Entrada de US$ 50 milhões da Nvidia, por que a repugnante IA farmacêutica está voltando?

Fonte original: rede arterial

Fonte da imagem: Gerada por Unbounded AI‌

Em 12 de julho, a Nvidia anunciou um investimento de US$ 50 milhões na Recursion para acelerar modelos fundamentais inovadores no campo da descoberta de drogas com inteligência artificial. Esse movimento despertou preocupação generalizada no setor, e o preço das ações de alvos relacionados no mercado secundário disparou.

Na verdade, a Nvidia está um pouco hesitante em implantar produtos farmacêuticos de IA. Já em 2018, a Nvidia lançou a plataforma Clara especificamente para cenários médicos. Posteriormente, a Clara gradualmente expandiu seus limites das ferramentas de pesquisa de IA de imagens e começou a se envolver com a genômica. A plataforma Clara tornou-se rapidamente uma ferramenta eficiente no desenvolvimento de novos medicamentos, podendo ser usada no design de medicamentos, através de diferentes IA para gerar moléculas, para concluir tarefas como geração de proteínas, geração molecular e docking, e até prever os três interação dimensional entre proteínas e moléculas, de modo a otimizar o funcionamento do medicamento no organismo.

Até março de 2023, a NVIDIA cooperou com mais de 100 empresas em todo o mundo, incluindo pesquisa e desenvolvimento de novos medicamentos, no modelo Clara. Mas os US$ 50 milhões investidos na Recursion são o primeiro investimento direto da Nvidia em produtos farmacêuticos globais de IA. Fundada em 2013, esta empresa farmacêutica de IA estabelecida usa principalmente os recursos de imagem de fibra de células para triagem de drogas. A lógica subjacente é bem diferente da de outros pares.

O recurso do Recurison é que vários experimentos podem ser paralelizados com alto rendimento por meio de experimentos secos e úmidos em circuito fechado. Primeiro, as células humanas são adoecidas de várias maneiras no laboratório, e essas células doentes são fotografadas. Em seguida, deixe o programa de aprendizado de máquina aprender a diferença entre essas células doentes e células saudáveis. Por fim, vários medicamentos são aplicados às células doentes e o programa de aprendizado de máquina é usado para avaliar se as células retornam a um estado saudável, a fim de avaliar o efeito dos medicamentos.

No processo farmacêutico de IA da Recurison, a pesquisa básica no nível celular é um elo fundamental. Por trás disso está uma lógica de encontrar alvos e desenvolver drogas com base na essência de fenômenos complexos da vida. No momento em que o modelo farmacêutico tradicional de IA treinado com dados de pesquisa e desenvolvimento de medicamentos está um pouco cansado, estender a cadeia de produtos farmacêuticos de IA está se tornando uma nova maneira de pensar.

DSP-1181 desaparecido e nova droga de IA que não pode ser executada

O verão de 2022 acabou de chegar e, após menos de dois anos correndo sob os holofotes do mercado de capitais, os produtos farmacêuticos de IA deram início ao primeiro esfriamento. Além do amplo ambiente externo frio, produtos superestrelas de alto perfil entraram na fase de testes clínicos, mas rapidamente encontraram Waterloo, pisando no freio no desenvolvimento de produtos farmacêuticos de IA.

Em julho de 2022, a Sumitomo Pharmaceutical anunciou que interromperia o desenvolvimento do DSP-1181 porque o ensaio clínico de Fase I não atendeu aos padrões esperados. Imediatamente, o DSP1181 desapareceu dos sites oficiais da Exscientia e da Sumitomo Pharmaceuticals. Desde então, as tentativas de desenvolver a primeira molécula de medicamento projetada por IA do mundo falharam.

Já em 2014, a Sumitomo Pharmaceuticals favoreceu a tecnologia de geração automática de compostos da Exscientia e o modelo de previsão de inteligência artificial baseado em conhecimento, e as duas partes imediatamente chegaram a uma cooperação. A Sumitomo Pharmaceuticals tornou-se uma das primeiras empresas farmacêuticas do mundo a cooperar com empresas de IA. Nos anos seguintes, a Sumitomo Pharmaceuticals e a Exscientia trabalharam juntas para finalmente selecionar um medicamento receptor acoplado à proteína monoamina G (GPCR) para o tratamento de doenças mentais.

