Az AI felgyorsítja a gyógyszerkutatást, de a klinikai vizsgálatok maradnak a szűk keresztmetszet

A gondolatok gyorsulnak, a bizonyítás nem

Az Owkin július 16-án közzétett beszámolója szerint a vállalat a múlt héten San Franciscóban rendezett panelbeszélgetést az Amazon Web Services közreműködésével. A beszélgetést Pascal Weinberger, az Owkin társ-vezérigazgatója moderálta. Részt vett Michelle Chen, a Form Bio vezérigazgatója, Vivek Natarajan, a Google AI-kutatója, Sam Rodrigues, a FutureHouse és az Edison Scientific társalapítója és vezérigazgatója, David Yang, a Lux Capital befektetője, valamint James Zou, a Stanford Egyetem biomedicinális adattudományi docense.

A résztvevők szerint az AI már most jelentős időt takarít meg a korai hipotézisek kidolgozásában és a gyógyszercélpontok azonosításában. Az azonban továbbra is nehéz, hogy egy javasolt molekula valóban működik-e. A lehetséges célpontok keresése szoftveres tempóra gyorsult, a klinikai validáció viszont továbbra is lassú, költséges, és páciensek bevonását igényli.

Az AI olyan biológiai lehetőségeket is feltárhat, amelyekre egy emberi kutatócsoport nem gondolna, és a vizsgálatok megtervezését is hatékonyabbá teheti. Arra azonban nem képes, hogy egy beteg gyorsabban reagáljon egy új gyógyszerre.

Akár hét évre is rövidülhet a fejlesztés

A panel becslése szerint az AI jelenleg nagyjából 10, illetve 15 százalékos javulást hozhat a gyógyszerkutatás és -fejlesztés teljes időigényében. Szűkebb feladatoknál, például a hipotézisalkotásban és a szakirodalom előzetes feldolgozásában, akár 50 százalékos nyereség is elérhető.

Az Owkin beszámolója szerint a célpont azonosításától a jóváhagyásig jellemzően 14 év telik el. A panel résztvevői úgy vélték, hogy az AI megfelelő alkalmazásával ez az idő hat vagy hét évre csökkenhet. A rövidülés nem pusztán az ötletelés gyorsulásából adódna, hanem a köztes lépések, köztük a kísérletek és az eredmények validálásának felgyorsításából.

A biológia, a gyártás és a betegek reakciója ugyanakkor továbbra is olyan tényező, amelyet a szoftver önmagában nem tud felgyorsítani. A modellek a mintázatok felismerésében és új javaslatok megfogalmazásában erősek, annak megítélésében viszont kevésbé, hogy melyik ötletet érdemes követni. Ezt a döntést a panel szerint egyelőre továbbra is embereknek kell meghozniuk.

Az AI-rendszerek felépítése és az adatok minősége döntő lehet

A résztvevők szerint nagyobb előny származhat abból, ha az AI-t a munkafolyamatokba beépített ügynökként alkalmazzák, vagy több AI-kutató együttműködésére épülő rendszereket hoznak létre. Egy meglévő folyamatra ráillesztett modell inkább fokozatos javulást eredményezhet. A nagyobb nyereséghez azonban megfelelő minőségű és kellően specifikus adatokra van szükség. Több adat önmagában nem jelent jobb adatot, és a panel szerint a jó minőségű adatok továbbra is hiányoznak.

A beszélgetés két szerkezeti kérdést is nyitva hagyott. A biotechnológiai vállalatok szeretnék különválasztani a modell- és az alkalmazási réteget, valamint elkerülni a függést egyetlen beszállítótól. Közben a nyílt forráskódú modellek közelítenek a zárt, tulajdonosi modellekhez.

Az sem dőlt el, hogyan alakul a piac. Az alacsonyabb belépési korlátok új biotechnológiai startupok hullámát indíthatják el, de az is elképzelhető, hogy néhány AI-központú gyógyszercég erősödik meg, és magába olvasztja a többieket.

A teljesen önálló gyógyszertervezés még távol van

A panel résztvevői arra a kérdésre, hogy mikor tervezhet egy AI-rendszer egy gyógyszert a teljes folyamaton keresztül, a 2030-as évek elejét jelölték meg. A becslések hozzávetőleges átlaga 2033 volt, azzal a feltétellel, hogy az eredményt akkor is egy ember validálja.

Az Owkin következtetése szerint a gyógyszerfejlesztés legnagyobb kiaknázatlan értéke addig nem feltétlenül az újabb ötletek létrehozásában rejlik, amíg a tesztelés üteme el nem éri a felfedezés tempóját. Ehhez az AI-fejlesztőknek, a biológusoknak és a klinikusoknak ugyanazon a problémán kell együtt dolgozniuk.