Вход Nvidia на 50 миллионов долларов США, почему отвратительная фармацевтическая продукция с искусственным интеллектом возвращается?

Первоисточник: артериальная сеть

Источник изображения: сгенерировано Unbounded AI‌

12 июля Nvidia объявила об инвестициях в размере 50 миллионов долларов в Recursion, чтобы ускорить прорывные фундаментальные модели в области разработки лекарств с помощью искусственного интеллекта. Этот шаг вызвал широкое беспокойство в отрасли, и цена акций соответствующих целей на вторичном рынке резко выросла.

На самом деле, Nvidia немного не решается развертывать фармацевтические препараты на основе ИИ. Еще в 2018 году Nvidia запустила платформу Clara специально для медицинских сценариев. Впоследствии Клара постепенно расширила свои границы от инструментов исследования искусственного интеллекта до визуализации и начала увлекаться геномикой. Платформа Clara быстро стала эффективным инструментом в разработке новых лекарств, ее можно использовать при разработке лекарств, используя различные ИИ для создания молекул, для выполнения таких задач, как генерация белков, генерация молекул и стыковка, и даже предсказывать три- пространственное взаимодействие между белками и молекулами, чтобы оптимизировать действие препарата в организме.

К марту 2023 года NVIDIA сотрудничала с более чем 100 компаниями по всему миру, включая исследования и разработки новых лекарств, по модели Clara. Но 50 миллионов долларов, вложенных в Recursion, — это первая прямая инвестиция Nvidia в глобальные фармацевтические препараты для искусственного интеллекта. Основанная в 2013 году, эта признанная фармацевтическая компания с искусственным интеллектом в основном использует функции изображения волокон клеток для скрининга лекарств. Лежащая в основе логика сильно отличается от логики других аналогов.

Особенность Recurison заключается в том, что несколько экспериментов могут быть распараллелены с высокой пропускной способностью посредством сухих и влажных экспериментов с обратной связью. Во-первых, человеческие клетки различными способами делают больными в лаборатории, и эти больные клетки фотографируют. Затем пусть программа машинного обучения узнает разницу между этими больными клетками и здоровыми клетками. Наконец, к больным клеткам применяются различные лекарства, и программа машинного обучения используется для оценки того, возвращаются ли клетки в здоровое состояние, чтобы оценить эффект лекарств.

Ключевым звеном в фармацевтическом процессе ИИ компании Recurison являются фундаментальные исследования на клеточном уровне. За этим стоит логика поиска целей и разработки лекарств, основанная на сущности сложных жизненных явлений. В тот момент, когда традиционная фармацевтическая модель ИИ, обученная на данных исследований и разработок лекарств, немного утомилась, расширение цепочки фармацевтических препаратов ИИ становится новым способом мышления.

Исчезнувший DSP-1181 и новое лекарство ИИ, которое не работает

Лето 2022 года только что наступило, и после менее чем двух лет спешки в центре внимания рынка капитала ИИ-фармацевтика открыла первое охлаждение. В дополнение к широкому спектру холода внешней среды, высококлассные суперзвездные продукты вошли в стадию клинических испытаний, но быстро столкнулись с Ватерлоо, затормозив разработку фармацевтических препаратов искусственного интеллекта.

В июле 2022 года Sumitomo Pharmaceutical объявила о прекращении разработки DSP-1181, поскольку клиническое испытание фазы I не соответствовало ожидаемым стандартам. Сразу же оба DSP1181 исчезли с официальных сайтов Exscientia и Sumitomo Pharmaceuticals. С тех пор попытки разработать первую в мире молекулу лекарства, созданную искусственным интеллектом, не увенчались успехом.

