Pourquoi la fin de l'IA dans le secteur biopharmaceutique ?
En ce qui concerne l'orientation future du développement de l'IA, la communauté des investisseurs a des opinions différentes : certains pensent qu'il s'agit de l'industrie photovoltaïque, d'autres de l'industrie énergétique, tandis que NVIDIA pense qu'il s'agit du domaine biopharmaceutique. Dans le plan d'investissement de NVIDIA pour 2023, outre les algorithmes de base et la construction d'infrastructures dans le domaine de l'IA, la biopharmacie est devenue un domaine d'investissement clé. Kimberly Powell, vice-présidente de l'activité santé de NVIDIA, a été très claire : "Si l'industrie de la conception assistée par ordinateur peut lancer la première société de puces avec une capitalisation boursière de $2 trillions, pourquoi l'industrie de la découverte de médicaments assistée par ordinateur ne pourrait-elle pas donner naissance à la prochaine société pharmaceutique avec une capitalisation boursière de plusieurs trillions de dollars ?"
Il est clair que NVIDIA est optimiste quant à l'avenir de l'IA et de la biopharmacie et qu'elle vise à créer une nouvelle histoire à succès semblable à celle de NVIDIA. Pourquoi NVIDIA a-t-elle de si grandes attentes dans ce domaine ? Pour répondre à cette question, il faut comprendre en profondeur les principaux défis et la logique sous-jacente de l'industrie pharmaceutique.
Loi anti-Moore
Le développement rapide de la technologie de l'intelligence artificielle est indissociable des progrès rapides de l'industrie des circuits intégrés. Gordon Moore, le fondateur d'Intel, après des années d'étude approfondie de l'industrie des semi-conducteurs, a résumé l'idée selon laquelle le nombre de transistors sur les circuits intégrés double environ tous les 18 à 24 mois. C'est la fameuse loi de Moore. La loi de Moore stipule qu'au fur et à mesure que la technologie progresse, les performances des processeurs doubleront environ tous les deux ans et les prix diminueront de moitié. C'est grâce à cette itération et à ces progrès constants que la technologie informatique s'est développée de manière exponentielle, offrant des fonctionnalités de plus en plus étonnantes.
Cependant, contrairement à la loi de Moore dans l'industrie des semi-conducteurs, les tendances dans l'industrie biopharmaceutique montrent un phénomène "anti-loi de Moore". Pendant longtemps, le développement de médicaments innovants a été connu sous le nom de "loi des deux dizaines", ce qui signifie qu'il faut généralement dix ans et un milliard de dollars pour mettre au point un nouveau médicament. Toutefois, ces chiffres sont aujourd'hui dépassés, les données les plus récentes montrant que le coût moyen de R&D d'un médicament innovant est d'environ $2,6 milliards au niveau mondial, et que le cycle moyen de R&D est d'environ 10,5 ans. Les cycles de R&D longs et les coûts de R&D élevés rendent le développement de médicaments innovants extrêmement risqué, non seulement parce qu'il nécessite un soutien financier important, mais aussi parce qu'il est confronté à des taux d'échec élevés. Pour compliquer encore les choses, la difficulté de la R&D continue d'augmenter avec le temps, car le coût du développement de nouveaux médicaments et de nouvelles cibles augmente et le retour sur investissement diminue à mesure que l'on découvre de nouveaux médicaments et de nouvelles cibles.
Dans cet environnement hostile à la loi de Moore, le seuil de la R&D pharmaceutique innovante est de plus en plus élevé et le risque d'investissement s'accroît, de sorte que la R&D pharmaceutique innovante devient progressivement l'apanage des grandes entreprises. Cependant, l'industrie pharmaceutique est souvent portée par l'innovation à la marge, de nombreuses nouvelles technologies étant initialement nées dans des start-ups. Ce n'est que lorsque ces technologies sont progressivement validées que les grandes entreprises commencent à intervenir et à s'implanter.
Une contradiction apparente s'est développée entre les lois de développement de l'industrie et ses forces motrices, un phénomène très inhabituel qui pourrait conduire à un goulot d'étranglement dans l'avancement de la technologie médicale humaine, une situation que personne ne souhaiterait voir.
