Nvidia заробила 50 мільйонів доларів США, чому огидна фармацевтична AI повертається?

Першоджерело: артеріальна мережа

Джерело зображення: створено Unbounded AI‌

12 липня Nvidia оголосила про інвестиції в розмірі 50 мільйонів доларів США в Recursion для прискорення проривних фундаментальних моделей у галузі відкриття ліків зі штучним інтелектом. Цей крок викликав широке занепокоєння в галузі, і ціна акцій відповідних цілей на вторинному ринку різко зросла.

Насправді Nvidia трохи вагається щодо розгортання фармацевтичних препаратів ШІ. Ще в 2018 році Nvidia запустила платформу Clara спеціально для медичних сценаріїв. Згодом Клара поступово розширювала свої межі від інструментів для дослідження зображень штучного інтелекту та почала залучатися до геноміки. Платформа Clara швидко стала ефективним інструментом у розробці нових ліків. Її можна використовувати в дизайні ліків, за допомогою різних штучних інтелектів для генерації молекул для виконання таких завдань, як генерація білків, молекулярна генерація та докінг, і навіть передбачення тривимірного взаємодія між білками та молекулами для оптимізації роботи препарату в організмі.

Станом на березень 2023 року NVIDIA співпрацювала з більш ніж 100 компаніями по всьому світу, включно з дослідженнями та розробкою нових ліків, на моделі Clara. Але 50 мільйонів доларів, інвестованих у Recursion, є першою прямою інвестицією Nvidia у глобальну фармацевтичну технологію ШІ. Заснована в 2013 році, ця відома фармацевтична компанія штучного інтелекту в основному використовує особливості зображення волокон клітин для скринінгу ліків. Основна логіка значно відрізняється від логіки інших аналогів.

Особливістю Recurison є те, що кілька експериментів можна розпаралелювати з високою пропускною здатністю за допомогою замкнутих сухих і вологих експериментів. По-перше, людські клітини захворюють різними способами в лабораторії, і ці хворі клітини фотографують. Потім дозвольте програмі машинного навчання визначити різницю між цими хворими клітинами та здоровими. Нарешті, на хворі клітини наносять різні препарати, а програма машинного навчання використовується для оцінки того, чи повертаються клітини до здорового стану, щоб оцінити дію ліків.

Ключовою ланкою у фармацевтичному процесі штучного інтелекту Recurison є фундаментальне дослідження на клітинному рівні. За цим стоїть логіка пошуку мішеней і розробки ліків на основі суті складних життєвих явищ. У той момент, коли традиційна фармацевтична модель штучного інтелекту, навчена даними досліджень і розробок ліків, трохи втомилася, розширення ланцюжка фармацевтичних препаратів штучного інтелекту стає новим способом мислення.

Зниклий DSP-1181 і новий препарат ШІ, який не працює

Щойно настало літо 2022 року, і після менш ніж двох років поспішної роботи під прожекторами столичного ринку AI pharmaceuticals відкрили перше похолодання. На додаток до широкого холодного зовнішнього середовища, високопрофільні суперзіркові продукти вийшли на стадію клінічних випробувань, але швидко зіткнулися з Ватерлоо, наступаючи на гальма розвитку фармацевтичних препаратів ШІ.

У липні 2022 року Sumitomo Pharmaceutical оголосила, що припиняє розробку DSP-1181, оскільки клінічне випробування фази I не відповідало очікуваним стандартам. DSP1181 негайно зник з офіційних сайтів Exscientia та Sumitomo Pharmaceuticals. Відтоді спроби розробити першу в світі молекулу ліків, розроблену ШІ, зазнали невдачі.

Ще в 2014 році Sumitomo Pharmaceuticals віддала перевагу технології автоматичного генерування сполук Exscientia та моделі прогнозування штучного інтелекту на основі знань, і обидві сторони негайно досягли співпраці. Sumitomo Pharmaceuticals стала однією з перших фармацевтичних компаній у світі, яка співпрацювала з компаніями штучного інтелекту. У наступні роки Sumitomo Pharmaceuticals і Exscientia працювали разом, щоб нарешті вибрати препарат, пов’язаний з рецептором моноаміну G-білка (GPCR) для лікування психічних захворювань.

