Η εφαρμογή της Τεχνητής Νοημοσύνης στη φαρμακοβιομηχανία αναπτύσσεται ραγδαία. Άννα Ντουλέσια και Στίβεν Ρόπερ, συνεργάτες της LEK Consulting, βασιζόμενοι στην εσωτερική γνώση, εξετάζουν τη χρήση της τεχνητής νοημοσύνης στη φαρμακευτική βιομηχανία και τις επιπτώσεις της στην προώθηση της ανακάλυψης νέων φαρμάκων πιο γρήγορα, πιο αποτελεσματικά και φθηνότερα από τις παραδοσιακές προσεγγίσεις. Μιλούν με τον Νικ Χέρμπερτ
Η τεχνητή νοημοσύνη (AI) προσφέρεται καλά για μια φαρμακευτική βιομηχανία που έχει βιώσει τεράστια αύξηση στην ψηφιοποίηση δεδομένων τα τελευταία χρόνια. Η ικανότητά του να χειρίζεται τεράστιες ποσότητες δεδομένων, να αναλύει συνεχώς και να μαθαίνει υπόσχεται πολλά για τη βελτίωση της αποτελεσματικότητας της ανακάλυψης φαρμάκων, την επαναχρησιμοποίηση των υπαρχόντων φαρμάκων και την ώθηση σε νέους τομείς της επιστήμης.
Έχει ήδη αφήσει το στίγμα του. Πάρτε, για παράδειγμα, τη χρήση της τεχνητής νοημοσύνης για να επιταχύνετε την ανάπτυξη ενός εμβολίου Covid-19 σε χρόνο ρεκόρ.
Καθορισμένα οφέλη
Δεν υπάρχει καθολικός ορισμός για την τεχνητή νοημοσύνη, σύμφωνα με τη LEK, αναφέρεται γενικά σε συστήματα που είναι σε θέση να λειτουργούν με έναν βαθμό αυτονομίας και να βελτιστοποιούν επαναληπτικά τις διαδικασίες τους. Στις βιοεπιστήμες, το LEK εφαρμόζει τον όρο AI σε τέσσερις κύριες προσεγγίσεις:
- Διαδικασίες μηχανικής μάθησης που αναλύουν δεδομένα εισόδου και στη συνέχεια βελτιστοποιούν επανειλημμένα τις μεθόδους τους με βάση τα παραγόμενα αποτελέσματα
- Βαθιά μάθηση Μια προσέγγιση βασισμένη στη μηχανική μάθηση που χρησιμοποιεί μια λογική δομή παρόμοια με τα βιολογικά νευρωνικά δίκτυα
- Επεξεργασία φυσικής γλώσσας Ένα εκλεπτυσμένο σύστημα αυτόματης αναγνώρισης ομιλίας και γραπτού κειμένου που μπορεί να αντλήσει γνώσεις από κείμενο/ομιλία, πέρα από τις απλές αντιδράσεις σε καλά σχεδιασμένα αιτήματα των χρηστών
- Ρομποτική και Διαδίκτυο των πραγμάτων Ενοποίηση συσκευών για συλλογή, συνδυασμό και κοινή χρήση πολλών τύπων πληροφοριών
Χρησιμοποιώντας αυτές τις τέσσερις προσεγγίσεις, η τεχνητή νοημοσύνη πρόκειται να επιταχύνει, να μειώσει το κόστος ή να αντικαταστήσει συγκεκριμένα βήματα στη διαδικασία ανάπτυξης φαρμάκων.
«Η τεχνητή νοημοσύνη έχει τη δυνατότητα να αναλύει μεγάλες ποσότητες δεδομένων και να επιτρέπει τη λήψη αποφάσεων στην Ε&Α μέσω αλγορίθμων που βασίζονται στην τεχνητή νοημοσύνη», είπε η Ντουλέσια. «Βελτιστοποιεί τις διαδικασίες Ε&Α αφαιρώντας το ανθρώπινο λάθος και συμπληρώνει και, σε κάποιο βαθμό, αντικαθιστά τα πειράματα της πραγματικής ζωής με πειράματα πυριτίου. Η τεχνητή νοημοσύνη επιτρέπει επίσης την ανακάλυψη περιοχών της βιολογίας στις οποίες προηγουμένως δεν είχαμε πρόσβαση ή δεν είχαμε καμία γνώση, βγάζοντας νέα συμπεράσματα».
Η εφαρμογή της τεχνητής νοημοσύνης σε συγκεκριμένα βήματα της αλυσίδας αξίας ανακάλυψης φαρμάκων, ή σε διάφορα στάδια, μπορεί να βελτιστοποιήσει τη διαδικασία, καθιστώντας την καινοτομία στα φάρμακα δυνητικά ταχύτερη και λιγότερο δαπανηρή.
