Miért az AI vége a biofarmának?
Ami a mesterséges intelligencia jövőbeli fejlődési irányát illeti, a befektetői közösségnek eltérő véleménye van, egyesek szerint a fotovoltaikus ipar, mások szerint az energiaipar, míg az NVIDIA szerint a biofarmácia területe. Az NVIDIA 2023-as beruházási tervében a mesterséges intelligencia területén az alapvető algoritmusok és az infrastruktúra kiépítése mellett a biofarmácia a befektetések kulcsfontosságú területévé vált. Kimberly Powell, az NVIDIA egészségügyi üzletágának alelnöke világossá tette: "Ha a számítógéppel támogatott tervezés ipara képes elindítani az első $2 billió dolláros piaci kapitalizációjú chipgyártó vállalatot, miért ne lehetne a számítógéppel támogatott gyógyszerkutatás ipara nem képes a következő billió dolláros piaci kapitalizációjú gyógyszeripari vállalatot létrehozni?".
Egyértelmű, hogy az NVIDIA optimista az AI+BioPharma jövőjét illetően, és célja egy újabb NVIDIA-szerű sikertörténet létrehozása. Miért vannak az NVIDIA-nak ilyen nagy elvárásai ezzel a területtel kapcsolatban? A kérdés megválaszolásához a gyógyszeripar alapvető kihívásainak és mögöttes logikájának mély megértése szükséges.
Anti-Moore-törvény
Az AI-technológia gyors fejlődése nem választható el az integrált áramköri ipar gyors fejlődésétől. Gordon Moore, az Intel alapítója a félvezetőipar több éves alapos tanulmányozása után foglalta össze azt a gondolatot, hogy az integrált áramkörökben a tranzisztorok száma körülbelül 18-24 havonta megduplázódik. Ez a híres Moore-törvény. Moore törvénye kimondja, hogy a technológia folyamatos fejlődésével a processzorok teljesítménye körülbelül kétévente megduplázódik, az árak pedig a felére csökkennek. Ennek a folyamatos ismétlődésnek és a technológia fejlődésének köszönhető, hogy a számítástechnika exponenciálisan nőtt, és egyre több és több elképesztő funkciót tesz lehetővé.
A félvezetőiparban érvényes Moore-törvénytől eltérően azonban a biofarmáciai iparban a tendenciák "Moore-törvény-ellenes" jelenséget mutatnak. Az innovatív gyógyszerek fejlesztése hosszú időn keresztül a "két tízes törvény" néven volt ismert, ami azt jelenti, hogy egy új gyógyszer kifejlesztése általában tíz évig tart és egymilliárd dollárba kerül. Ezek a számok azonban mára elavultak, a legfrissebb adatok szerint egy innovatív gyógyszer átlagos K+F költsége globálisan $2,6 milliárd körül van, az átlagos K+F-ciklus pedig 10,5 év körül van. A hosszú K+F-ciklusok és a magas K+F-költségek rendkívül kockázatossá teszik az innovatív gyógyszerfejlesztést, amely nem csak nagy összegű pénzügyi támogatást igényel, hanem magas kudarccal is jár. A helyzetet tovább nehezíti, hogy a K+F nehézségei idővel tovább nőnek, mivel az új gyógyszerek és célpontok kifejlesztésének költségei emelkednek, a befektetések megtérülése pedig csökken, ahogy egyre több gyógyszert és célpontot fedeznek fel.
Ebben a Moore-törvény-ellenes környezetben az innovatív gyógyszeripari K+F küszöbértéke egyre magasabb, a beruházási kockázat pedig növekszik, így az innovatív gyógyszeripari K+F fokozatosan a nagyvállalatok privilégiumává válik. A gyógyszeripart azonban gyakran a marginális innováció hajtja, sok új technológia kezdetben a start-up vállalkozásokban született. A nagyvállalatok csak akkor kezdenek el beavatkozni, amikor ezek a technológiák fokozatosan validálódnak.
Látszólagos ellentmondás alakult ki az iparág fejlődési törvényei és a mozgatórugói között, ami egy rendkívül szokatlan jelenség, amely szűk keresztmetszethez vezethet a humán orvosi technológia fejlődésében, és ennek a helyzetnek senki sem örülne.
A biofarmáciai iparnak égető szüksége van a változásra, és az innovatív gyógyszerfejlesztés egyre növekvő költségei teret engednek ennek a változásnak. E két tényező alapján az NVIDIA szilárdan hisz abban, hogy az AI technológia képes forradalmasítani a gyógyszeripart.
