Nvidia'nın 50 milyon ABD Doları tutarındaki girişi, tiksindirici yapay zeka ilacı neden geri dönüş yapıyor?

Orijinal kaynak: ana arter ağı

Görsel kaynağı: Unbounded AI‌ tarafından oluşturuldu

12 Temmuz'da Nvidia, yapay zeka ilaç keşfi alanında çığır açan temel modelleri hızlandırmak için Recursion'a 50 milyon dolarlık bir yatırım yaptığını duyurdu. Bu hamle sektörde yaygın bir endişe uyandırdı ve ikincil piyasada ilgili hedeflerin hisse senedi fiyatı fırladı.

Aslında Nvidia, yapay zeka ilaçlarını dağıtma konusunda biraz tereddütlü. Nvidia, 2018 gibi erken bir tarihte, özellikle tıbbi senaryolar için Clara platformunu başlattı. Daha sonra Clara, görüntüleme yapay zeka araştırma araçlarından sınırlarını kademeli olarak genişletti ve genom bilimine dahil olmaya başladı. Clara platformu, yeni ilaçların geliştirilmesinde hızla etkili bir araç haline geldi. Protein üretimi, moleküler üretim ve yerleştirme gibi görevleri tamamlamak için moleküller oluşturmak ve hatta üç boyutlu tahmin etmek için farklı yapay zeka aracılığıyla ilaç tasarımında kullanılabilir. İlacın vücutta nasıl çalıştığını optimize etmek için proteinler ve moleküller arasındaki etkileşim.

Mart 2023'e kadar NVIDIA, Clara modelinde yeni ilaç araştırma ve geliştirme de dahil olmak üzere dünya çapında 100'den fazla şirketle işbirliği yaptı. Ancak Recursion'a yapılan 50 milyon dolarlık yatırım, Nvidia'nın küresel AI ilaçlarına yaptığı ilk doğrudan yatırımdır. 2013 yılında kurulan bu yerleşik AI ilaç şirketi, ilaç taraması için temel olarak hücrelerin fiber görüntü özelliklerini kullanıyor.Altında yatan mantık, diğer emsallerinden oldukça farklı.

Recurison'un özelliği, çoklu deneylerin kapalı döngü kuru ve ıslak deneyler yoluyla yüksek verimle paralel hale getirilebilmesidir. Öncelikle insan hücreleri laboratuvar ortamında çeşitli şekillerde hastalanmakta ve bu hasta hücreler fotoğraflanmaktadır. Ardından, makine öğrenimi programının bu hastalıklı hücreler ile sağlıklı hücreler arasındaki farkı öğrenmesine izin verin. Son olarak, hastalıklı hücrelere çeşitli ilaçlar uygulanır ve ilaçların etkisini yargılamak için hücrelerin sağlıklı bir duruma dönüp dönmediğini yargılamak için makine öğrenimi programı kullanılır.

Recurison'un AI farmasötik sürecinde, hücre seviyesindeki temel araştırma önemli bir bağlantıdır. Bunun arkasında karmaşık yaşam olgularının özüne dayanan hedef bulma ve ilaç geliştirme mantığı vardır. İlaç araştırma ve geliştirme verileriyle eğitilen geleneksel AI farmasötik modelinin biraz yorulduğu şu anda, AI ilaçları zincirini genişletmek yeni bir düşünce biçimi haline geliyor.

Kaybolan DSP-1181 ve çalışamayan yeni yapay zeka ilacı

2022 yazı yeni geldi ve sermaye piyasasının spot ışığı altında iki yıldan kısa bir süre koştuktan sonra, AI ilaçları ilk soğumaya başladı. Geniş kapsamlı soğuk dış ortama ek olarak, yüksek profilli süperstar ürünler klinik deney aşamasına girdiler, ancak yapay zeka ilaçlarının geliştirilmesinde frene basan Waterloo ile hızla karşılaştılar.

