Warum ist das Ende der KI das Ende der Biopharma?
Was die künftige Entwicklungsrichtung der KI betrifft, gibt es in der Investment-Community unterschiedliche Meinungen. Einige glauben, dass es sich um die Photovoltaik-Industrie handelt, andere glauben, dass es sich um die Energiewirtschaft handelt, während NVIDIA glaubt, dass es sich um den Bereich der Biopharmazeutika handelt. In NVIDIAs Investitionsplan für 2023 ist neben den Kernalgorithmen und dem Aufbau der Infrastruktur im Bereich der KI die Biopharmazie zu einem Schlüsselbereich der Investitionen geworden. Kimberly Powell, NVIDIAs Vizepräsidentin für das Gesundheitswesen, hat es deutlich gemacht: "Wenn die computergestützte Designindustrie das erste Chip-Unternehmen mit einer Marktkapitalisierung von $2 Billionen auf den Weg bringen kann, warum kann dann die computergestützte Arzneimittelforschung nicht das nächste Pharmaunternehmen mit einer Billion Dollar Marktkapitalisierung hervorbringen?"
Es ist klar, dass NVIDIA optimistisch in die Zukunft von KI+BioPharma blickt und darauf abzielt, eine weitere NVIDIA-ähnliche Erfolgsgeschichte zu schreiben. Warum hat NVIDIA so hohe Erwartungen an diesen Bereich? Die Antwort auf diese Frage erfordert ein tiefes Verständnis der zentralen Herausforderungen und der zugrunde liegenden Logik der Pharmaindustrie.
Anti-Moore's Gesetz
Die rasante Entwicklung der KI-Technologie ist untrennbar mit dem rasanten Fortschritt in der Industrie für integrierte Schaltkreise verbunden. Gordon Moore, der Gründer von Intel, fasste nach jahrelangen eingehenden Studien der Halbleiterindustrie die Idee zusammen, dass sich die Anzahl der Transistoren in integrierten Schaltkreisen etwa alle 18 bis 24 Monate verdoppelt. Dies ist das berühmte Moore'sche Gesetz. Das Mooresche Gesetz besagt, dass sich die Leistung von Prozessoren mit fortschreitender technologischer Entwicklung etwa alle zwei Jahre verdoppelt und die Preise auf die Hälfte sinken werden. Dank dieser kontinuierlichen Iteration und Weiterentwicklung der Technologie ist die Computertechnologie exponentiell gewachsen und hat immer mehr erstaunliche Funktionen ermöglicht.
Im Gegensatz zum Moore'schen Gesetz in der Halbleiterindustrie zeigen die Trends in der biopharmazeutischen Industrie jedoch ein "Anti-Moore'sches Gesetz"-Phänomen. Lange Zeit war die Entwicklung innovativer Medikamente als "Gesetz der zwei Zehner" bekannt, was bedeutet, dass es in der Regel zehn Jahre dauert und eine Milliarde Dollar kostet, ein neues Medikament zu entwickeln. Diese Zahlen sind jedoch inzwischen überholt, denn die neuesten Daten zeigen, dass die durchschnittlichen F&E-Kosten für ein innovatives Medikament weltweit bei etwa $2,6 Milliarden liegen und der durchschnittliche F&E-Zyklus etwa 10,5 Jahre beträgt. Lange F&E-Zyklen und hohe F&E-Kosten machen die Entwicklung innovativer Arzneimittel extrem risikoreich, da sie nicht nur große finanzielle Unterstützung erfordern, sondern auch hohe Misserfolgsquoten aufweisen. Erschwerend kommt hinzu, dass die Schwierigkeit der FuE im Laufe der Zeit weiter zunimmt, da die Kosten für die Entwicklung neuer Arzneimittel und Targets steigen und die Rendite mit der Entdeckung weiterer Arzneimittel und Targets sinkt.
In diesem Anti-Moore's Law-Umfeld ist die Schwelle für innovative Arzneimittelforschung und -entwicklung immer höher und das Investitionsrisiko steigt, so dass innovative Arzneimittelforschung und -entwicklung allmählich zur Domäne von Großunternehmen wird. Die pharmazeutische Industrie wird jedoch häufig durch Innovationen an den Rändern angetrieben, wobei viele neue Technologien zunächst in Start-ups entstehen. Erst wenn diese Technologien nach und nach validiert werden, beginnen große Unternehmen, sich einzumischen und sie zu gestalten.
Es hat sich ein offensichtlicher Widerspruch zwischen den Entwicklungsgesetzen der Industrie und ihren treibenden Kräften herausgebildet, ein höchst ungewöhnliches Phänomen, das zu einem Engpass in der Entwicklung der Humanmedizintechnik führen könnte, eine Situation, die niemand gerne sehen würde.
