Seberapa jauh DrugGPT dari ChatGPT? Perusahaan farmasi AI: "kemacetan" bukanlah daya komputasi tetapi data

Sumber: "Dewan Inovasi Sains dan Teknologi Setiap Hari"

Reporter: Yu Shiqi, Zhu Jieyan

Sumber gambar: Dihasilkan oleh AI‌ Tak Terbatas

Pada Konferensi Kecerdasan Buatan Dunia 2023WAIC yang baru saja berlalu, kebangkitan AI generatif hampir terjadi di seluruh konferensi. Sebagai outlet transformatif yang paling banyak mendapat perhatian saat ini, investor, kalangan industri, dan akademisi semua memiliki banyak harapan untuk itu, terutama bagaimana menggali peluang yang mengganggu di tingkat aplikasi.

AI+medicine adalah salah satu peluang untuk dilihat. Pada konferensi ini, Su Zifeng, ketua dan CEO Advanced Micro Devices (AMD), mengatakan dalam pidatonya bahwa perawatan kesehatan adalah area di mana AI benar-benar dapat memengaruhi hasil manusia dan akan membantu dokter membuat diagnosis yang lebih baik. Mempercepat penelitian pencegahan penyakit.

Saingan lamanya bergerak lebih cepat. Pada 12 Juli, Nvidia mengumumkan investasi $50 juta di perusahaan farmasi AI, Recursion, dalam bentuk ekuitas swasta. Pendiri dan CEO-nya Huang Renxun mengatakan dalam pengumumannya bahwa AI generatif adalah alat revolusioner dalam pengembangan obat baru dan terapi baru. Recursion menggunakan produk terkait NVIDIA untuk melakukan pekerjaan perintis di bidang biokimia, mempercepat pengembangan model biomolekul AI generatif terbesar di dunia, sehingga memajukan pengembangan bioteknologi dan mempercepat penemuan obat untuk perusahaan farmasi.

Obat-obatan AI selalu menjadi salah satu hot spot di China, dan sejumlah perusahaan terkemuka yang telah mencapai garis depan dunia dalam teknologi telah bermunculan. Ketika peluang datang, bagaimana perusahaan farmasi AI garis depan mengenali perubahan saat ini "Kechuangban Daily" mengundang He Qi, salah satu pendiri dan CEO TB Medical, Zhang Peiyu, kepala ilmiah Jingtai Teknologi, dan Teknologi Shenshi Wang Xiaofo, kepala strategi, dan tiga perwakilan industri berbagi peluang dan tantangan di mata mereka.

Yang "macet" bukanlah daya komputasi tetapi data

Soal dampak gelombang AI generatif, persepsi umum ketiga pengusaha itu menjadi "panas".

He Qi, CEO TBMI Pharmaceuticals, mengatakan bahwa seluruh industri farmasi masih dalam musim dingin, tetapi jalur farmasi AI sudah mulai meningkat. Pada bulan Maret tahun ini, TBM menyelesaikan pembiayaan putaran A sebesar US$35 juta, saat itu mendapat dukungan dari banyak institusi top, dan kini banyak institusi yang telah menyatakan minatnya pada model bisnis tersebut.

Baik Zhang Peiyu, kepala ilmiah Teknologi Jingtai, dan Wang Xiaofo, kepala strategi di Teknologi Shenshi, percaya bahwa dampak AI generatif belum secara langsung ditransmisikan ke obat-obatan AI, tetapi telah membawa sinyal positif ke industri. Zhang Peiyu menyebutkan, "Titik investasi GPT masih seputar model besar, basis data, dan komputasi grafis. Ini baru permulaan. Di masa mendatang, GPT pasti akan bermigrasi ke lapisan aplikasi yang lebih terbagi seperti kedokteran dan manufaktur. Ini adalah pertumbuhan yang tak terelakkan .proses.**"

Sebelum ChatGPT meledak keluar dari lingkaran, penelitian dan pengembangan obat baru yang diaktifkan AI telah menjadi konsensus industri. Laporan penelitian menunjukkan bahwa dengan mengaktifkan penemuan target obat dan penyaringan senyawa melalui pembelajaran mesin (ML) dan pembelajaran mendalam (DL), tingkat keberhasilan pengembangan obat baru dapat ditingkatkan dari 12% menjadi 14%%, menghemat sekitar US$55 miliar dalam skrining senyawa dan biaya uji klinis di seluruh dunia setiap tahun. **

Namun di sisi lain, farmasi AI juga menghadapi hambatan. Obat-obatan AI saat ini terutama digunakan pada tahap awal penemuan obat dan skrining senyawa timbal.Pada tahap uji klinis, masih banyak orang yang harus menyelesaikan pekerjaan terkait. Pada saat yang sama, farmasi AI juga dibatasi oleh dampak homogenitas data. Dalam arti populer, materi pembelajaran AI adalah data eksperimental yang dibuat oleh manusia, dan AI tidak dapat membuat data target yang tidak populer begitu saja. Ini juga berarti bahwa kemampuan AI generatif yang paling imajinatif terbatas.