Під час співпраці хімічна група Sumitomo Pharmaceuticals синтезує сполуки, запропоновані Exscientia, група фармакологів оцінює ці сполуки, а дві компанії спільно обмінюються даними про діяльність, щоб продовжувати вдосконалювати препарат. На основі моделі алгоритму штучного інтелекту Exscientia обидві сторони випробували та синтезували 350 сполук менш ніж за рік, а DSP-1181 є 350-ю сполукою, синтезованою з моменту початку проекту. На той час середній термін виконання цієї роботи в галузі становив понад 5 років.

Крім того, в ході проекту обидві сторони також синтезують аналоги. Хіміки Sumitomo Pharmaceuticals одночасно синтезували проміжні сполуки, запропоновані Exscientia, а також розробили та синтезували деякі сполуки з передбачуваними фармакологічними даними та ввели ці дані в прогнозні моделі Exscientia. До них належать сполуки, які забезпечують важливі зв’язки між структурою та активністю для оптимізації структур сполук, що ще більше прискорює цикл відкриття ліків і дозволяє компанії відкрити DSP-1181 за короткий проміжок часу.

На початку 2020 року Exscientia оголосила про те, що DSP-1181, розроблений у співпраці з японською Sumitomo Pharmaceutical, увійшов у першу фазу клінічних випробувань. На початку клінічних випробувань DSP-1181 компанія Sumitomo Pharmaceuticals була дуже схвильована і не могла не похвалити інноваційний підхід, прийнятий Exscientia, який зробить великий внесок у ліки для центральної нервової системи.

Щодо невдачі DSP-1181 деякі дослідники вказали на те, що основна причина полягає в тому, що сама молекула препарату недостатньо інноваційна.

Тод Уіллс з American Chemical Abstracts Service (CAS) провів детальний аналіз DSP-1181 і виявив, що рецептор, на який діє DSP-1181, є дуже важливою класичною мішенню антипсихотичних препаратів. Іншими словами, розробка DSP-1181 не відхилилася від початкової мети. Після систематичного дослідження патентної системи DSP-1181 Віллз виявив, що молекула DSP-1181 дуже схожа на галоперидол, типовий антипсихотичний препарат, схвалений FDA у 1967 році. У цьому сенсі Exscientia, ймовірно, оптимізує давно відкриту молекулярну структуру.

Невдача DSP-1181 кинула тінь на світлий момент у фармацевтиці штучного інтелекту, але також стала ключовим поворотним моментом у галузі. Відтоді, коли люди говорять про фармацевтику штучного інтелекту, окрім алгоритмів і даних, вони також поступово зосереджуються на інноваційних дослідженнях у лабораторії.

Пройшовши через плутанину ранніх етапів технології та накопичення даних, для сучасних фармацевтичних компаній зі штучним інтелектом не є рідкістю будувати конвеєр клінічних випробувань. Згідно зі статистикою Бюро інтелектуальних ліків, нові конвеєри ліків, розроблені вітчизняними фармацевтичними компаніями штучного інтелекту, такими як Iceland Stone Bio, Ruige Pharmaceuticals, Yingsi Intelligent і Hongyun Bio, один за одним увійшли в стадію клінічних випробувань. Наприкінці червня Insilicon Intelligence першою в світі завершила введення першому пацієнту препарату штучного інтелекту INS018_055 у фазі II клінічного випробування.

Справжня складність полягає в тому, як просувати клінічні випробування, оскільки багато ліків штучного інтелекту застрягли на першій фазі клінічних випробувань. Згідно зі статистичними даними Бюро інтелектуальних ліків, серед 80 схвалених клінічних ліній штучного інтелекту ліків у світі лише 29 науково-дослідних розробок перейшли до фази II клінічних випробувань, і жодна лінія штучного інтелекту не перейшла на пізнішу стадію.