Temmuz 2022'de Sumitomo Pharmaceutical, Faz I klinik denemesi beklenen standartları karşılamadığı için DSP-1181'in geliştirilmesini durduracağını duyurdu. Hemen, DSP1181'in ikisi de Exscientia ve Sumitomo Pharmaceuticals'ın resmi web sitelerinden kayboldu. O zamandan beri, dünyanın ilk AI tasarımlı ilaç molekülünü geliştirme girişimleri başarısız oldu.

Sumitomo Pharmaceuticals, 2014 gibi erken bir tarihte, Exscientia'nın otomatik bileşik üretim teknolojisi ve bilgiye dayalı yapay zeka tahmin modelini tercih etti ve iki taraf hemen bir işbirliğine ulaştı. Sumitomo Pharmaceuticals, yapay zeka şirketleriyle iş birliği yapan dünyadaki ilk ilaç şirketlerinden biri oldu. Sonraki yıllarda, Sumitomo Pharmaceuticals ve Exscientia, akıl hastalığının tedavisi için nihayet bir monoamin G protein-bağlı reseptör (GPCR) ilacı seçmek için birlikte çalıştı.

İşbirliğinde Sumitomo Pharmaceuticals'ın kimya ekibi, Exscientia tarafından önerilen bileşikleri sentezliyor, farmakoloji ekibi bu bileşikleri değerlendiriyor ve iki şirket, ilacı iyileştirmeye devam etmek için aktivite verilerini birlikte paylaşıyor. Exscientia'nın yapay zeka algoritma modeline dayalı olarak, iki taraf bir yıldan kısa bir süre içinde 350 kadar bileşiği test edip sentezledi ve DSP-1181, proje başladığından beri sentezlenen 350. bileşik oldu. O zamanlar sektörde bu işin ortalama tamamlanma süresi 5 yıldan fazlaydı.

Ayrıca, iki taraf da proje süresince analogları sentezliyor. Sumitomo Pharmaceuticals'daki kimyagerler, aynı anda Exscientia tarafından önerilen bileşiklerin ara ürünlerini sentezlediler ve ayrıca varsayılan farmakolojik verilerle bazı bileşikler tasarlayıp sentezlediler ve bu verileri Exscientia'nın öngörü modellerine beslediler. Bunlar, ilaç keşif döngüsünü daha da hızlandıran ve şirketin DSP-1181'i kısa sürede keşfetmesini sağlayan bileşik yapıların optimizasyonu için önemli yapı-aktivite ilişkileri sağlayan bileşikleri içerir.

2020'nin başında Exscientia, Japon Sumitomo Pharmaceutical ile iş birliği içinde geliştirilen DSP-1181'in faz I klinik denemelerine girdiğini yüksek profilli bir şekilde duyurdu. DSP-1181'in klinik denemesinin başlangıcında Sumitomo Pharmaceuticals çok heyecanlandı ve Exscientia'nın benimsediği yenilikçi yaklaşımın merkezi sinir sistemi ilaçlarına büyük katkı sağlayacağını övmeden edemedi.

DSP-1181'in başarısızlığıyla ilgili olarak, bazı araştırmacılar temel nedenin ilaç molekülünün kendisinin yeterince yenilikçi olmaması olduğuna dikkat çekti.

American Chemical Abstracts Service'ten (CAS) Todd Wills, DSP-1181'in ayrıntılı bir analizini yaptı ve DSP-1181'in etki ettiği reseptörün, antipsikotik ilaçların çok önemli bir klasik hedefi olduğunu buldu. Başka bir deyişle, DSP-1181'in geliştirilmesi orijinal hedeften sapmadı. DSP-1181'in patent sistemi üzerine yapılan sistematik araştırmalardan sonra Wills, DSP-1181 molekülünün 1967'de FDA tarafından onaylanan tipik bir antipsikotik ilaç olan haloperidole çok benzediğini buldu. Bu anlamda, Exscientia'nın uzun süredir keşfedilen bir moleküler çerçeve üzerinde optimizasyon yapması muhtemeldir.