Oleh karena itu, dilema yang dihadapi perusahaan farmasi AI sangat berbeda dengan perusahaan model besar saat ini. Zhang Peiyu secara blak-blakan menyatakan dalam wawancara bahwa daya komputasi dan algoritme bukanlah hambatan utama yang membatasi pengembangan perusahaan farmasi AI. Ratusan GPU dan algoritma iteratif saat ini sudah cukup untuk mendukung kebutuhan perusahaan farmasi AI, kuncinya terletak pada data. **

“Apakah itu untuk mensimulasikan perhitungan melalui keunggulan daya komputasi AI, mempercepat penyaringan dan optimalisasi zat timbal, atau merancang struktur molekul baru berdasarkan pengalaman dan pelatihan data besar, sejumlah besar data diperlukan sebagai dukungan. Untuk farmasi AI perusahaan, intinya dibangun di atas kapasitas produksi data," kata Zhang Peiyu.

Dalam pandangan He Qi, alasan utama mengapa AI dapat memainkan peran yang relatif terbatas pada tahap akhir pengembangan obat adalah kurangnya data, terutama data yang dibutuhkan pada tahap klinis atau kedokteran translasi. Ini menimbulkan tantangan besar bagi pelatihan model besar.

Kurangnya data tidak hanya tercermin dalam kuantitas, Wang Xiaofo lebih lanjut menganalisis inti masalahnya, "Jumlah data tidak cukup sekarang, karena biaya untuk menghasilkan data melalui eksperimen sangat tinggi. Yang lebih merepotkan adalah itu kualitas tidak dapat dijamin sepenuhnya. Misalnya, Eksperimen yang sama, jika A melakukannya dan B melakukannya, hasilnya mungkin berbeda. Itu sendiri dipengaruhi oleh banyak faktor di luar lokasi dan kesalahan terkait. Kuantitas dan kualitas dari data yang mendasarinya tidak dapat dijamin, akibat langsung Artinya, kinerja dan hasil pembelajaran AI akan sangat berkurang."

Menurut beberapa praktisi farmasi AI, jalan dari ChatGPT ke DrugGPT berliku-liku dan sulit, yang macet bukanlah daya komputasi, melainkan kapasitas produksi data yang mendasarinya. Tetapi dengan cara yang sama, di bawah gelombang AI generatif, obat-obatan AI memiliki peluang untuk membawa perubahan kualitatif ke seluruh industri farmasi, memecahkan hambatan inovasi, dan menyelesaikan masalah mendasar efisiensi R&D.

**Seberapa jauh masa depan DrugGPT? **

Hal pertama yang harus dipecahkan adalah masalah kapasitas produksi data.

Ide Jingtai adalah "otomatisasi + kecerdasan". Zhang Peiyu percaya bahwa proses penelitian dan pengembangan obat adalah proses iterasi coba-coba yang berkelanjutan, banyak di antaranya secara tradisional padat karya, dan dapat sepenuhnya otomatis menggantikan tenaga manusia untuk meningkatkan efisiensi dan akurasi. Banyak pekerjaan yang mereka lakukan sekarang adalah mengubah proses tradisional menjadi proses otomatis, dan melacak data presisi tinggi melalui proses otomatis, dan memasukkannya kembali ke model AI secara real time. Metode ini dapat mengumpulkan lebih banyak data yang lebih komprehensif dan nyata daripada eksperimen manusia, meningkatkan efisiensi manusia beberapa kali, dan memberdayakan manusia untuk melakukan eksplorasi inovatif yang lebih sukses.

Data yang dihasilkan oleh otomatisasi terus mendorong pengembangan dan optimalisasi algoritme cerdas. Semakin tinggi efisiensi otomatisasi, semakin akurat prediksi algoritme cerdas dan semakin luas cakupan aplikasinya. Pada saat yang sama, kecerdasan juga tercermin dalam transformasi informasi yang tidak terstruktur menjadi data yang terstruktur. Menurutnya, kini AI dapat mengekstraksi informasi seperti rute sintetik dan struktur molekul yang tersembunyi dalam dokumen dan paten yang tidak terstruktur, mengubahnya menjadi data terstruktur, meningkatkan kinerja algoritme, dan kemudian menampilkan rute sintetik yang dirancang ke peralatan otomatis. , proses produksi data. Dalam proses ini, AI juga dapat berperan dalam penjadwalan dan perencanaan, memanggil berbagai alat secara efisien secara paralel, dan menyelesaikan loop tertutup dari prediksi algoritme hingga verifikasi eksperimental untuk berbagai skenario aplikasi.

