrés sur les expériences, qui devaient être ajustées dynamiquement en fonction des besoins expérimentaux. En d'autres termes, les données ne sont qu'un sous-produit de l'expérimentation. Comme l'IA est une méthode dans la catégorie de la science virtuelle, de l'informatique et de la science des données, l'importance des données est évidente. Cela oblige les sociétés pharmaceutiques à réglementer strictement le format, la norme, la qualité et la quantité de données dans la recherche et le développement de médicaments.

D'autre part, le modèle d'algorithme des sociétés pharmaceutiques d'IA peut également être optimisé de manière ciblée, plutôt que simplement appelé. L'IA est profondément intégrée au cœur de métier de l'industrie pharmaceutique traditionnelle, mettant l'accent sur une compréhension approfondie de l'industrie et une plus grande précision technique. En plus d'exploiter de nouvelles connaissances à partir d'un grand nombre d'articles et de données expérimentales existants, il est également nécessaire d'avoir la capacité d'explorer et d'affiner pleinement les données expérimentales en temps réel, et d'optimiser les modèles et les algorithmes itératifs basés sur la rétroaction des données.

"En plus des modèles d'algorithmes et des données, les produits pharmaceutiques de l'IA sont de plus en plus concernés par les problèmes biologiques", a souligné un autre praticien. Il est vrai que se fier uniquement à l'expérience elle-même ne peut que vérifier l'hypothèse formée, mais ce à quoi les produits pharmaceutiques IA sont confrontés est un système plus complexe et de nombreux problèmes sont encore inconnus. Ces dernières années, les méthodes de découverte de médicaments basées sur le phénotype ont commencé à attirer l'attention, c'est-à-dire l'utilisation directe de systèmes biologiques pour le criblage de nouveaux médicaments.

Comme les problèmes des sciences de la vie sont complexes ! La logique sous-jacente d'être une molécule brevetée est que la compréhension des mécanismes biologiques peut résoudre le problème ultime des produits pharmaceutiques IA. Les nouveaux changements dans l'industrie peuvent représenter un changement positif dans le mode de fonctionnement des produits pharmaceutiques IA, passant d'un développement indépendant relativement fragmenté basé sur des données de laboratoire de sociétés pharmaceutiques, des données cliniques et des modèles biologiques idéaux, à un retour en arrière en amont et à l'aide de méthodes mathématiques Essayer de déconstruire le mécanisme de la maladie d'un point de vue biologique, et commencer à trouver des médicaments en pensant à la fin.

Et ce processus impliquera sans aucun doute une analyse et des calculs de données plus importants, ce qui est également une raison importante pour laquelle des entreprises comme Nvidia qui contrôlent la puissance de calcul y sont profondément impliquées. "Les modèles de faible dimension ne peuvent pas être utilisés pour expliquer des problèmes de grande dimension. Ce n'est qu'en établissant des outils pour comprendre des systèmes extrêmement complexes que l'on peut répondre aux problèmes complexes des sciences de la vie. " Dr Zhao Yu, directeur adjoint du laboratoire Turing Darwin et co-fondateur de Technologie Zheyuan, a déclaré .

Pour les produits pharmaceutiques IA, le mode de fonctionnement révolutionnaire en un seul point a été falsifié dans un certain sens, mais la courbe de croissance de l'industrie est toujours à la hausse.