Еще в 2014 году Sumitomo Pharmaceuticals отдала предпочтение технологии автоматического создания соединений Exscientia и модели прогнозирования искусственного интеллекта, основанной на знаниях, и обе стороны сразу же договорились о сотрудничестве. Sumitomo Pharmaceuticals стала одной из первых фармацевтических компаний в мире, начавших сотрудничать с компаниями, занимающимися искусственным интеллектом. В последующие годы Sumitomo Pharmaceuticals и Exscientia работали вместе, чтобы, наконец, выбрать препарат на основе рецептора, связанного с моноаминовым G-белком (GPCR), для лечения психических заболеваний.

В сотрудничестве химическая команда Sumitomo Pharmaceuticals синтезирует соединения, предложенные Exscientia, группа фармакологов оценивает эти соединения, и две компании совместно обмениваются данными о деятельности, чтобы продолжать совершенствовать лекарство. Основываясь на модели алгоритма искусственного интеллекта Exscientia, обе стороны протестировали и синтезировали до 350 соединений менее чем за год, а DSP-1181 стал 350-м соединением, синтезированным с момента начала проекта. В то время среднее время выполнения этой работы в отрасли составляло более 5 лет.

Кроме того, обе стороны также синтезируют аналоги в ходе проекта. Химики Sumitomo Pharmaceuticals одновременно синтезировали промежуточные соединения соединений, предложенных Exscientia, а также разработали и синтезировали некоторые соединения с предполагаемыми фармакологическими данными и передали эти данные в прогностические модели Exscientia. К ним относятся соединения, которые обеспечивают важные взаимосвязи между структурой и активностью для оптимизации структур соединений, что еще больше ускоряет цикл открытия лекарств и позволило компании открыть DSP-1181 за короткий период времени.

В начале 2020 года Exscientia громко объявила, что DSP-1181, разработанный в сотрудничестве с японской Sumitomo Pharmaceutical, вступил в первую фазу клинических испытаний. В начале клинических испытаний DSP-1181 Sumitomo Pharmaceuticals была очень взволнована и не могла не похвалить инновационный подход, принятый Exscientia, который внесет большой вклад в лекарства для центральной нервной системы.

Что касается провала DSP-1181, некоторые исследователи указали, что основная причина заключается в том, что сама молекула препарата не является достаточно инновационной.

Тодд Уиллс из American Chemical Abstracts Service (CAS) провел подробный анализ DSP-1181 и обнаружил, что рецептор, на который действует DSP-1181, является очень важной классической мишенью антипсихотических препаратов. Другими словами, разработка ДСП-1181 не отклонялась от первоначальной цели. После систематических исследований патентной системы DSP-1181 Уиллс обнаружил, что молекула DSP-1181 очень похожа на галоперидол, типичный антипсихотический препарат, одобренный FDA в 1967 году. В этом смысле Exscientia, вероятно, оптимизирует давно открытую молекулярную структуру.

Неудача DSP-1181 омрачила яркий момент фармацевтических препаратов ИИ, но также стала ключевым поворотным моментом в отрасли. С тех пор, когда люди говорят об ИИ-фармацевтике, помимо алгоритмов и данных, они также постепенно сосредотачиваются на инновационных исследованиях в лаборатории.

Пройдя через путаницу на ранних этапах технологии и накопления данных, сегодняшние фармацевтические компании с искусственным интеллектом нередко создают конвейер клинических испытаний. Согласно статистике Бюро умных лекарств, новые линейки лекарств, разработанные отечественными фармацевтическими компаниями искусственного интеллекта, такими как Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent и Hongyun Bio, вступили в стадию клинических испытаний. В конце июня компания Insilicon Intelligence первой в мире завершила введение первому пациенту препарата ИИ INS018_055 в рамках II фазы клинических испытаний.

Настоящая трудность заключается в том, как продвигать клинические испытания, поскольку многие препараты ИИ застряли на I фазе клинических испытаний. Согласно статистике Bureau of Smart Drugs, среди 80 одобренных клинических разработок препаратов ИИ в мире только 29 исследований и разработок перешли на вторую стадию клинических испытаний, и ни один проект препаратов ИИ не перешел на более позднюю стадию.