Die biopharmazeutische Industrie braucht dringend einen Wandel, und die ständig steigenden Kosten für die Entwicklung innovativer Medikamente bieten Raum für einen solchen Wandel. Aufgrund dieser beiden Faktoren ist NVIDIA fest davon überzeugt, dass die KI-Technologie das Potenzial hat, die Pharmaindustrie zu revolutionieren.
Erfahrung vs. Intuition
Die moderne Pharmaindustrie wird oft mit einer ummauerten Stadt verglichen, die auf Intuition beruht. Obwohl innovative Arzneimittel einer strengen und systematischen klinischen Validierung unterzogen werden müssen, bevor sie vermarktet werden können, ist der Entdeckungsprozess voller Unsicherheiten. Der gesamte Prozess der Arzneimittelentdeckung ähnelt einem Trichter, wobei die Zahl der erfolgreichen Wirkstoffkandidaten in jeder Phase - von der Arzneimittelentdeckung über die präklinische Validierung bis hin zur klinischen Validierung - abnimmt. Dabei ist die Phase der Arzneimittelentdeckung besonders schwierig, da die Entwickler zahllose Präparate sichten müssen, um etwa 10 000 potenzielle Kandidaten zu identifizieren, und schließlich nach mehreren Screening-Schichten das richtige Präparat auswählen müssen. Die Entdeckung und Identifizierung eines bestimmten Zielmoleküls ist nicht nur ein Glücksfall, sondern auch komplex und mühsam zu validieren, und noch schwieriger ist es, das richtige Molekül zu lokalisieren.
Obwohl der Prozess der Arzneimittelentdeckung über Generationen hinweg standardisiert wurde, ist die Forschung und Entwicklung angesichts der riesigen Menge an Daten über Wirkstoffe immer noch in hohem Maße von der Intuition der Forscher abhängig, und die Daten können nur eine begrenzte Hilfe sein. Die richtige Ausrichtung der F&E ist eine Voraussetzung für den Erfolg, und wenn der falsche Weg eingeschlagen wird, kann es sein, dass alle Anstrengungen vergeblich sind. Dieses übermäßige Vertrauen in die Intuition ist die Hauptursache für den anhaltenden Anstieg der Kosten für die traditionelle Arzneimittelforschung.
Um die FuE-Kosten in der pharmazeutischen Industrie zu senken, ist es notwendig, zu einem stärker datengesteuerten FuE-Ansatz überzugehen. Daten sind im Wesentlichen gesammelte Erfahrungen, und ihre Digitalisierung bedeutet nicht die Beseitigung von F&E-Misserfolgen, sondern vielmehr, dass Misserfolge in eine Lernbasis für die nächste F&E verwandelt werden können. Durch das Training von Modellen in großem Maßstab kann die KI den Prozess des Arzneimittelscreenings schneller und genauer machen.
Die Entwicklung innovativer Arzneimittel kann mit einem Roguelike-Spiel verglichen werden; obwohl jeder Durchgang zufällig erscheinen mag und die Erfahrung jedes Mal anders ist, kann die Schwierigkeit der nächsten Herausforderung durch ständiges Scheitern und Sammeln von Daten schrittweise verringert werden.
KI-Pharma ist im Wesentlichen ein Prozess, bei dem man sich nicht mehr auf die Intuition von Experten verlässt, sondern auf Datenfeedback, um durch kontinuierliches Modelltraining den optimalen F&E-Pfad zu finden. Dieser Übergang markiert einen Wechsel von der Intuition zu den Daten und einen Fortschritt vom Gefühl zur Vernunft. Vor allem in vielen Krankheitsbereichen, die noch nicht besiegt sind, ist das Verlassen auf die Intuition von Experten möglicherweise nicht besser als der Zufall, während das kontinuierliche Ausprobieren von KI-Modellen der effektivste Weg ist, die Misserfolgsquote zu reduzieren. ai pharma reduziert nicht nur die F&E-Kosten, sondern verbessert auch die F&E-Effizienz erheblich.
Daten sind die wertvollsten Ressourcen
Algorithmen, Arithmetik und Datenbanken sind die drei Kernelemente der KI-Technologie. In den meisten KI-Anwendungsszenarien sind Algorithmen das zentrale Bindeglied, und obwohl Rechenleistung und Datenbanken ebenso wichtig sind, neigen Investoren dazu, der Entwicklung großer Modellalgorithmen mehr Aufmerksamkeit zu schenken. Im biopharmazeutischen Bereich ist die Dominanz der Algorithmen jedoch nicht so offensichtlich. Im Gegensatz zu anderen Bereichen sind die Datenressourcen in der Biopharmazie kostbar, oft nicht quelloffen und stellen das Kernvermögen der großen Pharmaunternehmen dar. Sowohl erfolgreiche als auch fehlgeschlagene Ergebnisse werden durch kostspielige klinische Studien erzielt.