DSP-1181'in başarısızlığı, yapay zeka ilaçlarının parlak anına gölge düşürdü, ancak aynı zamanda sektöre önemli bir dönüm noktası getirdi. O zamandan beri, insanlar algoritmalar ve verilere ek olarak yapay zeka ilaçları hakkında konuştuğunda, yavaş yavaş laboratuvardaki yenilikçi araştırmalara da odaklanıyorlar.

İlk teknoloji ve veri biriktirme aşamalarının karmaşasından geçtikten sonra, günümüzün yapay zeka ilaçlarının bir klinik deney boru hattı oluşturması alışılmadık bir durum değil. Akıllı İlaçlar Bürosu'nun istatistiklerine göre, İzlanda Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent ve Hongyun Bio gibi yerli yapay zeka ilaç firmaları tarafından geliştirilen yeni ilaç boru hatları klinik deneme aşamasına girdi. Haziran ayının sonunda Insilicon Intelligence, Faz II klinik denemesinde AI ilacı INS018_055'in ilk hastasının yönetimini tamamlayan dünyadaki ilk şirket oldu.

Gerçek zorluk, birçok AI ilacı Faz I klinik deneylerinde sıkışıp kaldığından, klinik deneylerin nasıl ilerletileceğidir. Akıllı İlaçlar Bürosu istatistiklerine göre, dünyadaki 80 onaylı klinik yapay zeka ilaç boru hattı arasında yalnızca 29 Ar-Ge boru hattı, klinik deneylerin II.

10 yıl gözü kapalı koştuktan sonra AI Pharmaceuticals biraz koşamaz hale geldi. Kısa bir süre önce faz I klinik araştırma kapsamına giren DSP-1181'e ek olarak, bir başka önde gelen İngiliz yapay zeka ilaç şirketi Benevolent AI da atopik dermatit tedavisi için aday bir ilacın hedeflenen düzeye ulaşamadığını duyurdu. Faz II klinik deneme İkincil etkililik sonlanım noktaları. Agresif bir şekilde yeni yapay zeka ilaçları üreten Insilicon, faz II klinik denemeler söz konusu olduğunda son derece temkinli davranıyor.

Mücadele Tek Nokta Atılımı

AI ilaçları için birkaç iniş ve çıkış olmasına rağmen, endüstride hala net bir tanım yoktur. İnsanların tıbbi kimyasal moleküler analiz, hedef keşfi, bileşik tarama ve hatta klinik deneme araştırması ve diğer yeni ilaç araştırmalarını yürütmek için makine öğrenimi, derin öğrenme, doğal dil işleme ve bilgi grafikleri gibi yapay zeka (AI) teknolojilerini kullanma girişimleri ve geliştirme ile ilgili iş, yani yapay zeka ilaçları.

Birçok durumda, AI farmasötikleri, yeni ilaç araştırma ve geliştirmenin verimliliğini artırmak için nihai çözüm olarak kabul edilir. Ancak katı farmasötik mantığından ayrılan AI teknolojisi, yeni ilaç araştırma ve geliştirmenin çekirdek halkasını birbirinden kopuk bir şekilde tek bir noktada kırıyor.

Spesifik olarak, keşfin önceki aşamasında, yapay zeka ilaçları, yeni hedefler keşfetme ve bileşikleri tarama gibi son derece sıkıcı ama son derece önemli iki görevi tamamlamak için kullanıldı.

Bir yandan insanlar, ilaçlaması zor hedefleri tam olarak kullanma potansiyelini keşfetmek ve Kızıldeniz'deki homojen rekabeti atlatmak için yapay zeka ilaçlarının güçlü bilgi işlem ve analiz yeteneklerine güvenmeyi umuyor. İstatistiklere göre, insan proteomunda, ilaçlaması zor hedefler %75'ten fazlasını oluşturuyor ve insan hastalıklarının yarısından fazlası klinik olarak tedavi edilemez. PD-1, GLP-1 vb. gibi etkili olduğu doğrulanmış hedefler için, yüzlerce ilaç şirketi genellikle bunları kısa sürede geliştirmek için acele eder.