"Ini adalah arah pengembangan yang layak dinantikan. Pada akhirnya, hanya AI yang dapat menghubungkan lingkaran tertutup antara desain dan produksi, dan secara otomatis menyelesaikan penelitian dan pengembangan obat," kata Zhang Peiyu.

Shenshi mengusulkan paradigma penelitian ilmiah baru AI untuk Sains Sederhananya, menggunakan AI untuk mempelajari hukum ilmiah dari operasi yang mendasari serangkaian hal. Wang Xiaofo mengatakan bahwa menghadapi masalah kelangkaan data, mereka memperkenalkan AI ke bidang penelitian ilmiah tingkat rendah, memungkinkan AI menggunakan penyesuaian fungsi yang kuat dan kemampuan analisis data untuk mempelajari hukum dan prinsip ilmiah, dan mendapatkan model yang dapat digunakan untuk memecahkan masalah praktis Isu-isu penelitian ilmiah, terutama membantu para ilmuwan untuk melakukan banyak verifikasi dan trial and error di bawah asumsi yang berbeda, sehingga sangat mempercepat proses penelitian dan eksplorasi ilmiah.

Saat ini, kami dapat melihat peningkatan efisiensi. Wang Xiaofo menyebutkan bahwa berkali-kali eksperimen tingkat tinggi mungkin perlu dilakukan dalam proses penyaringan obat. Sekarang, kami akan menggunakan paradigma baru AI untuk Sains untuk menghitung, lalu lanjutkan ke perhitungan Untuk sebagian kecil verifikasi, kami baru-baru ini mencoba melakukan percobaan dengan urutan lebih sedikit daripada sebelumnya, dan kami bisa mendapatkan obat kandidat. Ini setara dengan memperoleh peningkatan efisiensi lebih dari 10 kali lipat.

Berkat efisiensi telah membawa perubahan tingkat rendah. Menurut Zhang Peiyu, laboratorium intelijen digital otomatis yang dirancang oleh Jingtai untuk biomedis tidak hanya dapat digunakan untuk penelitian dan pengembangan obat, tetapi juga dapat diperluas lebih jauh ke arah teknik kimia dan material baru yang juga memerlukan penyaringan eksperimental. adalah sama. Tetapi persyaratan keamanan, siklus validasi, dan kerumitan proyek di area ini jauh lebih rendah. Ini adalah pasar yang sangat besar yang tidak lebih lemah dari obat-obatan, saat ini, mereka telah menjalin kerja sama dengan beberapa perusahaan petrokimia, penyimpanan energi, dan perusahaan penelitian dan pengembangan material baru lainnya.

Untuk masa depan, ia memiliki ekspektasi yang cukup optimis. Setelah melewati kemacetan produksi data, obat-obatan AI memiliki peluang untuk menyebabkan perubahan kualitatif melalui perubahan kuantitatif. Ke depan, seluruh proses pengembangan obat dapat dipandu oleh AI, mempersulit- target ke obat dan obat baru Mekanisme pembuatan obat telah melahirkan generasi baru obat berkualitas tinggi, menciptakan jalur pipa obat baru dan pasar tambahan. Dalam 20 atau 30 tahun, diharapkan 90% pekerjaan penelitian dan pengembangan obat baru dapat dilakukan dengan lebih efisien oleh AI. Sementara ambang inovasi diturunkan, plafon penelitian dan pengembangan obat akan dinaikkan , dengan sumber daya, waktu dan risiko kegagalan yang lebih sedikit, sehingga lebih banyak obat yang sampai ke pasien.

Saat ini, He Qi percaya bahwa kekuatan pendorong AI untuk penelitian dan pengembangan obat telah mencapai kurva kedua.Perusahaan bioteknologi pasti perlu berinvestasi besar-besaran dalam komputasi saat melakukan penelitian dan pengembangan obat inovatif. Berdasarkan pain point ini, perusahaan farmasi AI yang menyediakan peralatan dan daya komputasi, serta dukungan ahli, telah diakui oleh banyak pelanggan. Setelah meletakkan dasar untuk komersialisasi, perusahaan dapat mengeksplorasi lebih banyak jalur Litbang obat yang didukung AI dari perspektif jangka panjang.