После 10 лет работы с завязанными глазами компания AI Pharmaceuticals начала терять способность работать. В дополнение к DSP-1181, который попал в фазу I клинических испытаний, не так давно Benevolent AI, еще одна ведущая британская фармацевтическая компания AI, также объявила, что препарат-кандидат для лечения атопического дерматита не достиг целевого уровня в клиническое исследование фазы II Вторичные конечные точки эффективности. Insilicon, активно производящая новые препараты для искусственного интеллекта, крайне осторожна, когда дело доходит до клинических испытаний фазы II.

Борьба с одноточечным прорывом

Несмотря на то, что было несколько взлетов и падений, для фармацевтических препаратов ИИ до сих пор нет четкого определения в отрасли. Попытки людей использовать технологии искусственного интеллекта (ИИ), такие как машинное обучение, глубокое обучение, обработка естественного языка и графы знаний, для проведения медицинского химического молекулярного анализа, обнаружения целей, скрининга соединений и даже исследований клинических испытаний и других исследований новых лекарств и работа, связанная с развитием, то есть фармацевтика ИИ.

Во многих случаях ИИ-фармацевтика рассматривается как идеальное решение для повышения эффективности исследований и разработок новых лекарств. Однако технология ИИ, которая отделена от строгой фармацевтической логики, прорывается через основную связь исследований и разработок новых лекарств в одной точке таким образом, что они отделены друг от друга.

В частности, на предыдущем этапе исследований фармацевтические препараты ИИ использовались для выполнения двух чрезвычайно утомительных, но чрезвычайно важных задач: обнаружения новых целей и скрининга соединений.

С одной стороны, люди надеются полагаться на мощные вычислительные и аналитические возможности фармацевтических препаратов с искусственным интеллектом, чтобы раскрыть потенциал полного использования трудно поддающихся лечению целей и обойти однородную конкуренцию в Красном море. По статистике, в протеоме человека трудно поддающиеся лечению мишени составляют более 75%, а более половины заболеваний человека клинически неизлечимы. Для мишеней, эффективность которых была подтверждена, таких как PD-1, GLP-1 и т. д., сотни фармацевтических компаний часто спешат разработать их за короткий период времени.

До сих пор фармацевтические препараты ИИ использовались для замены многих звеньев в традиционной разработке новых лекарств. Например, идентификация цели, которая является важным шагом в разработке лекарств и одним из самых сложных шагов. На данном этапе большинство мишеней, используемых при разработке новых лекарств, представляют собой белки. При обнаружении целей на основе ИИ исследователи сначала извлекают исходные особенности из последовательности, структуры и функции белка, затем используют методы машинного обучения для построения точной и стабильной модели белка и, наконец, используют эту модель для определения целевой функции. Вывод, предсказание и классификация. Это стало важным средством исследования целей ИИ.

В дополнение к структурным данным из образцов пациентов и массивных биомедицинских данных извлекаются множественные омические данные, такие как геномика, протеомика и метаболомика, а глубокое обучение используется для анализа различий между состояниями без болезни и болезненными состояниями. открыть белки, которые влияют на болезнь.

С другой стороны, технология ИИ может упростить скрининг и синтез лекарств и снизить затраты. Для проверенных соединений часто требуются условия размерности, такие как растворимость, активность/селективность, токсичность, метаболизм, фармакокинетика/эффективность и синтез. Это потребует повторных экспериментальных процессов, которые отнимают много времени и сил, а также увеличат стоимость доклинических исследований. И именно такая повторяющаяся, требующая большого количества вычислений работа — это именно то, с чем хорошо справляются компьютерные программы.