Şimdiye kadar, AI farmasötikleri, geleneksel yeni ilaç geliştirmedeki birçok bağlantının yerini almak için kullanıldı. Örneğin, ilaç geliştirmede kritik bir adım olan ve en karmaşık adımlardan biri olan hedef belirleme. Bu aşamada yeni ilaçların geliştirilmesinde kullanılan hedeflerin çoğu proteinlerdir. Yapay zeka tabanlı hedef keşfinde, araştırmacılar önce orijinal özellikleri proteinin dizilişinden, yapısından ve işlevinden çıkarır, ardından doğru ve kararlı bir protein modeli oluşturmak için makine öğrenimi yöntemlerini kullanır ve son olarak bu modeli hedef işlevi tanımlamak için kullanır. Çıkarım, tahmin ve sınıflandırma. Bu, AI hedef araştırmasının önemli bir aracı haline geldi.

Yapısal verilere ek olarak, genomik, proteomik ve metabolomik gibi çoklu omik veriler hasta numunelerinden ve büyük biyomedikal verilerden çıkarılır ve hastalık dışı ve hastalık durumları arasındaki farkları analiz etmek için derin öğrenme kullanılır. hastalık üzerinde etkisi olan proteinleri keşfedin.

Öte yandan, AI teknolojisi ilaç taramasını, sentezini basitleştirebilir ve maliyetleri azaltabilir. Taranan bileşikler için çözünürlük, aktivite/seçicilik, toksisite, metabolizma, farmakokinetik/etkinlik ve sentez gibi boyut koşulları sıklıkla gereklidir. Bu, zaman alıcı ve zahmetli tekrarlanan deneysel süreçleri içerecek ve klinik öncesi araştırmanın maliyetini artıracaktır. Ve bu tür oldukça tekrarlı, yoğun hesaplama gerektiren işler, bilgisayar programlarının tam olarak iyi olduğu şeydir.

Bu süreçte yapay zeka teknolojisi, moleküler üretimi gerçekleştirmek, yani yeni küçük moleküller oluşturmak için makine öğrenimi yöntemlerini kullanmak için kullanılır. Spesifik olarak yapay zeka, çok sayıda bileşik veya ilaç molekülü üzerinde çalışarak bileşiklerin moleküler yapısı ve ilaçlanabilirlik yasalarını elde edebilir ve daha sonra bu yasalara göre aday ilaç molekülleri olarak doğada hiç var olmayan birçok bileşik üretebilir. belirli özelliklere sahip ilaçlar Büyük ölçekli ve yüksek kaliteli moleküler kütüphaneler.

Ayrıca yapay zeka teknolojisi, kimyasal reaksiyon tasarımını ve bileşik taramayı tamamlamak için de kullanılıyor. Yapay zekanın şu anda ilerleme kaydettiği kimya alanlarından biri, kimyasal reaksiyonların ve sentetik yolların modellenmesi ve tahmin edilmesidir. AI teknolojisine dayalı olarak, moleküler yapı, makine öğrenimi algoritmaları tarafından işlenebilecek bir forma eşlenir ve bilinen bileşiklerin yapılarına göre çoklu sentetik yollar oluşturulur ve en iyi sentetik yol önerilir. Buna karşılık, derin öğrenme ve transfer öğrenme, reaktanlar verilen kimyasal reaksiyon sonuçlarını tahmin edebilir. AI teknikleri, yeni kimyasal reaksiyonları keşfetmek için bile kullanılabilir. Bileşik taramada, AI teknolojisi, bileşiklerin kimyasal yapısı ile biyolojik aktivitesi arasındaki ilişkiyi modellemek ve bileşiklerin etki mekanizmasını tahmin etmek için kullanılır.