Tapasztalat vs. intuíció
A modern gyógyszeripart gyakran hasonlítják egy intuícióra épülő, fallal körülvett városhoz. Bár az innovatív gyógyszereknek szigorú és szisztematikus klinikai validáláson kell átesniük, mielőtt forgalomba kerülhetnek, a felfedezési folyamat tele van bizonytalansággal. A teljes gyógyszerkutatási folyamat egy tölcsérhez hasonlít, ahol a sikeres jelölt vegyületek száma fokozatosan csökken az egyes szakaszokban, a gyógyszerkutatástól a preklinikai validáláson át a klinikai validálásig. Ezek közül a gyógyszerkutatási szakasz különösen nehéz, mivel a fejlesztőknek számtalan vegyületet kell átvizsgálniuk, hogy mintegy 10 000 potenciális jelöltet azonosítsanak, és végül a szűrési rétegek után kiválasztják a megfelelő vegyületet. Egy adott célpont felfedezése és azonosítása nemcsak szerencsés, hanem bonyolult és fáradságos is a validálás, és még nehezebb a megfelelő molekula sikeres lokalizálása.
Bár a gyógyszerkutatási erőfeszítések generációi egységesítették a gyógyszerkutatás folyamatát, a hatalmas mennyiségű vegyületadattal szembenézve a K+F még mindig nagymértékben függ a kutatók intuíciójától, és az adatok csak korlátozott segítséget nyújthatnak. A kutatás-fejlesztés helyes iránya a siker előfeltétele, és ha egyszer rossz útra tévedünk, akármennyi erőfeszítést is teszünk érte, hiábavaló lehet. A hagyományos gyógyszeripari K+F költségek folyamatos emelkedésének gyökere a megérzésekre való túlzott hagyatkozás.
A gyógyszeriparban a K+F költségek csökkentése érdekében át kell térni az adatvezéreltebb K+F megközelítésre. Az adatok lényegében felhalmozott tapasztalatok, és digitalizálása nem a K+F kudarcok kiküszöbölését jelenti, hanem azt, hogy a kudarcok a következő K+F tanulási alapjává alakíthatók. A nagyszabású modellképzés révén a mesterséges intelligencia gyorsabbá és pontosabbá teheti a gyógyszerszűrési folyamatot.
Az innovatív gyógyszerek kifejlesztése egy Roguelike játékhoz hasonlítható; bár minden egyes végigjátszás véletlenszerűnek tűnhet, és az élmény minden alkalommal más és más lehet, a következő kihívás nehézsége fokozatosan csökkenthető a folyamatos kudarcok és az adatok felhalmozása révén.
A mesterséges intelligenciával működő gyógyszeripar lényegében egy olyan folyamat, amely a szakértői intuícióra való támaszkodástól az adatokra való visszacsatolásra való áttérést jelenti, hogy folyamatos modellképzéssel megtaláljuk az optimális K+F-utat. Ez a váltás az intuícióról az adatokra való áttérést, és az érzelmektől az értelem felé való elmozdulást jelenti. Különösen számos, még nem meghódított betegségterületen a szakértői intuícióra való támaszkodás nem biztos, hogy jobb, mint a véletlenszerű siker, míg a folyamatos AI-modellkísérletezés a leghatékonyabb módja a kudarcok arányának csökkentésének. az ai pharma nemcsak a k+f költségeket csökkenti, hanem jelentősen javítja a k+f hatékonyságát is.
Az adatforrások a legértékesebbek
Az algoritmusok, az aritmetika és az adatbázisok alkotják a mesterséges intelligencia technológia három központi elemét. A legtöbb AI-alkalmazási forgatókönyvben az algoritmusok jelentik a legfontosabb láncszemet, és bár az aritmetikai teljesítmény és az adatbázisok ugyanolyan fontosak, a befektetők általában nagyobb figyelmet fordítanak a nagy modellek algoritmusainak fejlesztésére. A biofarmáciai területen azonban az algoritmusok dominanciája nem biztos, hogy ennyire nyilvánvaló. Más területektől eltérően a biofarmáciai adatforrások értékes, gyakran nem nyílt forráskódúak, és a nagy gyógyszeripari vállalatok alapvető eszközei. Mind a sikeres, mind a sikertelen eredményeket nagy költségű klinikai vizsgálatokon keresztül érik el.