В этом процессе технология ИИ используется для достижения молекулярной генерации, то есть для использования методов машинного обучения для создания новых малых молекул. В частности, ИИ может получить законы молекулярной структуры и лекарственной способности соединений, изучая большое количество соединений или молекул лекарств, а затем генерировать множество соединений, которые никогда не существовали в природе, в качестве молекул-кандидатов лекарств в соответствии с этими законами, эффективно создавая лекарства с определенные Крупномасштабные и качественные молекулярные библиотеки.

Кроме того, технология ИИ также используется для завершения разработки химических реакций и скрининга соединений. Одной из областей химии, в которой ИИ в настоящее время делает успехи, является моделирование и прогнозирование химических реакций и путей синтеза. На основе технологии ИИ молекулярная структура преобразуется в форму, которая может быть обработана алгоритмами машинного обучения, и формируются несколько синтетических маршрутов на основе структур известных соединений, и рекомендуется лучший синтетический маршрут. В свою очередь, глубокое обучение и трансферное обучение могут предсказывать результаты химических реакций с учетом реагентов. Методы искусственного интеллекта можно даже использовать для изучения новых химических реакций. При скрининге соединений технология ИИ используется для моделирования взаимосвязи между химической структурой и биологической активностью соединений и прогнозирования механизма действия соединений.

Можно сказать, что на каждом независимом узле AI Pharmaceuticals справилась очень хорошо. Но такого рода совершенство трудно распространить за пределы компьютерного программного обеспечения. В дополнение к клиническим испытаниям, которые не могут быть проведены, ИИ-фармацевтика подвергается критике внутри фармацевтических компаний, что уже стало публичным явлением. В интервью Arterial.com жалобы инженеров-фармацевтов ИИ на низкую молекулярную активность и длительный производственный цикл, а также неприязнь экспертов медицинской химии за сложную работу технологической платформы почти стали судьбой, которую многие фармацевтические компании ИИ не могут побег.

Оглядываясь назад, нельзя игнорировать разрыв между ИИ-фармацевтикой и фармацевтическими компаниями, потому что первые стремятся к эффективности и подтверждают свою ценность, сокращая время разработки, в то время как вторые делают упор на качество и требуют повторных демонстраций для выбора хороших. В каком-то смысле ИИ-фармацевтика идет по прямой, стремясь двигаться вперед, тогда как процесс исследования и разработки новых лекарств больше похож на замкнутый цикл, который можно свергнуть и запустить заново.

Для фактического внедрения фармацевтических препаратов с искусственным интеллектом, возможно, потребуется прекратить попытки сделать прорыв в какой-то одной точке, а вместо этого интегрироваться в замкнутый цикл исследований и разработок новых лекарств.

Вернуться к истинным правилам изготовления лекарств

«Популярнее и больше фармацевтических компаний строят автоматизированные лаборатории, — сказал инвестор Arterial.com, — внедрение технологии ИИ в поиск лекарств, химический синтез и другие связи стали почти стандартной конфигурацией для инновационных фармацевтических компаний». что, если функция автоматизированной интеллектуальной лаборатории по повышению эффективности исследований и разработок новых лекарств будет проверена, это вызовет новую волну строительства инфраструктуры для крупных фармацевтических компаний.

Arterial.com проанализировал общедоступные данные и обнаружил, что за последние два года фармацевтические компании с искусственным интеллектом вложили средства в строительство автоматизированных лабораторий, а также лабораторная среда и транснациональные фармацевтические компании, такие как Pfizer, AstraZeneca и Eli Lilly. автоматизированная лаборатория исследования и разработки лекарств на основе технологии искусственного интеллекта.

Например, в лаборатории AstraZeneca iLab в Гётеборге, Швеция, AstraZeneca изучает возможность строительства полностью автоматизированной лаборатории медицинской химии, плавно интегрирующей замкнутый цикл проектирования, производства, тестирования и анализа (DMTA) разработки новых лекарств с технологической платформой. Molecular AI, предприятие по исследованию и разработке новых лекарств в области искусственного интеллекта. Среди них технология ИИ в основном завершает звенья проектирования и анализа в замкнутом цикле DMTA, использует ИИ и машинное обучение, чтобы помочь химикам быстрее принимать более обоснованные решения, реализует эффективное взаимодействие между химиками и компьютерами и, таким образом, ускоряет исследование химического пространства и проектирование. молекул потенциальных новых лекарств.

