DrugGPT から ChatGPT までの距離はどれくらいですか? AI製薬会社：「行き詰まっているネック」はコンピューティング能力ではなくデータである

出典: 「科学技術イノベーション委員会日報」

記者: Yu Shiqi、Zhu Jieyan

画像ソース: Unbounded AI によって生成‌

閉会したばかりの 2023WAIC 世界人工知能会議では、生成 AI の盛り上がりが会議全体をほぼ駆け抜けました。現在最も注目を集めている変革の出口として、投資家、産業界、学界はいずれも、特にアプリケーションレベルでいかに破壊的な機会を掘り起こすかに大きな期待を寄せている。

AI+医療は注目される機会の1つです。このカンファレンスで、アドバンスト・マイクロ・デバイセズ（AMD）の会長兼最高経営責任者（CEO）のスー・ジーフェン氏は講演の中で、ヘルスケアはAIが人間の転帰に真の影響を与える分野であり、医師がより適切な診断を下すのに役立つだろうと述べ、疾病予防研究を加速すると述べた。

彼女の古いライバルはより速く動いた。 7 月 12 日、Nvidia はプライベート エクイティの形で AI 製薬会社 Recursion に 5,000 万ドルの投資を発表しました。同社の創設者兼CEOのHuang Renxun氏は発表の中で、生成AIは新薬や新治療法の開発における革命的なツールであると述べた。 Recursion は、NVIDIA の関連製品を使用して生化学の分野で先駆的な研究を行い、世界最大の生体分子の生成 AI モデルの開発を加速させ、それによってバイオテクノロジーの開発を前進させ、製薬会社の創薬を加速させています。

中国ではAI製薬が常に注目を集めており、技術で世界の最前線に達する有力企業が数多く出現している。時代のチャンスが到来したとき、最前線のAI製薬企業は現在の変化をどのように認識するのでしょうか? 「科創板日報」はTB Medicalの共同創設者兼最高経営責任者（CEO）のHe Qi氏、Jingtaiの最高科学責任者であるZhang Peiyu氏を招待しました。 Technology、Shenshi Technology の戦略責任者である Wang Xiaofo 氏と 3 人の業界代表者が、機会と課題を共有しました。

「行き詰まっている」のは計算能力ではなくデータです

生成AIの波の影響について、3人の起業家に共通する認識は「ホットになった」ということだ。

TBMIファーマシューティカルズのCEO、He Qi氏は、製薬業界全体はまだ寒い冬の中にあるが、AI医薬品の軌道は上向き始めていると述べた。 TBMは今年3月に3,500万米ドルのAラウンド資金調達を完了し、その際に多くのトップ機関の支援を受け、現在では多くの機関がこのビジネスモデルに関心を示している。

Jingtai Technology の最高科学責任者である Zhang Peiyu 氏と Shenshi Technology の戦略責任者である Wang Xiaofo 氏はどちらも、生成 AI の影響はまだ AI 医薬品に直接伝わっていないと考えていますが、すでに業界に前向きなシグナルをもたらしています。 Zhang Peiyu 氏は、「GPT の投資のホットスポットは依然として大規模なモデル、データベース、グラフィックス コンピューティングの周囲にあります。これはほんの始まりにすぎません。将来的には、医療や製造など、より細分化されたアプリケーション層に確実に移行するでしょう。これは避けられない成長です」と述べました。 .プロセス。**」

ChatGPT が爆発的に世に出る前から、AI を活用した新薬の研究開発は業界のコンセンサスになっていました。研究報告書では、機械学習 (ML) と深層学習 (DL) を通じて創薬標的の発見と化合物のスクリーニングを可能にすることで、新薬開発の成功率が 12% から 14% に向上し、約 550 億米ドルを節約できることが示されています。毎年世界中で化合物スクリーニングと臨床試験の費用が増加しています。 **

しかしその一方で、AI医薬品もボトルネックに直面している。 AI医薬品は現在、主に創薬の初期段階やリード化合物のスクリーニングで使用されていますが、臨床試験段階では、関連作業を完了するためにさらに多くの人員が必要です。同時に、AI 医薬品もデータの均一性の影響によって制限されます。一般的な意味で、AI 学習教材は人間が作成した実験データであり、AI が人気のない対象データを何もないところから作成することはできません。これは、生成 AI の最も想像力豊かな能力が制限されていることも意味します。

したがって、AI製薬企業が直面するジレンマは、現在の大手モデル企業とはまったく異なります。 Zhang Peiyu 氏はインタビューで、コンピューティング能力とアルゴリズムは AI 製薬会社の開発を制限する核心的な障壁ではないと率直に述べました。数百の GPU と現在の反復アルゴリズムは AI 製薬会社のニーズをサポートするのに十分ですが、鍵はデータにあります。 **

「AIの計算能力を活用して計算をシミュレーションしたり、リード物質のスクリーニングと最適化を加速したり、経験とビッグデータのトレーニングに基づいて新しい分子構造を設計したりするには、サポートとして大量のデータが必要です。AI製薬には、企業にとって、その中核はデータ生成能力に基づいて構築されています」と Zhang Peiyu 氏は述べています。

He Qi 氏の見解では、医薬品開発の後期段階で AI が比較的限られた役割を果たすことができる主な理由は、データ、特に臨床段階やトランスレーショナル医療で必要なデータの欠如にあります。これは、大規模なモデルのトレーニングに大きな課題をもたらします。