Na colaboração, a equipe química da Sumitomo Pharmaceuticals sintetiza os compostos propostos pela Exscientia, a equipe de farmacologia avalia esses compostos e as duas empresas compartilham dados de atividades para continuar a melhorar o medicamento. Com base no modelo de algoritmo de IA da Exscientia, as duas partes testaram e sintetizaram até 350 compostos em menos de um ano, e o DSP-1181 é o 350º composto sintetizado desde o início do projeto. Naquela época, o tempo médio para concluir esse trabalho na indústria era de mais de 5 anos.

Além disso, as duas partes também estão sintetizando análogos no decorrer do projeto. Os químicos da Sumitomo Pharmaceuticals sintetizaram simultaneamente intermediários de compostos propostos pela Exscientia, e também projetaram e sintetizaram alguns compostos com dados farmacológicos putativos, e alimentaram com esses dados os modelos preditivos da Exscientia. Isso inclui compostos que fornecem importantes relações estrutura-atividade para a otimização de estruturas compostas, o que acelera ainda mais o ciclo de descoberta de medicamentos e permitiu que a empresa descobrisse o DSP-1181 em um curto período de tempo.

No início de 2020, a Exscientia anunciou com destaque que o DSP-1181, desenvolvido em cooperação com a japonesa Sumitomo Pharmaceutical, entrou na fase I dos ensaios clínicos. No início do ensaio clínico do DSP-1181, a Sumitomo Pharmaceuticals estava muito entusiasmada e não podia deixar de elogiar a abordagem inovadora adotada pela Exscientia que dará uma grande contribuição aos medicamentos do sistema nervoso central.

Em relação à falha do DSP-1181, alguns pesquisadores apontaram que a causa raiz é que a própria molécula do medicamento não é inovadora o suficiente.

Todd Wills, do American Chemical Abstracts Service (CAS), realizou uma análise detalhada do DSP-1181 e descobriu que o receptor no qual o DSP-1181 atua é um alvo clássico muito importante dos medicamentos antipsicóticos. Em outras palavras, o desenvolvimento do DSP-1181 não se desviou do alvo original. Após uma pesquisa sistemática sobre o sistema de patentes do DSP-1181, Wills descobriu que a molécula DSP-1181 era muito semelhante ao haloperidol, um antipsicótico típico aprovado pelo FDA em 1967. Nesse sentido, o Exscientia provavelmente otimizará uma estrutura molecular há muito descoberta.

A falha do DSP-1181 lançou uma sombra sobre o momento brilhante dos produtos farmacêuticos de IA, mas também trouxe um ponto de virada importante para a indústria. Desde então, quando as pessoas falam sobre produtos farmacêuticos de IA, além de algoritmos e dados, também se concentram gradualmente em pesquisas inovadoras em laboratório.

Depois de passar pela confusão dos primeiros estágios de tecnologia e acúmulo de dados, não é incomum que os produtos farmacêuticos de IA de hoje construam um pipeline de testes clínicos. De acordo com as estatísticas do Bureau of Smart Medicines, os novos oleodutos de medicamentos desenvolvidos por empresas farmacêuticas domésticas de IA, como Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent e Hongyun Bio, entraram na fase de testes clínicos. No final de junho, a Insilicon Intelligence foi a primeira no mundo a concluir a administração do primeiro paciente do medicamento AI INS018_055 no ensaio clínico de Fase II.

A verdadeira dificuldade é como avançar nos ensaios clínicos, já que muitos medicamentos de IA estão presos na Fase I dos ensaios clínicos. De acordo com estatísticas do Bureau of Smart Drugs, entre os 80 pipelines de medicamentos de IA aprovados no mundo, apenas 29 pipelines de pesquisa e desenvolvimento avançaram para a segunda fase de ensaios clínicos e nenhum pipeline de medicamentos de IA entrou em um estágio posterior.