Після 10 років бігу із зав’язаними очима AI Pharmaceuticals стала дещо нездатною бігати. На додаток до DSP-1181, який нещодавно потрапив у фазу I клінічних випробувань, Benevolent AI, ще одна провідна британська фармацевтична компанія з виробництва штучного інтелекту, також оголосила, що препарат-кандидат для лікування атопічного дерматиту не досяг цільового рівня в фаза II клінічного випробування Вторинні кінцеві точки ефективності. Insilicon, який агресивно розробляє нові препарати штучного інтелекту, надзвичайно обережний, коли справа доходить до фази II клінічних випробувань.

Прорив єдиної точки

Хоча було кілька злетів і падінь, для фармацевтичних препаратів ШІ досі немає чіткого визначення в галузі. Спроби людей використовувати технології штучного інтелекту (ШІ), такі як машинне навчання, глибоке навчання, обробка природної мови та графіки знань, для проведення медичного хімічного молекулярного аналізу, виявлення цілей, скринінгу сполук і навіть клінічних випробувань та інших досліджень нових ліків і роботи, пов’язані з розробкою, тобто фармацевтичні препарати ШІ.

У багатьох випадках фармацевтичні препарати штучного інтелекту розглядаються як найкраще рішення для підвищення ефективності досліджень і розробки нових ліків. Однак технологія штучного інтелекту, яка відокремлена від суворої фармацевтичної логіки, прориває основну ланку дослідження та розробки нових ліків в одній точці, відокремлюючи одна від одної.

Зокрема, на попередньому етапі дослідження фармацевтичні препарати штучного інтелекту використовувалися для виконання двох надзвичайно нудних, але надзвичайно важливих завдань із виявлення нових цілей і скринінгу сполук.

З одного боку, люди сподіваються покладатися на потужні обчислювальні та аналітичні можливості фармацевтичних препаратів зі штучним інтелектом, щоб відкрити потенціал повного використання цілей, які важко лікувати, і обійти однорідну конкуренцію в Червоному морі. Згідно зі статистичними даними, в протеомі людини складні для лікування мішені становлять більше 75%, а більше половини захворювань людини клінічно не піддаються лікуванню. Для мішеней, ефективність яких підтверджено, наприклад PD-1, GLP-1 тощо, сотні фармацевтичних компаній часто поспішають розробити їх за короткий проміжок часу.

Досі фармацевтичні препарати ШІ використовувалися для заміни багатьох ланок у традиційній розробці нових ліків. Наприклад, ідентифікація мішені, яка є критично важливим і одним із найскладніших кроків у розробці ліків. На цьому етапі більшість мішеней, які використовуються при розробці нових ліків, є білками. При виявленні цілей на основі штучного інтелекту дослідники спочатку витягують оригінальні характеристики з послідовності, структури та функції білка, потім використовують методи машинного навчання для побудови точної та стабільної моделі білка, і, нарешті, використовують цю модель для визначення цільової функції. Висновок, передбачення та класифікація. Це стало важливим засобом цільового дослідження ШІ.

На додаток до структурних даних, численні omics дані, такі як геноміка, протеоміка та метаболоміка, витягуються зі зразків пацієнтів і масивних біомедичних даних, а глибоке навчання використовується для аналізу відмінностей між хворобливими станами та станами, що не є хворобою. Його також можна використовувати для виявити білки, які впливають на захворювання.

З іншого боку, технологія штучного інтелекту може спростити скринінг, синтез ліків і знизити витрати. Для відібраних сполук часто потрібні такі параметри, як розчинність, активність/селективність, токсичність, метаболізм, фармакокінетика/ефективність і синтез. Це включатиме повторні експериментальні процеси, що забирає багато часу та трудомістко, а також збільшить вартість доклінічних досліджень. І така повторювана робота з інтенсивними обчисленнями — це саме те, у чому хороші комп’ютерні програми.