AI Pharmaceuticals'ın her bağımsız düğümde çok iyi iş çıkardığı söylenebilir. Ancak bu tür bir mükemmelliği bilgisayar yazılımının ötesine taşımak zordur. Yürütülemeyen klinik deneylere ek olarak, yapay zeka ilaçları, halihazırda halka açık bir fenomen olan ilaç şirketleri içinde eleştirildi. Arterial.com'a verilen röportajda AI ilaç mühendislerinin düşük moleküler aktivite ve uzun üretim döngüsünden şikayet etmesi ve teknoloji platformunun zorlu işleyişinden dolayı tıbbi kimya uzmanları tarafından beğenilmemesi neredeyse birçok AI ilaç firmasının yapamayacağı bir kader haline geldi. kaçmak.

Geriye dönüp bakıldığında, yapay zeka ilaçları ile ilaç şirketleri arasındaki uçurum göz ardı edilemez çünkü ilki verimliliğin peşinden gider ve geliştirme süresini kısaltarak kendi değerini doğrular, ikincisi ise kaliteyi vurgular ve iyi olanları seçmek için tekrarlanan gösterimler gerektirir. Bir bakıma, yapay zeka ilaçları düz bir çizgide ilerliyor, ilerlemeye çalışıyor, yeni ilaç araştırma ve geliştirme süreci ise daha çok devrilip yeniden başlatılabilen kapalı bir döngü gibi.

Yapay zeka ilaçlarının fiili uygulamasının tek bir noktada çığır açmaya çalışmayı bırakması ve bunun yerine yeni ilaç araştırma ve geliştirmenin kapalı döngü düşüncesine entegre olması gerekebilir.

İlaç yapmanın gerçek kurallarına dönün

Arterial.com'a konuşan bir yatırımcı, "Daha sıcak ve daha fazla ilaç şirketi otomatik laboratuvarlar kuruyor" dedi, "ilaç keşfi, kimyasal sentez ve diğer bağlantılarda AI teknolojisinin tanıtılması, yenilikçi ilaç şirketleri için neredeyse standart bir yapılandırma haline geldi." otomatik akıllı laboratuvarın yeni ilaç araştırma ve geliştirme verimliliğini artırma işlevi doğrulanırsa, büyük ilaç şirketleri için yeni bir altyapı inşaatı dalgasını tetikleyecektir.

Arterial.com halka açık verileri sıraladı ve son iki yılda AI ilaç şirketlerinin otomatik laboratuvarların inşasına yatırım yaptığını, laboratuvar ortamının ve Pfizer, AstraZeneca ve Eli Lilly gibi çok uluslu ilaç şirketlerinin de bunun için ödeme yaptığını buldu. AI teknolojisine dayalı otomatik ilaç araştırma ve geliştirme laboratuvarı.

Örneğin, İsveç'in Göteborg kentindeki AstraZeneca iLab'da AstraZeneca, yeni ilaç geliştirmenin kapalı döngü tasarımını, üretimini, test edilmesini ve analizini (DMTA) teknoloji platformuyla sorunsuz bir şekilde entegre ederek tam otomatik bir tıbbi kimya laboratuvarının inşasını araştırıyor. yapay zekaya sahip yeni bir ilaç araştırma ve geliştirme kuruluşu olan Molecular AI. Bunlar arasında, yapay zeka teknolojisi temel olarak DMTA kapalı döngüsündeki tasarım ve analiz bağlantılarını tamamlar, kimyagerlerin daha hızlı daha iyi kararlar almasına yardımcı olmak için yapay zeka ve makine öğrenimini kullanır, kimyagerler ve bilgisayarlar arasında etkili etkileşimi gerçekleştirir ve böylece kimyasal uzayın ve tasarımın keşfini hızlandırır. potansiyel yeni ilaç moleküllerinin

Başka bir örnek olarak Pfizer, "AI tahmini + deneysel doğrulama" yöntemini kullanarak yeni ilaçların geliştirilmesini hızlandırmak için Jingtai Technology ile işbirliği yaptı. Jingtai, Şangay'da otomatikleştirilmiş bir laboratuvar kurdu.