Depois de correr com os olhos vendados por 10 anos, a AI Pharmaceuticals começou a ficar um pouco incapaz de correr. Além do DSP-1181, que caiu na fase I do ensaio clínico, não faz muito tempo, a Benevolent AI, outra importante empresa farmacêutica britânica de IA, também anunciou que um medicamento candidato para o tratamento da dermatite atópica não atingiu o nível alvo no ensaio clínico de fase II. Desfechos secundários de eficácia. A Insilicon, que está fabricando agressivamente novos medicamentos para IA, é extremamente cautelosa quando se trata de ensaios clínicos de fase II.

Lutando contra avanço de ponto único

Embora tenha havido vários altos e baixos, para produtos farmacêuticos de IA, ainda não há uma definição clara na indústria. As tentativas das pessoas de usar tecnologias de inteligência artificial (IA), como aprendizado de máquina, aprendizado profundo, processamento de linguagem natural e gráficos de conhecimento, para realizar análises moleculares químicas medicinais, descoberta de alvos, triagem de compostos e até pesquisas de ensaios clínicos e outras pesquisas e pesquisas sobre novos medicamentos trabalho relacionado ao desenvolvimento, ou seja, produtos farmacêuticos de IA.

Em muitas ocasiões, os produtos farmacêuticos de IA são considerados a solução definitiva para melhorar a eficiência da pesquisa e desenvolvimento de novos medicamentos. No entanto, a tecnologia de IA, que é separada da estrita lógica farmacêutica, rompe o elo central da pesquisa e desenvolvimento de novos medicamentos em um único ponto de maneira separada uma da outra.

Especificamente, no estágio anterior de exploração, os produtos farmacêuticos de IA foram usados para concluir as duas tarefas extremamente tediosas, mas extremamente importantes, de descobrir novos alvos e compostos de triagem.

Por um lado, as pessoas esperam contar com os poderosos recursos de computação e análise dos produtos farmacêuticos de IA para descobrir o potencial de explorar totalmente alvos difíceis de drogar e contornar a concorrência homogênea no Mar Vermelho. De acordo com as estatísticas, no proteoma humano, os alvos difíceis de serem medicados representam mais de 75%, e mais da metade das doenças humanas são clinicamente intratáveis. Para alvos que foram comprovados como eficazes, como PD-1, GLP-1, etc., centenas de empresas farmacêuticas frequentemente correm para desenvolvê-los em um curto período de tempo.

Até agora, os produtos farmacêuticos de IA foram usados para substituir muitos elos no desenvolvimento de novos medicamentos convencionais. Por exemplo, a identificação do alvo, que é uma etapa crítica no desenvolvimento de medicamentos e uma das etapas mais complexas. Nesta fase, a maioria dos alvos utilizados no desenvolvimento de novos fármacos são proteínas. Na descoberta de alvo baseada em IA, os pesquisadores primeiro extraem os recursos originais da sequência, estrutura e função da proteína, depois usam métodos de aprendizado de máquina para construir um modelo de proteína preciso e estável e, finalmente, usam esse modelo para identificar a função alvo. Inferência, predição e classificação. Isso se tornou um importante meio de pesquisa de alvos de IA.

Além dos dados estruturais, vários dados ômicos, como genômica, proteômica e metabolômica, são extraídos de amostras de pacientes e dados biomédicos maciços, e o aprendizado profundo é usado para analisar as diferenças entre os estados não-doença e doença. Também pode ser usado para descobrir proteínas que têm um impacto sobre a doença.

Por outro lado, a tecnologia de IA pode simplificar a triagem e síntese de medicamentos e reduzir custos. Para os compostos testados, condições dimensionais como solubilidade, atividade/seletividade, toxicidade, metabolismo, farmacocinética/eficácia e síntese são frequentemente necessárias. Isso envolverá processos experimentais repetidos, demorados e trabalhosos, e aumentará o custo da pesquisa pré-clínica. E esse tipo de trabalho altamente repetitivo e de cálculo intensivo é exatamente o que os programas de computador fazem bem.