Es ist also klar, dass im Bereich der KI-Pharma die Datenbank der Schlüssel zum Kern der Wettbewerbsfähigkeit ist. Betrachtet man die bekannten KI-Pharmaunternehmen in China, so sind viele von ihnen aus CRO-Unternehmen hervorgegangen. Im Gegensatz zu traditionellen Pharmaunternehmen verfügen CRO-Unternehmen über reiche F&E-Erfahrungen, und obwohl die F&E-Daten der Partei A gehören, sind sie in der Lage, im Laufe mehrerer F&E-Prozesse eine große Menge an Prozessdaten und Methodik zu sammeln, was ihnen einen Vorteil beim Aufbau von Datenbanken verschafft. In Anbetracht der Tatsache, dass biopharmazeutische Daten keine Open-Source-Daten sind, könnte die Entwicklung der KI-Pharma in zwei Richtungen gehen. Die eine ist die der kapitalkräftigen multinationalen Unternehmen (MNCs), die seit langem reiche F&E-Erfahrungen und Daten gesammelt haben und damit begonnen haben, die KI-Technologie umfassend auszulegen; Zum anderen CROs, die sich hauptsächlich mit der Transformation der KI-Pharma in China befassen und die über eine starke Fähigkeit zur Erstellung von Datenbanken verfügen. Was ihnen fehlt, ist lediglich die Entwicklung großer Modellalgorithmen, und das Problem der Rechenleistung kann durch die Zusammenarbeit mit Technologieunternehmen wie AliCloud und TencentCloud gelöst werden. Das erste Modell ist in China möglicherweise schwieriger zu verwirklichen, da die einheimische biopharmazeutische Industrie erst spät begonnen hat und es ihr an multinationalen Unternehmen mangelt, die seit langem innovative Arzneimittelforschung und -entwicklung betreiben.
In den nächsten Jahrzehnten werden CRO-Unternehmen wahrscheinlich zum Kern der chinesischen KI-Pharma werden, während in Übersee vor allem multinationale Unternehmen miteinander konkurrieren, die ihre Daten nur ungern an Dritte weitergeben, und selbst Unternehmen wie Nvidia können sich nur durch Investitionen an der Biopharmazie beteiligen. Derzeit befinden sich die einheimischen KI-Pharmaunternehmen in einem frühen Entwicklungsstadium und lassen sich grob in drei Stufen einteilen. Die erste Stufe umfasst Unternehmen, die bereits seit vielen Jahren KI-Pharmatechnologien entwickeln, wie z. B. Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology und Medicine Stone Technology; die zweite Stufe besteht aus Unternehmen, die über reiche Erfahrungen in der Forschung und Entwicklung verfügen, aber gerade erst mit der Entwicklung von KI-Pharmazeutika begonnen haben, wie z. B. WuXi Kantei, Medicilon und Haoyuan Pharmaceuticals; und die dritte Stufe ist erfahren, aber noch nicht von anderen CRO-Unternehmen auf dem Gebiet der KI vertieft worden. Im Bereich der KI-Pharma sind Daten die wichtigste Ressource, und der Wert von Datenbanken übersteigt bei weitem Algorithmen und Rechenleistung, weshalb CRO-Unternehmen in der derzeitigen heimischen KI-Pharmabranche die Führung übernehmen können.
Kontaktieren Sie uns jetzt!
Wenn Sie einen Preis benötigen, tragen Sie bitte Ihre Kontaktdaten in das unten stehende Formular ein. Wir werden uns in der Regel innerhalb von 24 Stunden mit Ihnen in Verbindung setzen. Sie können mir auch mailen info@longchangchemical.com während der Geschäftszeiten ( 8:30 bis 18:00 Uhr UTC+8 Mo.~Sa. ) oder nutzen Sie den Live-Chat auf der Website, um eine schnelle Antwort zu erhalten.
| Verbindung Glucoamylase | 9032-08-0 |
| Pullulanase | 9075-68-7 |
| Xylanase | 37278-89-0 |
| Cellulase | 9012-54-8 |
| Naringinase | 9068-31-9 |
| β-Amylase | 9000-91-3 |
| Glukose-Oxidase | 9001-37-0 |
| alpha-Amylase | 9000-90-2 |
| Pektinase | 9032-75-1 |
| Peroxidase | 9003-99-0 |
| Lipase | 9001-62-1 |
| Katalase | 9001-05-2 |
| TANNASE | 9025-71-2 |
| Elastase | 39445-21-1 |
| Urease | 9002-13-5 |
| DEXTRANASE | 9025-70-1 |
| L-Milch-Dehydrogenase | 9001-60-9 |
| Dehydrogenase Malat | 9001-64-3 |
| Cholesterin-Oxidase | 9028-76-6 |