Як далеко DrugGPT від ChatGPT? Фармацевтичні компанії штучного інтелекту: «застрягла шия» — це не обчислювальна потужність, а дані

Джерело: "Science and Technology Innovation Board Daily"

Репортер: Ю Шиці, Чжу Цзеянь

Джерело зображення: створено Unbounded AI‌

На Всесвітній конференції зі штучного інтелекту 2023 WAIC, яка щойно відбулася, зростання генеративного штучного інтелекту майже пройшло через усю конференцію. Як трансформаційний вихід, якому зараз прикуто найбільше уваги, інвестори, промислові кола та наукові кола покладають на нього багато сподівань, особливо щодо того, як знайти проривні можливості на рівні додатків.

AI+medicine — одна з можливостей, яку варто побачити. На цій конференції Су Цзифен, голова правління та генеральний директор Advanced Micro Devices (AMD), сказала у своїй промові, що охорона здоров’я — це сфера, де штучний інтелект може справді вплинути на результати людського життя та допоможе лікарям краще діагностувати.Прискорити дослідження профілактики захворювань.

Її давня суперниця рухалася швидше. 12 липня Nvidia оголосила про інвестиції в розмірі 50 мільйонів доларів у фармацевтичну компанію Recursion, що займається штучним інтелектом, у формі приватного капіталу. Його засновник і генеральний директор Хуан Реньсюнь сказав в повідомленні, що генеративний штучний інтелект є революційним інструментом у розробці нових ліків і нових методів лікування. Recursion використовує суміжні продукти NVIDIA для проведення піонерської роботи в галузі біохімії, прискорюючи розробку найбільшої в світі генеративної моделі ШІ біомолекул, тим самим просуваючи розвиток біотехнології та прискорюючи відкриття ліків для фармацевтичних компаній.

Фармацевтика зі штучним інтелектом завжди була однією з гарячих точок у Китаї, і з’явилася низка провідних компаній, які вийшли на передову світових технологій. Коли настають нові можливості, як передові фармацевтичні компанії зі штучним інтелектом визнають поточні зміни?«Kechuangban Daily» запросила Хе Ці, співзасновника та генерального директора TB Medical, Чжана Пейю, головного наукового співробітника Jingtai Technology і Shenshi Technology Ван Сяофо, керівник відділу стратегії, і три представники галузі поділилися своїми очима можливостями та проблемами.

Застрягла не обчислювальна потужність, а дані

Що стосується впливу хвилі генеративного штучного інтелекту, загальна думка трьох підприємців полягає в тому, що він став «гарячим».

Хе Ці, генеральний директор TBMI Pharmaceuticals, сказав, що вся фармацевтична галузь все ще переживає холодну зиму, але фармацевтичні препарати зі штучним інтелектом почали набирати обертів. У березні цього року TBM завершив A-раунд фінансування на суму $35 млн. На той час він отримав підтримку багатьох провідних установ, і тепер багато установ висловили інтерес до бізнес-моделі.

І Чжан Пейюй, головний науковий співробітник Jingtai Technology, і Ван Сяофо, керівник відділу стратегії Shenshi Technology, вважають, що вплив генеративного штучного інтелекту ще не було безпосередньо передано фармацевтичним препаратам штучного інтелекту, але це вже принесло позитивні сигнали галузі. Чжан Пейю зазначив: «Гарячі точки інвестицій GPT все ще пов’язані з великими моделями, базами даних і графічними обчисленнями. Це лише початок. У майбутньому він обов’язково переміститься на більш розділені прикладні рівні, такі як медицина та виробництво. Це неминуче зростання. . процес.**"

До того, як ChatGPT вирвався з кола, дослідження та розробки нових ліків за допомогою штучного інтелекту стали консенсусом у галузі. Дослідницький звіт показує, що завдяки можливості виявлення цільових ліків і скринінгу сполук за допомогою машинного навчання (ML) і глибокого навчання (DL), рівень успішності розробки нових ліків можна збільшити з 12% до 14%, %, заощадивши близько 55 мільярдів доларів США. у складних витратах на скринінг і клінічні випробування в усьому світі щороку. **