Nesse processo, a tecnologia de IA é usada para alcançar a geração molecular, ou seja, usar métodos de aprendizado de máquina para gerar novas moléculas pequenas. Especificamente, a IA pode obter as leis da estrutura molecular e da drogabilidade dos compostos aprendendo um grande número de compostos ou moléculas de drogas e, em seguida, gerar muitos compostos que nunca existiram na natureza como moléculas de drogas candidatas de acordo com essas leis, construindo efetivamente drogas com algumas bibliotecas moleculares de grande escala e alta qualidade.

Além disso, a tecnologia AI também é usada para concluir o projeto de reação química e a triagem de compostos. Uma das áreas da química em que a IA está progredindo atualmente é a modelagem e previsão de reações químicas e rotas sintéticas. Com base na tecnologia AI, a estrutura molecular é mapeada em uma forma que pode ser processada por algoritmos de aprendizado de máquina, e várias rotas sintéticas são formadas com base nas estruturas de compostos conhecidos, e a melhor rota sintética é recomendada. Por sua vez, o aprendizado profundo e o aprendizado por transferência podem prever os resultados das reações químicas dados os reagentes. As técnicas de IA podem até ser usadas para explorar novas reações químicas. Na triagem de compostos, a tecnologia AI é usada para modelar a relação entre a estrutura química e a atividade biológica dos compostos e prever o mecanismo de ação dos compostos.

Pode-se dizer que, em todos os nós independentes, a AI Pharmaceuticals se saiu muito bem. Mas é difícil estender esse tipo de excelência além do software de computador. Além dos ensaios clínicos que não podem ser executados, os produtos farmacêuticos de IA foram criticados nas empresas farmacêuticas, o que já é um fenômeno público. Na entrevista com Arterial.com, ser reclamado por engenheiros farmacêuticos de IA sobre a baixa atividade molecular e longo ciclo de produção, e não ser apreciado por especialistas em química medicinal pela difícil operação da plataforma de tecnologia quase se tornou um destino que muitas empresas farmacêuticas de IA não podem escapar.

Olhando para trás, a lacuna entre produtos farmacêuticos de IA e empresas farmacêuticas não pode ser ignorada porque a primeira busca a eficiência e verifica seu próprio valor comprimindo o tempo de desenvolvimento, enquanto a segunda enfatiza a qualidade e exige demonstrações repetidas para selecionar as boas. De certa forma, os produtos farmacêuticos de IA estão caminhando em linha reta, se esforçando para avançar, enquanto o processo de pesquisa e desenvolvimento de novos medicamentos é mais como um ciclo fechado, que pode ser derrubado e reiniciado.

A implementação real de produtos farmacêuticos de IA pode precisar parar de tentar fazer avanços em um único ponto e, em vez disso, integrar-se ao pensamento de circuito fechado de pesquisa e desenvolvimento de novos medicamentos.

Volte às verdadeiras regras de fazer remédios

“As empresas farmacêuticas mais quentes e mais estão construindo laboratórios automatizados”, disse um investidor à Arterial.com, “a introdução da tecnologia de IA na descoberta de medicamentos, síntese química e outros links quase se tornou uma configuração padrão para empresas farmacêuticas inovadoras”. que se a função do laboratório inteligente automatizado para melhorar a eficiência da pesquisa e desenvolvimento de novos medicamentos for verificada, isso desencadeará uma nova onda de construção de infraestrutura para grandes empresas farmacêuticas.

Arterial.com analisou os dados públicos e constatou que, nos últimos dois anos, as empresas farmacêuticas de IA investiram na construção de laboratórios automatizados. O ambiente laboratorial e empresas farmacêuticas multinacionais como Pfizer, AstraZeneca e Eli Lilly também pagaram por o laboratório automatizado de pesquisa e desenvolvimento de medicamentos baseado na tecnologia de IA.

Por exemplo, no AstraZeneca iLab em Gotemburgo, Suécia, a AstraZeneca está explorando a construção de um laboratório de química medicinal totalmente automatizado, integrando perfeitamente o projeto, fabricação, teste e análise de circuito fechado (DMTA) do desenvolvimento de novos medicamentos com a plataforma tecnológica da empresa de pesquisa e desenvolvimento de novas drogas de IA Molecular AI . Entre eles, a tecnologia AI completa principalmente os links de design e análise no circuito fechado DMTA, usa AI e aprendizado de máquina para ajudar os químicos a tomar melhores decisões mais rapidamente, realiza interação efetiva entre químicos e computadores e, assim, acelera a exploração do espaço químico e o design de potenciais novas moléculas de drogas.