L'industrie biopharmaceutique a un besoin urgent de changement, et l'augmentation constante du coût du développement de médicaments innovants permet d'envisager un tel changement. C'est sur la base de ces deux facteurs que NVIDIA croit fermement que la technologie de l'IA a le potentiel de révolutionner l'industrie pharmaceutique.
Expérience ou intuition
L'industrie pharmaceutique moderne est souvent comparée à une ville fortifiée fondée sur l'intuition. Bien que les médicaments innovants doivent faire l'objet d'une validation clinique rigoureuse et systématique avant d'être commercialisés, le processus de découverte est plein d'incertitudes. L'ensemble du processus de découverte de médicaments ressemble à un entonnoir, le nombre de composés candidats retenus diminuant progressivement à chaque étape, de la découverte du médicament à la validation clinique en passant par la validation préclinique. Parmi ces étapes, celle de la découverte de médicaments est particulièrement difficile, car les développeurs doivent passer au crible d'innombrables composés pour identifier environ 10 000 candidats potentiels, et finalement retenir le bon composé après plusieurs couches de criblage. La découverte et l'identification d'une cible particulière ne sont pas seulement le fruit du hasard, elles sont aussi complexes et fastidieuses à valider, et encore plus difficiles à localiser avec succès sur la bonne molécule.
Bien que des générations d'efforts de découverte de médicaments aient normalisé le processus de découverte de médicaments, face à une énorme quantité de données sur les composés, la R&D dépend encore fortement de l'intuition des chercheurs, et les données ne peuvent fournir qu'une aide limitée. La bonne orientation de la R&D est une condition préalable au succès, et une fois que la mauvaise voie est prise, quels que soient les efforts déployés, elle peut rester vaine. Cette confiance excessive dans l'intuition est la cause première de l'augmentation continue des coûts de R&D des médicaments traditionnels.
Pour réduire les coûts de R&D dans l'industrie pharmaceutique, il est nécessaire de passer à une approche de la R&D davantage axée sur les données. Les données sont essentiellement l'expérience accumulée, et leur numérisation ne signifie pas l'élimination des échecs de R&D, mais plutôt que les échecs peuvent être transformés en une base d'apprentissage pour la R&D suivante. Grâce à la formation de modèles à grande échelle, l'IA peut rendre le processus de sélection des médicaments plus rapide et plus précis.
Le développement de médicaments innovants peut être comparé à un jeu de type Roguelike ; bien que chaque passage puisse sembler aléatoire et que l'expérience soit différente à chaque fois, la difficulté du prochain défi peut être progressivement réduite grâce à des échecs constants et à l'accumulation de données.
L'IA pharmaceutique est essentiellement un processus qui consiste à passer de l'intuition de l'expert à la rétroaction des données pour trouver la voie optimale de la R&D grâce à l'entraînement continu des modèles. Cette évolution marque le passage de l'intuition aux données et de l'émotion à la raison. En particulier dans de nombreux domaines pathologiques qui n'ont pas encore été conquis, se fier à l'intuition d'un expert peut ne pas être plus efficace que d'aléatoirement réussir, tandis que l'essai et l'erreur continus du modèle d'IA est le moyen le plus efficace de réduire le taux d'échec. l'ai pharma ne réduit pas seulement les coûts de r&d, mais améliore également de manière significative l'efficacité de la r&d.
Les ressources en données sont les plus précieuses
Les algorithmes, l'arithmétique et les bases de données constituent les trois éléments fondamentaux de la technologie de l'IA. Dans la plupart des scénarios d'application de l'IA, les algorithmes sont le maillon clé et, bien que la puissance arithmétique et les bases de données soient tout aussi importantes, les investisseurs ont tendance à accorder plus d'attention au développement de grands modèles d'algorithmes. Toutefois, dans le domaine biopharmaceutique, la prédominance des algorithmes n'est peut-être pas aussi évidente. Contrairement à d'autres domaines, les ressources en données dans le secteur biopharmaceutique sont précieuses, souvent non ouvertes, et constituent les principaux actifs des grandes sociétés pharmaceutiques. Les résultats, qu'ils soient positifs ou négatifs, sont obtenus par le biais d'essais cliniques très coûteux.