Bazı uygulayıcılar Arterial Network'e "İlaç geliştirme, çok boyutlu eşzamanlı optimizasyon sürecidir" dedi. Yeni ilaç araştırma ve geliştirmenin veri ölçeği çok büyük ve türü ve yapısı oldukça karmaşık. Kapalı devre bir kuru ve ıslak laboratuvar inşa etmek tasarımı daha verimli bir şekilde tamamlayabilir. , yanıltıcı olarak doğrulandı.

Bir yandan ilaç firmaları daha sistematik bir veri yönetimi yöntemi oluşturmuş durumda. Geleneksel ilaç araştırma ve geliştirme, deneysel bilime dayanmaktadır. Geçmişte yeni ilaçların araştırılması ve geliştirilmesinde, verilerin kaydedilmesi, yönetimi ve saklanması, deneysel ihtiyaçlara göre dinamik olarak ayarlanması gereken deneylere odaklanıyordu. Başka bir deyişle, veriler sadece deneylerin bir yan ürünüdür. Yapay zeka, sanal bilim, bilgi işlem bilimi ve veri bilimi kategorisine giren bir yöntem olduğundan, verilerin önemi aşikardır. Bu, ilaç şirketlerinin ilaç araştırma ve geliştirmedeki verilerin biçimini, standardını, kalitesini ve miktarını katı bir şekilde düzenlemesini gerektirir.

Öte yandan, AI ilaç şirketlerinin algoritma modeli, basitçe çağrılmak yerine hedeflenen bir şekilde de optimize edilebilir. Yapay zeka, geleneksel ilaç endüstrisinin temel işiyle derinden entegredir ve derin endüstri anlayışını ve daha yüksek teknik doğruluğu vurgular. Çok sayıda mevcut makaleden ve deneysel verilerden yeni bilgiler çıkarmaya ek olarak, gerçek zamanlı deneysel verileri tam olarak keşfetme ve iyileştirme ve veri geri bildirimine dayalı modelleri ve yinelemeli algoritmaları optimize etme becerisine sahip olmak da gereklidir.

"Algoritma modellerine ve verilerine ek olarak, AI farmasötikleri biyolojik sorunlarla giderek daha fazla ilgileniyor." Başka bir uygulayıcı dikkat çekti. Tamamen deneye güvenmenin yalnızca oluşturulan hipotezi doğrulayabileceği doğrudur, ancak yapay zeka ilaçlarının karşı karşıya olduğu şey daha karmaşık bir sistemdir ve birçok sorun hala bilinmemektedir. Son yıllarda fenotip tabanlı ilaç keşif yöntemleri, yani yeni ilaç taraması için biyolojik sistemlerin doğrudan kullanılması dikkat çekmeye başlamıştır.

Yaşam bilimlerinin sorunları ne kadar karmaşık! Patentli bir molekül olmanın altında yatan mantık, biyolojik mekanizmaların anlaşılmasının AI farmasötiklerinin nihai sorununu çözebilmesidir. Sektördeki yeni değişiklikler, farmasötik şirketi laboratuvar verilerine, klinik verilere ve ideal biyolojik modellere dayalı nispeten parçalanmış bağımsız geliştirmeden, yukarı akışta geri izleme ve matematiksel yöntemler kullanarak yapay zeka ilaçlarının çalışma modunda olumlu bir değişikliği temsil edebilir. biyolojik bir bakış açısıyla hastalık mekanizmasını ve sonunu düşünerek ilaçları bulmaya başlar.

Ve bu süreç hiç şüphesiz daha büyük veri analizleri ve hesaplamaları içerecektir ki bu da Nvidia gibi bilgi işlem gücüne sahip şirketlerin derinden dahil olmasının önemli bir nedenidir. Turing Darwin Laboratuvarı'nın müdür yardımcısı ve kurucu ortağı Dr. Zhao Yu, "Düşük boyutlu modeller, yüksek boyutlu sorunları açıklamak için kullanılamaz. Zheyuan Technology, dedi.

Yapay zeka ilaçları için, tek noktalı çığır açan çalışma modu bir anlamda tahrif edilmiştir, ancak endüstrinin büyüme eğrisi her zaman yukarı doğrudur.