DrugGPT, ChatGPT'den ne kadar uzakta? AI ilaç şirketleri: "sıkışmış boyun" bilgi işlem gücü değil, verilerdir

Kaynak: "Bilim ve Teknoloji İnovasyon Kurulu Günlük"

Muhabir: Yu Shiqi, Zhu Jieyan

Görsel kaynağı: Unbounded AI‌ tarafından oluşturuldu

Geçenlerde gerçekleşen 2023WAIC Dünya Yapay Zeka Konferansında, üretken yapay zekanın yükselişi neredeyse tüm konferans boyunca devam etti. Şu anda en çok dikkat çeken dönüştürücü çıkış noktası olarak, yatırımcıların, endüstri çevrelerinin ve akademinin, özellikle uygulama düzeyinde yıkıcı fırsatların nasıl ortaya çıkarılacağı konusunda birçok beklentisi var.

AI+tıp görülmesi gereken fırsatlardan biridir. Advanced Micro Devices'ın (AMD) başkanı ve CEO'su Su Zifeng bu konferansta yaptığı konuşmada, sağlık hizmetlerinin yapay zekanın insan sonuçlarını gerçekten etkileyebileceği bir alan olduğunu ve doktorların daha iyi teşhisler koymasına yardımcı olacağını söyledi.

Eski rakibi daha hızlı hareket etti. 12 Temmuz'da Nvidia, AI ilaç şirketi Recursion'a özel sermaye şeklinde 50 milyon dolarlık bir yatırım yaptığını duyurdu. Kurucusu ve CEO'su Huang Renxun, duyuruda üretken yapay zekanın yeni ilaçların ve yeni tedavilerin geliştirilmesinde devrim niteliğinde bir araç olduğunu söyledi. Recursion, biyokimya alanında öncü çalışmalar yürütmek için NVIDIA'nın ilgili ürünlerini kullanıyor, biyomoleküllerin dünyanın en büyük yapay zeka modelinin geliştirilmesini hızlandırıyor, böylece biyoteknolojinin gelişimini ilerletiyor ve ilaç şirketleri için ilaç keşfini hızlandırıyor.

AI ilaçları her zaman Çin'deki sıcak noktalardan biri olmuştur ve teknolojide dünyanın ön saflarına ulaşan bir dizi lider şirket ortaya çıkmıştır. Zamanın fırsatları geldiğinde, önde gelen yapay zeka ilaç şirketleri mevcut değişiklikleri nasıl fark ediyor? "Kechuangban Daily", TB Medical'in kurucu ortağı ve CEO'su He Qi'yi ve Jingtai'nin baş bilim sorumlusu Zhang Peiyu'yu davet etti. Teknoloji ve Shenshi Teknoloji Strateji başkanı Wang Xiaofo ve üç endüstri temsilcisi, gözlerindeki fırsatları ve zorlukları paylaştı.

"Sıkışmış" bilgi işlem gücü değil, verilerdir

Üretken yapay zeka dalgasının etkisiyle ilgili olarak, üç girişimcinin ortak algısı, dalganın "sıcak" hale geldiği yönünde.

TBMI Pharmaceuticals'ın CEO'su He Qi, tüm ilaç endüstrisinin hala soğuk bir kış mevsiminde olduğunu, ancak AI ilaçlarının izinin toparlanmaya başladığını söyledi. Bu yılın Mart ayında 35 milyon ABD doları tutarındaki A-round finansmanını tamamlayan TBM, o dönemde birçok üst düzey kurumun desteğini almış ve şimdi birçok kurum iş modeline ilgi göstermiştir.

Hem Jingtai Technology'nin baş bilim sorumlusu Zhang Peiyu hem de Shenshi Technology'nin strateji başkanı Wang Xiaofo, üretken yapay zekanın etkisinin henüz doğrudan yapay zeka ilaçlarına aktarılmadığına, ancak şimdiden sektöre olumlu sinyaller getirdiğine inanıyor. Zhang Peiyu, "GPT'nin yatırım noktaları hala büyük modeller, veritabanları ve grafik bilgi işlem çevresindedir. Bu daha başlangıç. Gelecekte kesinlikle tıp ve üretim gibi daha alt bölümlere ayrılmış uygulama katmanlarına geçecektir. Bu kaçınılmaz büyümedir. . süreç.**"

ChatGPT çemberin dışına çıkmadan önce, yapay zeka destekli yeni ilaç araştırma ve geliştirme, endüstrinin fikir birliği haline geldi. Araştırma raporu, makine öğrenimi (ML) ve derin öğrenme (DL) yoluyla ilaç hedefi keşfi ve bileşik taramanın etkinleştirilmesiyle, yeni ilaç geliştirmenin başarı oranının %12'den %14'e çıkarılabileceğini ve yaklaşık 55 milyar ABD doları tasarruf edilebileceğini gösteriyor. her yıl dünya çapında bileşik tarama ve klinik araştırma maliyetlerinde. **

Ancak öte yandan yapay zeka ilaçları da darboğazlarla karşı karşıya. AI farmasötikleri şu anda esas olarak ilaç keşfinin ve kurşun bileşik taramasının erken aşamalarında kullanılmaktadır.Klinik deneme aşamasında, ilgili işi tamamlamak için daha fazla kişiye ihtiyaç duyulmaktadır. Aynı zamanda, AI ilaçları da veri homojenliğinin etkisiyle sınırlıdır. Popüler bir anlamda, AI öğrenme materyalleri, insanlar tarafından oluşturulan deneysel verilerdir ve AI, popüler olmayan hedef verileri yoktan var edemez. Bu aynı zamanda üretken yapay zekanın en yaratıcı yeteneklerinin sınırlı olduğu anlamına gelir.