Але, з іншого боку, фармацевтика ШІ також стикається з вузькими місцями. Фармацевтичні препарати зі штучним інтелектом наразі в основному використовуються на ранніх стадіях відкриття ліків і скринінгу сполук свинцю. На стадії клінічних випробувань все ще потрібно більше людей для виконання відповідної роботи. У той же час фармацевтичні препарати штучного інтелекту також обмежені впливом однорідності даних. У загальноприйнятому розумінні навчальні матеріали ШІ — це експериментальні дані, створені людьми, і ШІ не може створювати непопулярні цільові дані з повітря. Це також означає, що найбільш творчі можливості генеративного ШІ обмежені.

Тому дилема, з якою стикаються фармацевтичні компанії штучного інтелекту, зовсім інша, ніж дилема нинішніх великих модельних компаній. Чжан Пейю прямо заявив в інтерв’ю, що обчислювальна потужність і алгоритми не є основними перешкодами, які обмежують розвиток фармацевтичних компаній ШІ. Сотень графічних процесорів і поточного ітераційного алгоритму достатньо, щоб забезпечити потреби фармацевтичної компанії зі штучним інтелектом, ключ криється в даних. **

«Незалежно від того, чи йдеться про симуляцію обчислень за допомогою переваг обчислювальної потужності штучного інтелекту, прискорення скринінгу та оптимізації провідних речовин або розробку нових молекулярних структур на основі досвіду та навчання великим даним, велика кількість даних потрібна як підтримка. Для фармацевтичної інтелектуальної власності компанії, її ядро побудовано на потужності виробництва даних", - сказав Чжан Пейю.

На думку Хе Ці, основною причиною, чому штучний інтелект може відігравати відносно обмежену роль на пізнішому етапі розробки ліків, є брак даних, особливо даних, необхідних на клінічній стадії або трансляційній медицині. Це створює велику проблему для навчання великих моделей.

Відсутність даних відображається не лише в кількості, Ван Сяофо далі проаналізував суть проблеми: «Обсяг даних зараз недостатній, тому що вартість отримання даних за допомогою експериментів дуже висока. Більше проблем викликає те, що якість не може бути повністю гарантована. Наприклад, той самий експеримент, якщо це робить А і Б, результати можуть бути різними. На нього впливає багато зовнішніх факторів і пов’язаних з ними помилок. Кількість і якість базових даних не можна гарантувати, прямий результат Тобто продуктивність і результати навчання ШІ будуть значно знижені».

На думку кількох фармацевтичних спеціалістів зі штучного інтелекту, шлях від ChatGPT до DrugGPT звивистий і важкий. Але так само під хвилею генеративного штучного інтелекту фармацевтичні препарати зі штучним інтелектом мають можливість якісно змінити всю фармацевтичну галузь, подолати вузьке місце інновацій і вирішити фундаментальну проблему ефективності досліджень і розробок.

**Як далеко майбутнє DrugGPT? **

Перше, що потрібно вирішити, це проблема потужності виробництва даних.

Ідея Jingtai - "автоматизація + інтелект". Чжан Пейю вважає, що процес дослідження та розробки ліків — це процес безперервних спроб і помилок, багато з яких традиційно трудомісткі, і можуть бути повністю автоматизовані, щоб замінити людську працю для підвищення ефективності та точності. Багато роботи, яку вони зараз виконують, полягає в тому, щоб трансформувати традиційні процеси в автоматизовані процеси, відстежувати високоточні дані за допомогою автоматизованих процесів і передавати їх у моделі ШІ в режимі реального часу. Цей метод може зібрати більше, більш вичерпних і реальних даних, ніж експерименти на людях, у кілька разів підвищити ефективність роботи людей і надати людям можливість проводити все більш успішні інноваційні дослідження.