Другой пример: Pfizer сотрудничала с Jingtai Technology для ускорения разработки новых лекарств с использованием метода «прогнозирование ИИ + экспериментальная проверка», которая открыла автоматизированную лабораторию в Шанхае.

"Разработка лекарств — это процесс многомерной одновременной оптимизации, — рассказали Arterial Network некоторые практикующие врачи. Масштабы данных исследований и разработок новых лекарств огромны, а тип и структура довольно сложны. Создание замкнутой сухой и влажной лаборатории. может завершить дизайн более эффективно. , проверено иллюзорно.

С одной стороны, фармацевтические компании сформировали более системный метод управления данными. Традиционные исследования и разработки лекарств основаны на экспериментальной науке. В прошлом исследования и разработка новых лекарств, регистрация, управление и хранение данных были сосредоточены на экспериментах, которые необходимо было динамически корректировать в соответствии с экспериментальными потребностями. Другими словами, данные — это просто побочный продукт экспериментов. Поскольку ИИ — это метод, относящийся к категории виртуальной науки, информатики и науки о данных, важность данных очевидна. Это требует от фармацевтических компаний строгого регулирования формата, стандарта, качества и количества данных в исследованиях и разработках лекарств.

С другой стороны, алгоритмическая модель ИИ фармацевтических компаний также может быть целенаправленно оптимизирована, а не просто вызвана. ИИ глубоко интегрирован с основным бизнесом традиционной фармацевтической промышленности, подчеркивая глубокое понимание отрасли и более высокую техническую точность. Помимо извлечения новых знаний из большого количества существующих статей и экспериментальных данных, также необходимо иметь возможность полностью исследовать и уточнять экспериментальные данные в реальном времени, а также оптимизировать модели и итерационные алгоритмы на основе обратной связи по данным.

«Помимо моделей алгоритмов и данных, ИИ-фармацевтика все чаще занимается биологическими проблемами», — отметил другой практикующий врач. Правда, опираясь только на сам эксперимент, можно лишь проверить сформированную гипотезу, но то, с чем сталкивается ИИ-фармацевтика, — это более сложная система, и многие проблемы до сих пор неизвестны. В последние годы внимание начали привлекать методы открытия лекарств на основе фенотипа, то есть прямое использование биологических систем для скрининга новых лекарств.

Как сложны проблемы наук о жизни! Основная логика запатентованной молекулы заключается в том, что понимание биологических механизмов может решить основную проблему фармацевтических препаратов ИИ. Новые изменения в отрасли могут представлять собой позитивные изменения в режиме работы ИИ-фармацевтики: от относительно фрагментарной независимой разработки, основанной на лабораторных данных фармацевтической компании, клинических данных и идеальных биологических моделей, к возврату вверх по течению и использованию математических методов. механизм болезни с биологической точки зрения, и начать поиск лекарств с учетом цели.

И этот процесс, несомненно, потребует более масштабного анализа данных и расчетов, что также является важной причиной, по которой компании с вычислительной мощностью, такие как Nvidia, глубоко вовлечены в него. "Низкоразмерные модели нельзя использовать для объяснения многомерных проблем. Только путем создания инструментов для понимания чрезвычайно сложных систем можно решить сложные проблемы в науках о жизни", - доктор Чжао Ю, заместитель директора Дарвиновской лаборатории Тьюринга и соучредитель Чжэюань технологии, сказал.

Для ИИ-фармацевтики режим одноточечного прорыва был в определенном смысле фальсифицирован, но кривая роста отрасли всегда идет вверх.