Il est donc clair que dans le domaine de l'IA pharmaceutique, la base de données est la clé de la compétitivité. Si l'on observe les entreprises pharmaceutiques d'IA les plus populaires en Chine, on constate que nombre d'entre elles sont issues de sociétés de recherche sous contrat (CRO). Contrairement aux entreprises pharmaceutiques traditionnelles, les sociétés de recherche sous contrat ont une riche expérience en matière de R&D et, bien que les données de R&D appartiennent à la partie A, elles sont en mesure d'accumuler une grande quantité de données de processus et de méthodologie au cours de multiples processus de R&D, ce qui leur confère un avantage dans la construction de bases de données. Étant donné que les données biopharmaceutiques ne sont pas des sources ouvertes, le développement de l'IA pharmaceutique pourrait se faire dans deux directions. La première est celle des multinationales bien financées, qui ont accumulé une riche expérience et des données en matière de R&D pendant longtemps et ont commencé à mettre au point la technologie de l'IA de manière exhaustive ; d'autre part, les ORC principalement engagés dans la transformation de l'IA pharmaceutique en Chine, qui ont une forte capacité de construction de bases de données, et ce qui leur manque, c'est seulement le développement de grands modèles d'algorithmes, et le problème de la puissance de calcul peut être résolu en coopérant avec des entreprises technologiques telles que AliCloud et TencentCloud Le problème de la puissance de calcul peut être résolu en coopérant avec des entreprises technologiques telles que Ali Cloud et Tencent Cloud. Le premier modèle peut être plus difficile à mettre en œuvre en Chine car l'industrie biopharmaceutique nationale a démarré tardivement et manque d'entreprises multinationales qui mènent depuis longtemps des activités de recherche et de développement de médicaments innovants.
Au cours des prochaines décennies, les sociétés d'ORC deviendront probablement les principaux actifs de l'industrie pharmaceutique chinoise de l'IA, tandis qu'à l'étranger, il s'agit principalement d'une concurrence entre les multinationales, qui sont réticentes à ouvrir leurs données à des tiers, et même des sociétés telles que Nvidia ne peuvent participer au secteur biopharmaceutique que par le biais d'un investissement. À l'heure actuelle, les produits pharmaceutiques d'IA nationaux en sont aux premiers stades de développement et peuvent être divisés en trois échelons. Le premier échelon comprend les entreprises qui développent la technologie pharmaceutique de l'IA depuis de nombreuses années, telles que Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology et Medicine Stone Technology, etc. ; le deuxième échelon est une entreprise qui possède une riche expérience en R&D mais qui vient de se lancer dans le domaine des produits pharmaceutiques de l'IA, telle que WuXi Kantei, Medicilon et Haoyuan Pharmaceuticals, etc. Dans le domaine pharmaceutique de l'IA, les données sont la ressource la plus critique, et la valeur de la base de données dépasse de loin les algorithmes et la puissance arithmétique, ce qui explique pourquoi les sociétés de recherche sous contrat peuvent prendre la tête de l'industrie pharmaceutique de l'IA nationale actuelle.
Contactez-nous dès maintenant !
Si vous avez besoin de Price, veuillez indiquer vos coordonnées dans le formulaire ci-dessous. Nous vous contacterons généralement dans les 24 heures. Vous pouvez également m'envoyer un courriel info@longchangchemical.com pendant les heures de travail ( 8:30 am to 6:00 pm UTC+8 Mon.~Sat. ) ou utilisez le chat en direct du site web pour obtenir une réponse rapide.
| Composé 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 |
| Glucose oxydase | 9001-37-0 |
| alpha-amylase | 9000-90-2 |
| Pectinase | 9032-75-1 |
| Peroxydase | 9003-99-0 |
| Lipase | 9001-62-1 |
| Catalase | 9001-05-2 |
| TANNASE | 9025-71-2 |
| Elastase | 39445-21-1 |
| Uréase | 9002-13-5 |
| DEXTRANASE | 9025-70-1 |
| L-Lactique déshydrogénase | 9001-60-9 |
| Déshydrogénase malate | 9001-64-3 |
| Cholestérol oxydase | 9028-76-6 |