Επί του παρόντος, περίπου το 90% όλων των υποψηφίων κλινικών φαρμάκων αποτυγχάνουν να επιτύχουν έγκριση, με αποτέλεσμα το σχετικό κόστος ανάπτυξης φαρμάκων να υπολογίζεται σε 3-5 δισεκατομμύρια δολάρια ΗΠΑ. Μπορεί επίσης να μειώσει το κόστος των δαπανών Ε&Α του κλάδου, το οποίο για τις δέκα μεγαλύτερες φαρμακευτικές εταιρείες είναι υψηλότερο από 70 δισεκατομμύρια δολάρια ΗΠΑ, σύμφωνα με τη LEK
«Με απλά λόγια, μας δίνει τη δυνατότητα να παίρνουμε φάρμακα στους ασθενείς πιο γρήγορα και με τρόπο που είναι λιγότερο δαπανηρός», είπε.
Ωστόσο, υπάρχουν ακόμη προκλήσεις που πρέπει να ξεπεραστούν, προτού αξιοποιηθούν πλήρως οι δυνατότητες της τεχνητής νοημοσύνης στις βιοεπιστήμες και τη φαρμακευτική βιομηχανία.
Αντιμετώπιση της αναποτελεσματικότητας
Υπάρχει ευρεία αναγνώριση μεταξύ των βιοφαρμακευτικών εταιρειών, σύμφωνα με τη LEK, ότι η διαδικασία Ε&Α είναι αναποτελεσματική και ότι αυτή η αναποτελεσματικότητα θα συνεχίσει να αυξάνεται εάν δεν αντιμετωπιστεί. Αυτή η δυναμική οφείλεται εν μέρει στην ολοένα και πιο περίπλοκη φύση της βιολογίας που στηρίζει τις ανακαλύψεις στην ανακάλυψη νέων μορίων και τις αυξανόμενες ρυθμιστικές απαιτήσεις. Αλλά: «σε αντίθεση με άλλες βιομηχανίες, οι φαρμακευτικές εταιρείες άργησαν σχετικά να υιοθετήσουν την τεχνητή νοημοσύνη», είπε η Ντουλέσια.
Η απροθυμία να υιοθετηθεί η τεχνητή νοημοσύνη στον φαρμακευτικό τομέα αντανακλά τη συντηρητική φύση του κλάδου και την απροθυμία να αλλάξει μια διαδικασία Ε&Α που μπορεί να χρειάστηκαν χρόνια για να καθιερωθεί. Υπάρχουν άλλες κρίσιμες προκλήσεις και εμπόδια που πρέπει να ξεπεραστούν, συμπεριλαμβανομένης της πεποίθησης ότι η φαρμακευτική έχει ήδη πάρει τα χαμηλά φρούτα όσον αφορά τους πιο εφικτούς στόχους ή φάρμακα και ότι ο καθορισμός κλινικών δοκιμών γίνεται δυσκολότερος καθώς οι πληθυσμοί ασθενών πρέπει να καθοριστούν περισσότερο. ακριβώς για να δείξει το επιθυμητό αποτέλεσμα. Η ευρεία εμβέλεια του AI και η ικανότητά του να βρίσκει απροσδόκητους συσχετισμούς και να βγάζει νέα συμπεράσματα μπορεί να το αλλάξει αυτό.
«Αυτή είναι η υπόσχεση της τεχνητής νοημοσύνης», είπε ο Ρόπερ. «Όχι μόνο για να βελτιστοποιήσουμε τις τρέχουσες ερευνητικές μεθόδους, αλλά και για να προχωρήσουμε πέρα από την τρέχουσα κατανόησή μας για την επιστήμη υποστηρίζοντας την εξαγωγή νέων γνώσεων από τα διαθέσιμα δεδομένα».
Η υπολογιστική ισχύς της τεχνητής νοημοσύνης στην ανάλυση τεράστιων ποσοτήτων δεδομένων μπορεί να κάνει τις προηγουμένως άγνωστες διασυνδέσεις μεταξύ στοιχείων ή οντοτήτων πολύ πιο γρήγορες και φθηνότερες από ό,τι είναι εφικτό σήμερα, επιτρέποντας την ανακάλυψη νέων στόχων και την ικανότητα αντιμετώπισης νέων ή οξειών ασθενειών.
Υπάρχουν άλλες προκλήσεις που πρέπει να ξεπεραστούν.
Δεδομένα, δεδομένα παντού
Η προμήθεια δεδομένων και ο καθαρισμός τους σε μια μορφή που είναι σχετικά συνεπής ή τουλάχιστον μπορεί να αναλυθεί είναι μια τεράστια δουλειά.