У цьому процесі технологія ШІ використовується для досягнення молекулярної генерації, тобто для використання методів машинного навчання для створення нових малих молекул. Зокрема, штучний інтелект може отримати закони молекулярної структури та лікарської здатності сполук, вивчаючи велику кількість сполук або молекул ліків, а потім генерувати багато сполук, які ніколи не існували в природі як потенційні молекули ліків відповідно до цих законів, ефективно конструюючи ліки з певні великомасштабні та високоякісні молекулярні бібліотеки.

Крім того, технологія штучного інтелекту також використовується для завершення проектування хімічної реакції та скринінгу сполук. Одна з областей хімії, де штучний інтелект зараз досягає прогресу, — це моделювання та прогнозування хімічних реакцій і шляхів синтезу. На основі технології штучного інтелекту молекулярна структура відображається у формі, яка може бути оброблена алгоритмами машинного навчання, і на основі структур відомих сполук формується кілька синтетичних маршрутів, і рекомендовано найкращий синтетичний шлях. У свою чергу, глибоке навчання та навчання переносу можуть передбачити результати хімічних реакцій із заданими реагентами. Методи ШІ можна навіть використовувати для дослідження нових хімічних реакцій. У скринінгу сполук технологія ШІ використовується для моделювання зв’язку між хімічною структурою та біологічною активністю сполук і прогнозування механізму дії сполук.

Можна сказати, що на кожному незалежному вузлі AI Pharmaceuticals працює дуже добре. Але цей вид досконалості важко вивести за межі комп’ютерного програмного забезпечення. На додаток до клінічних випробувань, які не можуть бути проведені, фармацевтичні препарати штучного інтелекту піддаються критиці всередині фармацевтичних компаній, що вже є публічним явищем. В інтерв’ю Arterial.com скарги фармацевтичних інженерів штучного інтелекту на низьку молекулярну активність і довгий виробничий цикл, а також неприязнь експертів з медичної хімії через складну роботу технологічної платформи стало майже долею, яку не можуть витримати багато фармацевтичних компаній ШІ. Втеча.

Озираючись назад, не можна ігнорувати розрив між фармацевтичними препаратами зі штучним інтелектом і фармацевтичними компаніями, оскільки перші прагнуть до ефективності та перевіряють власну цінність, скорочуючи час розробки, а другі наголошують на якості та вимагають повторних демонстрацій для вибору хороших. У певному сенсі AI-фармацевтика йде по прямій лінії, прагнучи рухатися вперед, тоді як процес дослідження та розробки нових ліків більше нагадує замкнутий цикл, який можна перевернути та запустити знову.

Фактичне впровадження штучного інтелекту у фармацевтиці, можливо, потребуватиме припинити спроби зробити прорив в одній точці, а натомість інтегруватися в замкнутий цикл дослідження та розробки нових ліків.

Повернення до справжніх правил виготовлення ліків

«Чим більше фармацевтичних компаній будують автоматизовані лабораторії, — сказав інвестор Arterial.com, — впровадження технології штучного інтелекту у пошуках ліків, хімічному синтезі та інших зв’язках стало майже стандартною конфігурацією для інноваційних фармацевтичних компаній». що якщо буде перевірено функцію автоматизованої інтелектуальної лабораторії для підвищення ефективності дослідження та розробки нових ліків, це спровокує нову хвилю будівництва інфраструктури для великих фармацевтичних компаній.

Arterial.com відсортував публічні дані та виявив, що за останні два роки фармацевтичні компанії зі штучним інтелектом інвестували в будівництво автоматизованих лабораторій.Лабораторне середовище та транснаціональні фармацевтичні компанії, такі як Pfizer, AstraZeneca та Eli Lilly, також заплатили за це. автоматизована лабораторія дослідження та розробки ліків на основі технології ШІ.

Наприклад, у лабораторії AstraZeneca iLab у Гетеборзі, Швеція, AstraZeneca вивчає можливість будівництва повністю автоматизованої медичної хімічної лабораторії, яка повністю інтегрує замкнутий цикл проектування, виробництва, тестування та аналізу (DMTA) розробки нових ліків із технологічною платформою. Molecular AI, підприємства з дослідження та розробки нових лікарських засобів штучного інтелекту. Серед них технологія штучного інтелекту в основному завершує зв’язки проектування та аналізу в замкнутому циклі DMTA, використовує штучний інтелект і машинне навчання, щоб допомогти хімікам швидше приймати кращі рішення, реалізує ефективну взаємодію між хіміками та комп’ютерами, і таким чином прискорює дослідження хімічного простору та дизайну. потенційних нових молекул ліків.