Дані, створені за допомогою автоматизації, постійно стимулюють розробку та оптимізацію інтелектуальних алгоритмів. Чим вища ефективність автоматизації, тим точніші прогнози інтелектуальних алгоритмів і ширша сфера застосування. У той же час інтелект також відображається в перетворенні неструктурованої інформації в структуровані дані. За його словами, тепер ШІ може витягувати таку інформацію, як синтетичні маршрути та молекулярні структури, приховані в неструктурованих документах і патентах, перетворювати їх у структуровані дані, покращувати продуктивність алгоритмів, а потім виводити розроблені синтетичні маршрути на автоматизоване обладнання.Введіть тест хімічного синтезу. , процес виробництва даних. У цьому процесі штучний інтелект також може грати роль у розкладі та плануванні, ефективно паралельно викликаючи різні інструменти та завершуючи замкнутий цикл від прогнозування алгоритму до експериментальної перевірки для різних сценаріїв застосування.

«Це напрямок розвитку, якого варто очікувати. Зрештою, штучний інтелект сам по собі може з’єднати замкнутий цикл проектування та виробництва та автоматично завершити дослідження та розробку ліків», — сказав Чжан Пейю.

Шенші запропонував нову науково-дослідницьку парадигму штучного інтелекту для науки. Простіше кажучи, це використання штучного інтелекту для вивчення наукових законів, що лежать в основі роботи ряду речей. Ван Сяофо сказав, що, зіткнувшись з проблемою дефіциту даних, вони запровадили штучний інтелект у галузь наукових досліджень нижчого рівня, дозволивши штучному інтелекту використовувати його потужні можливості підгонки функцій та аналізу даних для вивчення наукових законів і принципів і отримання придатних моделей для вирішення практичних завдань. Питання наукових досліджень, особливо допомога вченим у проведенні великої кількості перевірок і методів проб і помилок за різними припущеннями, що значно прискорює процес наукових досліджень і досліджень.

Наразі ми бачимо покращення ефективності. Ван Сяофо зазначив, що в процесі скринінгу ліків може знадобитися багато разів проводити високопродуктивні експерименти. Тепер ми використаємо нову парадигму ШІ для науки, щоб обчислити, а потім Приступайте до розрахунку Для невеликої частини перевірки ми нещодавно намагалися провести на порядок менше експериментів, ніж у минулому, і ми можемо отримати препарати-кандидати. Це еквівалентно підвищенню ефективності більш ніж у 10 разів.

Благословення ефективності спричинило зміни нижчого рівня. За словами Чжана Пейю, автоматизована лабораторія цифрового інтелекту, розроблена Jingtai для біомедицини, може не тільки використовуватися для дослідження та розробки ліків, але також може бути розширена в напрямку хімічної інженерії та нових матеріалів, які також потребують експериментального скринінгу. Основні принципи однакові. Але вимоги до безпеки, цикл перевірки та складність проекту в цих сферах значно нижчі. Це величезний ринок, не слабший за фармацевтику, наразі вони досягли співпраці з деякими компаніями з нафтохімічної промисловості, матеріалів для зберігання енергії та інших нових матеріалів, які досліджують і розробляють.

На майбутнє він має досить оптимістичні очікування. Після проходження вузького місця виробництва даних фармацевтичні препарати зі штучним інтелектом отримають можливість спричинити якісні зміни за допомогою кількісних змін. У майбутньому весь процес розробки ліків може керуватися ШІ, що ускладнить- мішені ліків і нові ліки Механізм виробництва ліків породив нове покоління високоякісних ліків, створивши нові канали виробництва ліків і додаткові ринки. Через 20-30 років можна очікувати, що 90% роботи з дослідження та розробки нових ліків можна буде виконувати більш ефективно за допомогою штучного інтелекту. У той час як поріг інновацій буде знижено, стеля дослідження та розробки ліків буде піднята , з меншими ресурсами, часом і ризиком невдачі, щоб більше ліків надходило до пацієнтів.

На даний момент Хе Ці вважає, що рушійна сила штучного інтелекту для дослідження та розробки ліків досягла другої кривої.Біотехнологічним компаніям неминуче доведеться інвестувати значні кошти в обчислення під час дослідження та розробки інноваційних ліків. Виходячи з цієї больової точки, багато клієнтів визнали фармацевтичні компанії ШІ, які надають обладнання та обчислювальну потужність, а також експертну підтримку. Заклавши основу для комерціалізації, компанії можуть досліджувати більше шляхів досліджень і розробок ліків з підтримкою штучного інтелекту в довгостроковій перспективі.