Para dar outro exemplo, a Pfizer cooperou com a Jingtai Technology para acelerar o desenvolvimento de novos medicamentos usando o método "previsão de IA + verificação experimental", que estabeleceu um laboratório automatizado em Xangai.

"O desenvolvimento de medicamentos é um processo de otimização simultânea multidimensional", disseram alguns profissionais à Arterial Network. A escala de dados da pesquisa e desenvolvimento de novos medicamentos é enorme, e o tipo e a estrutura são bastante complexos. Construindo um laboratório seco e úmido de circuito fechado pode concluir o projeto com mais eficiência. , verificado ilusório.

Por um lado, as empresas farmacêuticas formaram um método de gerenciamento de dados mais sistemático. A pesquisa e o desenvolvimento de medicamentos tradicionais são baseados na ciência experimental. No passado, a pesquisa e desenvolvimento de novos medicamentos, o registro, gerenciamento e armazenamento de dados eram todos centrados em experimentos, que precisavam ser ajustados dinamicamente de acordo com as necessidades experimentais. Em outras palavras, os dados são apenas um subproduto da experimentação. Como a IA é um método dentro da categoria de ciência virtual, ciência da computação e ciência de dados, a importância dos dados é evidente. Isso exige que as empresas farmacêuticas regulem estritamente o formato, padrão, qualidade e quantidade de dados em pesquisa e desenvolvimento de medicamentos.

Por outro lado, o modelo de algoritmo de empresas farmacêuticas de IA também pode ser otimizado de maneira direcionada, em vez de simplesmente chamado. A IA está profundamente integrada ao negócio principal da indústria farmacêutica tradicional, enfatizando o profundo conhecimento da indústria e maior precisão técnica. Além de extrair novos conhecimentos de um grande número de artigos e dados experimentais existentes, também é necessário ter a capacidade de explorar e refinar completamente os dados experimentais em tempo real e otimizar modelos e algoritmos iterativos com base no feedback dos dados.

“Além de modelos e dados de algoritmos, os produtos farmacêuticos de IA estão cada vez mais preocupados com questões biológicas.” Outro profissional apontou. É verdade que confiar puramente no experimento em si pode apenas verificar a hipótese formada, mas o que os produtos farmacêuticos de IA estão enfrentando é um sistema mais complexo e muitos problemas ainda são desconhecidos. Nos últimos anos, começaram a chamar a atenção os métodos de descoberta de fármacos baseados em fenótipos, ou seja, o uso direto de sistemas biológicos para triagem de novos fármacos.

Como são complexos os problemas das ciências da vida! A lógica subjacente de ser uma molécula patenteada é que a compreensão dos mecanismos biológicos pode resolver o problema final dos produtos farmacêuticos de IA. As novas mudanças na indústria podem representar uma mudança positiva no modo de operação dos produtos farmacêuticos de IA, de um desenvolvimento independente relativamente fragmentado com base em dados laboratoriais de empresas farmacêuticas, dados clínicos e modelos biológicos ideais, retrocedendo a montante e usando métodos matemáticos Tente desconstruir o mecanismo da doença de uma perspectiva biológica e começar a encontrar drogas com o fim em mente.

E esse processo, sem dúvida, envolverá análises e cálculos de dados maiores, o que também é uma razão importante pela qual empresas com poder de computação como a Nvidia estão profundamente envolvidas nele. "Modelos de baixa dimensão não podem ser usados para explicar problemas de alta dimensão. Apenas estabelecendo ferramentas para a compreensão de sistemas extremamente complexos problemas complexos em ciências da vida podem ser respondidos." Dr. Zhao Yu, vice-diretor do Turing Darwin Laboratory e co-fundador do Tecnologia Zheyuan, disse.

Para produtos farmacêuticos de IA, o modo de operação de avanço de ponto único foi falsificado em certo sentido, mas a curva de crescimento da indústria é sempre ascendente.