Інший приклад: компанія Pfizer співпрацювала з компанією Jingtai Technology, щоб прискорити розробку нових ліків за допомогою методу «прогноз ШІ + експериментальна перевірка», яка створила автоматизовану лабораторію в Шанхаї.

«Розробка ліків — це процес багатовимірної одночасної оптимізації», — сказали деякі практики Arterial Network. Масштаб даних досліджень і розробок нових ліків величезний, а тип і структура досить складні. Побудова сухої та вологої лабораторії замкнутого циклу може завершити дизайн ефективніше. , перевірено ілюзорно.

З одного боку, фармацевтичні компанії сформували більш систематичний метод управління даними. Традиційні дослідження та розробки ліків базуються на дослідницькій науці. У минулих дослідженнях і розробці нових ліків запис, керування та зберігання даних були зосереджені на експериментах, які необхідно було динамічно коригувати відповідно до експериментальних потреб. Іншими словами, дані є лише побічним продуктом експериментів. Оскільки штучний інтелект є методом у категорії віртуальної науки, обчислювальної техніки та науки про дані, важливість даних є самоочевидною. Це вимагає від фармацевтичних компаній суворого регулювання формату, стандарту, якості та кількості даних у дослідженнях і розробці ліків.

З іншого боку, модель алгоритму фармацевтичних компаній ШІ також можна оптимізувати цілеспрямовано, а не просто викликати. ШІ глибоко інтегрований з основним бізнесом традиційної фармацевтичної промисловості, наголошуючи на глибокому розумінні галузі та вищій технічній точності. На додаток до отримання нових знань із великої кількості наявних документів та експериментальних даних, також необхідно мати здатність повністю досліджувати та уточнювати експериментальні дані в реальному часі, а також оптимізувати моделі та ітераційні алгоритми на основі даних зворотного зв’язку.

«На додаток до моделей алгоритмів і даних, фармацевтика ШІ все більше стурбована біологічними проблемами», — зазначив інший практик. Це правда, що суто покладаючись на сам експеримент можна лише перевірити сформовану гіпотезу, але те, з чим стикається AI pharmaceuticals, є більш складною системою, і багато проблем досі невідомі. В останні роки почали привертати увагу методи відкриття ліків на основі фенотипу, тобто пряме використання біологічних систем для скринінгу нових ліків.

Наскільки складні проблеми наук про життя! Основна логіка запатентованої молекули полягає в тому, що розуміння біологічних механізмів може вирішити головну проблему фармацевтичних препаратів ШІ. Нові зміни в галузі можуть свідчити про позитивні зміни в режимі роботи фармацевтичних препаратів штучного інтелекту: від відносно фрагментованих незалежних розробок, заснованих на даних лабораторії фармацевтичних компаній, клінічних даних і ідеальних біологічних моделях, відстеження вгору та використання математичних методів. Спробуйте деконструювати механізм хвороби з біологічної точки зору, і почати пошук ліків, пам’ятаючи про кінцевий результат.

І цей процес, безсумнівно, включатиме більший аналіз даних і обчислення, що також є важливою причиною, чому компанії з обчислювальною потужністю, такі як Nvidia, глибоко залучені в нього. "Маловимірні моделі не можна використовувати для пояснення багатовимірних проблем. Лише шляхом створення інструментів для розуміння надзвичайно складних систем можна знайти відповіді на складні проблеми в науках про життя", - д-р Чжао Юй, заступник директора лабораторії Тьюрінга Дарвіна та співзасновник Zheyuan Technology, сказав .

Для фармацевтичних препаратів зі штучним інтелектом проривний режим роботи в одній точці був у певному сенсі сфальсифікований, але крива зростання галузі завжди висхідна.