データの不足は量に反映されているだけではなく、王小佛氏はさらに問題の核心を分析し、「実験を通じてデータを生成するコストが非常に高いため、現時点ではデータの量が十分ではありません。さらに問題なのは、品質は完全には保証できません。たとえば、同じ実験でも、A が行う場合と B が行う場合、結果は異なる可能性があります。実験自体は、多くの外部要因や関連するエラーの影響を受けます。 量と質基礎となるデータの保証はできません、直接的な結果、つまり AI 学習のパフォーマンスと結果が大幅に低下することになります。」

数人の AI 製薬関係者の意見では、ChatGPT から DrugGPT への道は曲がりくねっていて困難であり、立ち往生しているのはコンピューティング能力ではなく、基礎となるデータ生成能力です。しかし、同様に、生成型 AI の波の下で、AI 医薬品は製薬業界全体に質的な変化をもたらし、イノベーションのボトルネックを打破し、研究開発効率という根本的な問題を解決する機会を持っています。

**DrugGPT の将来性はどこまでですか? **

最初に解決すべきことは、データ生成能力の問題です。

Jingtai のアイデアは 「自動化 + インテリジェンス」 です。 Zhang Peiyu 氏は、医薬品の研究開発プロセスは継続的な試行錯誤の繰り返しのプロセスであり、その多くは伝統的に労働集約的であり、効率と精度を向上させるために人間の労働を完全に自動化して置き換えることができると考えています。彼らが現在行っている作業の多くは、従来のプロセスを自動化プロセスに変換し、自動化プロセスを通じて高精度のデータを追跡し、それらをリアルタイムで AI モデルにフィードバックすることです。この方法は、人体実験よりも多くのより包括的で実際のデータを収集し、人間の効率を数倍向上させ、人間が革新的な探査をより多く成功させることができるようにします。

自動化によって生成されるデータは、インテリジェントなアルゴリズムの開発と最適化を継続的に推進します。自動化の効率が高くなるほど、インテリジェントなアルゴリズムの予測がより正確になり、適用範囲が広がります。同時に、インテリジェンスは非構造化情報を構造化データに変換する際にも反映されます。同氏によると、現在ではAIが非構造化文書や特許に隠された合成経路や分子構造などの情報を抽出し、構造化データに変換してアルゴリズムの性能を向上させ、設計した合成経路を自動化装置に出力できるようになったとのこと。 、データ制作過程。このプロセスでは、AI はスケジュールと計画の役割も果たし、さまざまなツールを効率的に並行して呼び出し、アルゴリズムの予測からさまざまなアプリケーション シナリオの実験検証までの閉ループを完了します。

「これは期待に値する開発の方向性だ。最終的にはAIだけで設計と生産の閉ループを結び、医薬品の研究開発を自動的に完了できるようになる」とZhang Peiyu氏は語った。

Shenshi 氏は、AI for Science という新しい科学研究パラダイムを提案しました。簡単に言うと、AI を使用して、一連の物事の根底にある動作の科学法則を学習することです。王小佛氏は、データ不足の問題に直面して、下位レベルの科学研究分野にAIを導入し、AIがその強力な関数フィッティングとデータ分析能力を利用して科学法則と原則を学習し、実用的な問題を解決するために使用可能なモデルを取得できるようにしたと述べた。 . 科学研究の問題、特に科学者がさまざまな仮定の下で多数の検証や試行錯誤を行うのを支援し、科学研究と探査のプロセスを大幅に加速します。

現時点では、効率の向上が見られます。王小佛氏は、医薬品スクリーニングプロセスでは、何度もハイスループットの実験を行う必要があるかもしれないと述べました。今後は、科学のための AI の新しいパラダイムを使用して計算し、その後、最近、検証のほんの一部として、以前よりも一桁少ない実験を試み、候補薬を得ることができました。これは 10 倍以上の効率向上が得られることに相当します。

効率性の恩恵により、より低いレベルの変化がもたらされました。 Zhang Peiyu 氏によると、Jingtai が生物医学向けに設計した自動化されたデジタル インテリジェンス実験室は、医薬品の研究開発に使用できるだけでなく、実験的スクリーニングを必要とする化学工学や新材料の方向にもさらに拡張することができます。同じだ。ただし、これらの分野のセキュリティ要件、検証サイクル、プロジェクトの複雑さは大幅に低くなります。医薬品に劣らない巨大市場であり、現在、石油化学やエネルギー貯蔵材料などの新素材研究開発企業数社と提携に至っている。

同氏は、将来について非常に楽観的な期待を抱いており、データ生成のボトルネックを乗り越えた後、AI医薬品は量的変化を通じて質的変化を引き起こす機会を手にしていると述べ、将来的には医薬品開発の全プロセスがAIによって指導される可能性があり、困難を伴う可能性がある。創薬ターゲットと新薬 創薬メカニズムは新世代の高品質の薬を生み出し、新薬パイプラインと漸進的な市場を生み出してきました。 20年後、30年後には、新薬の研究開発の作業の90％がAIによってより効率的に行われるようになり、イノベーションの敷居が下がる一方で、医薬品の研究開発の上限は引き上げられると予想されています。リソース、時間、失敗のリスクが少なくなり、より多くの薬が患者に届くようになります。

現在、医薬品研究開発における AI の推進力は第 2 カーブに達しており、バイオテクノロジー企業が革新的な医薬品の研究開発を行う際には必然的にコンピューティングへの多額の投資が必要になる、と He Qi 氏は考えています。この問題点に基づいて、機器やコンピューティング能力、専門家によるサポートを提供する AI 製薬会社は、多くの顧客に認められています。商業化の基礎を築いた後、企業は長期的な観点から、より AI を活用した医薬品の研究開発の道を模索することができます。