Bu nedenle, AI ilaç şirketlerinin karşılaştığı ikilem, mevcut büyük model şirketlerinden tamamen farklıdır. Zhang Peiyu, röportajda açıkça bilgi işlem gücü ve algoritmaların yapay zeka ilaç şirketlerinin gelişimini kısıtlayan temel engeller olmadığını belirtti. Yüzlerce GPU ve mevcut yinelemeli algoritma, bir AI ilaç şirketinin ihtiyaçlarını desteklemek için yeterlidir, anahtar verilerde yatmaktadır. **

"Yapay zeka bilgi işlem gücünün avantajları aracılığıyla hesaplamaları simüle etmek, kurşun maddelerin taranmasını ve optimizasyonunu hızlandırmak veya deneyime ve büyük veri eğitimine dayalı yeni moleküler yapılar tasarlamak olsun, destek olarak büyük miktarda veriye ihtiyaç var. Yapay zeka ilaçları için Şirketlerin çekirdeği, veri üretim kapasitesi üzerine inşa edilmiştir." Zhang Peiyu söyledi.

He Qi'nin görüşüne göre, AI'nın ilaç geliştirmenin sonraki aşamasında nispeten sınırlı bir rol oynayabilmesinin ana nedeni, özellikle klinik aşamada veya translasyonel tıpta ihtiyaç duyulan veriler olmak üzere veri eksikliğidir. Bu, büyük modellerin eğitimi için büyük bir zorluk oluşturmaktadır.

Veri eksikliği sadece miktara yansımakla kalmıyor, Wang Xiaofo sorunun özünü daha da analiz etti, "Veri miktarı şu anda yeterli değil çünkü deneyler yoluyla veri üretmenin maliyeti çok yüksek. Daha da sıkıntılı olan şu ki kalite tam olarak garanti edilemez. Örneğin, aynı Deney, A yaparsa ve B yaparsa, sonuçlar farklı olabilir. Kendisi birçok saha dışı faktörden ve ilgili hatalardan etkilenir. Miktar ve kalite temel alınan verilerin tamamı garanti edilemez, doğrudan sonuç, yani yapay zeka öğreniminin performansı ve sonuçları büyük ölçüde azalacaktır."

Birkaç yapay zeka ilaç pratisyeninin görüşüne göre, ChatGPT'den DrugGPT'ye giden yol dolambaçlı ve zordur.Sıkışan şey bilgi işlem gücü değil, temeldeki veri üretim kapasitesidir. Ancak aynı şekilde, üretici yapay zeka dalgası altında, yapay zeka ilaçları tüm ilaç endüstrisine niteliksel değişiklikler getirme, inovasyon darboğazını kırma ve temel Ar-Ge verimliliği sorununu çözme fırsatına sahip.

**DrugGPT'nin geleceği ne kadar uzakta? **

Çözülmesi gereken ilk şey, veri üretim kapasitesi sorunudur.

Jingtai'nin fikri "otomasyon + zeka". Zhang Peiyu, ilaç araştırma ve geliştirme sürecinin, çoğu geleneksel olarak emek yoğun olan ve verimliliği ve doğruluğu artırmak için insan emeğinin yerini alacak şekilde tamamen otomatikleştirilebilecek sürekli deneme yanılma yinelemeleri süreci olduğuna inanıyor. Şu anda yaptıkları işlerin çoğu, geleneksel süreçleri otomatik süreçlere dönüştürmek ve yüksek hassasiyetli verileri otomatik süreçler aracılığıyla takip etmek ve bunları gerçek zamanlı olarak yapay zeka modellerine geri beslemek. Bu yöntem, insan deneylerinden daha fazla, daha kapsamlı ve gerçek veri toplayabilir, insan verimliliğini birkaç kez artırabilir ve insanları daha fazla ve daha başarılı yenilikçi keşifler yapma konusunda güçlendirebilir.