Υπάρχουν δύο πτυχές στην προμήθεια δεδομένων: δημόσια διαθέσιμα και ιδιόκτητα. Παραμένουν προβλήματα σχετικά με τη συλλογή και την αναδιαμόρφωση δεδομένων, αλλά η μόχλευση αυτών των δεδομένων μέσω της τεχνητής νοημοσύνης αποδίδει ήδη αξία. Και μετά, υπάρχουν τα ιδιόκτητα σύνολα δεδομένων που θα μπορούσαν να βρίσκονται στα συστήματα υγειονομικής περίθαλψης ή σε συγκεκριμένες φαρμακευτικές εταιρείες. Η προμήθεια δεδομένων είναι πιο δύσκολη σε αυτές τις περιπτώσεις και απαιτεί συμφωνίες αδειοδότησης. Οι συμφωνίες αδειοδότησης, ωστόσο, μπορεί να είναι περίπλοκες και χρονοβόρες.
«Η εύρεση δεδομένων υψηλής ποιότητας ή δεδομένων με τα οποία μπορεί να λειτουργήσει η πλατφόρμα AI δεν είναι πάντα εύκολη και απαιτεί ιδιαίτερο ταλέντο για την ανάπτυξη αλγορίθμων για τον καθαρισμό των συνόλων δεδομένων και την ερμηνεία των πληροφοριών», είπε η Ντουλέσια.
Αυτό το επίπεδο γνώσης δεν είναι πάντα διαθέσιμο στο σπίτι και μπορεί να είναι δύσκολο να προσληφθεί σε έναν οργανισμό. Εξηγεί τον αυξανόμενο αριθμό συνεργασιών μεταξύ φαρμακευτικών εταιρειών και εταιρειών τεχνητής νοημοσύνης.
«Βλέπουμε πολλές συνεργασίες μεταξύ φαρμακευτικών εταιρειών και εταιρειών τεχνητής νοημοσύνης», είπε ο Roper. «Επειδή χρειάζεται αρκετή προσπάθεια για να δημιουργηθούν αυτές οι δυνατότητες στο σπίτι για τη Big Pharma. Όλοι έχουν συνεργασίες τεχνητής νοημοσύνης και στις περισσότερες περιπτώσεις πολλαπλές συνεργασίες σε όλη την αλυσίδα ανάπτυξης φαρμάκων».
Ωστόσο, η εξωτερική ανάθεση της λύσης AI συνοδεύεται από προκλήσεις.
«Είναι δύσκολο να εντοπίσεις τον κατάλληλο συνεργάτη ή λύση τεχνητής νοημοσύνης ανάμεσα σε όλες τις επιλογές», είπε η Ντουλέσια. «Και αυτό οφείλεται εν μέρει στην τρέχουσα έλλειψη πραγματικών στοιχείων και απτών αποδείξεων όσον αφορά τα κλινικά αποτελέσματα».
Αυτό γίνεται ολοένα και πιο εμφανές καθώς τα περιουσιακά στοιχεία που προέρχονται από την τεχνητή νοημοσύνη διασχίζουν τα στάδια της κλινικής ανάπτυξης.
«Πρέπει επίσης να έχετε επίγνωση των απαιτήσεων απορρήτου δεδομένων», είπε.
Η σχετική ευκολία εργασίας με σύνολα δεδομένων μη ασθενών έχει οδηγήσει στην ευρεία υιοθέτηση της τεχνητής νοημοσύνης στην ανακάλυψη φαρμάκων παρά στην κλινική ανάπτυξη, σύμφωνα με τη LEK. νομικά μέτρα και μέτρα συμμόρφωσης για την προστασία του αυξανόμενου όγκου τέτοιων δεδομένων. Η συμμόρφωση με τον GDPR στην Ευρώπη θα είναι ιδιαίτερα σημαντική και η μη συμμόρφωση θα μπορούσε να έχει σημαντικές συνέπειες για τη φήμη και τις οικονομικές επιπτώσεις.
Ο δρόμος μπροστά
Μετά από αρκετά χρόνια πειραματισμών και επιτόπιων δοκιμών, είναι καιρός οι παίκτες των βιοφαρμακευτικών να σχεδιάσουν την εφαρμογή λύσεων τεχνητής νοημοσύνης ευρύτερα στην ανάπτυξη φαρμάκων. Με τη σωστή εστίαση τόσο από τις εταιρείες τεχνητής νοημοσύνης όσο και από τη βιοφαρμακία για την αντιμετώπιση των φραγμών, η LEK αναμένει ότι ένα σημαντικό ποσοστό έργων Ε&Α θα έχει ένα στοιχείο τεχνητής νοημοσύνης μέσα στα επόμενα πέντε χρόνια.