Otomasyon tarafından üretilen veriler, sürekli olarak akıllı algoritmaların geliştirilmesini ve optimizasyonunu sağlar. Otomasyonun verimliliği ne kadar yüksek olursa, akıllı algoritmaların tahminleri o kadar doğru ve uygulama kapsamı o kadar geniş olur. Aynı zamanda zeka, yapılandırılmamış bilgilerin yapılandırılmış verilere dönüştürülmesine de yansır. Ona göre artık yapay zeka, yapılandırılmamış belgelerde ve patentlerde gizlenen sentetik yollar ve moleküler yapılar gibi bilgileri çıkarabilir, bunları yapılandırılmış verilere dönüştürebilir, algoritmaların performansını artırabilir ve ardından tasarlanan sentetik yolları otomatik ekipmana gönderebilir. , veri üretim süreci. Bu süreçte yapay zeka, zamanlama ve planlamada da rol oynayabilir, çeşitli araçları paralel olarak verimli bir şekilde çağırabilir ve farklı uygulama senaryoları için algoritma tahmininden deneysel doğrulamaya kadar kapalı döngüyü tamamlayabilir.

Zhang Peiyu, "Bu, dört gözle beklemeye değer bir geliştirme yönü. Sonunda, yapay zeka tek başına kapalı tasarım ve üretim döngüsünü birbirine bağlayabilir ve ilaç araştırma ve geliştirmeyi otomatik olarak tamamlayabilir." dedi.

Shenshi, Bilim için yapay zekanın yeni bir bilimsel araştırma paradigmasını önerdi. Basitçe söylemek gerekirse, yapay zekayı bir dizi şeyin altında yatan işleyişin bilimsel yasalarını öğrenmek için kullanmaktır. Wang Xiaofo, veri kıtlığı sorunuyla karşı karşıya kaldıklarında, yapay zekayı alt düzey bilimsel araştırma alanına soktuklarını ve yapay zekanın güçlü fonksiyon uydurma ve veri analizi yeteneklerini kullanarak bilimsel kanunları ve ilkeleri öğrenmesine ve pratik sorunları çözmek için kullanılabilir modeller elde etmesine izin verdiklerini söyledi. • Bilimsel araştırma konuları, özellikle bilim adamlarının farklı varsayımlar altında çok sayıda doğrulama ve deneme yanılma yapmalarına yardımcı olmakta, böylece bilimsel araştırma ve keşif sürecini büyük ölçüde hızlandırmaktadır.

Şu anda verimlilikteki gelişmeyi görebiliyoruz. Wang Xiaofo, ilaç tarama sürecinde birçok kez yüksek verimli deneylerin yapılması gerekebileceğinden bahsetti. Şimdi, hesaplamak için Bilim için yeni AI paradigmasını kullanacağız ve sonra doğrulamanın küçük bir kısmı için, son zamanlarda geçmişe göre çok daha az deney yapmaya çalıştık ve aday ilaçları alabiliyoruz. Bu, 10 kattan fazla bir verimlilik artışı elde etmeye eşdeğerdir.

Verimliliğin kutsaması daha alt düzey değişiklikleri de beraberinde getirdi. Zhang Peiyu'ya göre, Jingtai tarafından biyotıp için tasarlanan otomatikleştirilmiş dijital zeka laboratuvarı yalnızca ilaç araştırma ve geliştirme için kullanılamaz, aynı zamanda kimya mühendisliği ve deneysel tarama gerektiren yeni malzemeler yönünde daha da genişletilebilir. aynıdır. Ancak bu alanlardaki güvenlik gereksinimleri, doğrulama döngüsü ve proje karmaşıklığı önemli ölçüde daha düşüktür. Bu, ilaçlardan daha zayıf olmayan büyük bir pazar.Şu anda bazı petrokimya, enerji depolama malzemeleri ve diğer yeni malzeme araştırma ve geliştirme şirketleriyle işbirliğine ulaştılar.

Gelecek için oldukça iyimser beklentileri var. Veri üretimi darboğazını aştıktan sonra, yapay zeka ilaçları, niceliksel değişiklikler yoluyla niteliksel değişikliklere neden olma fırsatına sahip. ilaca yönelik hedefler ve yeni ilaçlar Uyuşturucu üretim mekanizması, yeni uyuşturucu boru hatları ve artan pazarlar yaratarak yeni nesil yüksek kaliteli ilaçlar ortaya çıkardı. 20 veya 30 yıl içinde, yeni ilaçların araştırma ve geliştirme işlerinin %90'ının yapay zeka tarafından daha verimli bir şekilde yapılması beklenebilir.İnovasyon eşiği düşürülürken, ilaç araştırma ve geliştirme tavanı yükseltilecek , daha az kaynak , zaman ve başarısızlık riskiyle, böylece hastalara daha fazla ilaç gelir.

Şu anda He Qi, yapay zekanın ilaç araştırma ve geliştirmeye yönelik itici gücünün ikinci eğriye ulaştığına inanıyor.Biyoteknoloji şirketlerinin yenilikçi ilaçların araştırma ve geliştirmesini yaparken kaçınılmaz olarak bilgi işleme büyük yatırım yapması gerekecek. Bu acı noktasına dayanarak, ekipman ve bilgi işlem gücünün yanı sıra uzman desteği sağlayan yapay zeka ilaç şirketleri birçok müşteri tarafından takdir edildi. Şirketler, ticarileştirmenin temelini attıktan sonra, daha uzun vadeli bir perspektiften yapay zeka destekli daha fazla ilaç Ar-Ge yolu keşfedebilir.