Egyértelmű tehát, hogy a mesterséges intelligenciával rendelkező gyógyszeriparban az adatbázis a versenyképesség kulcsa. A Kínában népszerű AI gyógyszeripari vállalatokat megfigyelve, sokan közülük CRO vállalatokból alakultak át. A hagyományos gyógyszeripari vállalatokkal ellentétben a CRO vállalatok gazdag K+F tapasztalattal rendelkeznek, és bár a K+F adatok az A félhez tartoznak, képesek nagy mennyiségű folyamatadatot és módszertant felhalmozni több K+F folyamat során, ami előnyt biztosít számukra az adatbázisok építésében. Tekintettel arra, hogy a biofarmáciai adatok nem nyílt forráskódúak, a mesterséges intelligencia gyógyszeripari fejlesztése két irányba haladhat. Az egyik a jól finanszírozott multinacionális vállalatok (MNC-k), amelyek hosszú időn keresztül gazdag K+F tapasztalatokat és adatokat halmoztak fel, és megkezdték az AI-technológia átfogó lefektetését; a másik a CRO-k, amelyek elsősorban az AI gyógyszeripar átalakításával foglalkoznak Kínában, amelyek erős adatbázis-építési képességgel rendelkeznek, és ami hiányzik, az csak a nagy modellalgoritmusok fejlesztése, és a számítási teljesítmény problémája megoldható az olyan technológiai vállalatokkal való együttműködéssel, mint az AliCloud és a TencentCloud A számítási teljesítmény problémája megoldható az olyan technológiai vállalatokkal való együttműködéssel, mint az Ali Cloud és a Tencent Cloud. Az első modellt Kínában nehezebb lehet megvalósítani, mivel a hazai biofarmáciai ipar későn indult, és hiányoznak az innovatív gyógyszerkutatást és -fejlesztést hosszú ideje folytató multinacionális vállalatok.
A következő évtizedekben valószínűleg a CRO-vállalatok lesznek a kínai AI-farmácia központi eszközei, míg a tengerentúlon elsősorban a multinacionális vállalatok közötti verseny zajlik, amelyek vonakodnak megnyitni adataikat harmadik felek előtt, és még az olyan vállalatok, mint az Nvidia is csak befektetések révén tudnak részt venni a biofarmáciai területen. Jelenleg a hazai AI-gyógyszerek a fejlesztés korai szakaszában vannak, és nagyjából három szintre oszthatók. Az első szintbe tartoznak azok a vállalatok, amelyek már évek óta fektetik le az AI gyógyszertechnológiát, mint például a Chengdu Pilot, a Hongbo Pharmaceuticals, a Jingtai Technology és a Medicine Stone Technology stb.; a második szint olyan vállalatok, amelyek gazdag tapasztalattal rendelkeznek a kutatás-fejlesztésben, de még csak most kezdték el az AI gyógyszerek területén, mint például a WuXi Kantei, a Medicilon és a Haoyuan Pharmaceuticals stb.; a harmadik szint pedig tapasztalt, de más CRO vállalatok még nem fektették le alaposan az AI területét. Az AI gyógyszeripar területén az adatok a legkritikusabb erőforrás, és az adatbázis értéke messze meghaladja az algoritmusokat és a számítási teljesítményt, ezért a CRO vállalatok vezető szerepet tölthetnek be a jelenlegi hazai AI gyógyszeriparban.
Lépjen kapcsolatba velünk most!
Ha szüksége van Price-ra, kérjük, töltse ki elérhetőségét az alábbi űrlapon, általában 24 órán belül felvesszük Önnel a kapcsolatot. Ön is küldhet nekem e-mailt info@longchangchemical.com munkaidőben ( 8:30-18:00 UTC+8 H.-Szombat ) vagy használja a weboldal élő chatjét, hogy azonnali választ kapjon.
| Összetétel Glükoamiláz | 9032-08-0 |
| Pullulanase | 9075-68-7 |
| Xilanáz | 37278-89-0 |
| Celluláz | 9012-54-8 |
| Naringináz | 9068-31-9 |
| β-Amiláz | 9000-91-3 |
| Glükóz-oxidáz | 9001-37-0 |
| alfa-amiláz | 9000-90-2 |
| Pektináz | 9032-75-1 |
| Peroxidáz | 9003-99-0 |
| Lipáz | 9001-62-1 |
| Kataláz | 9001-05-2 |
| TANNASE | 9025-71-2 |
| Elasztáz | 39445-21-1 |
| Ureáz | 9002-13-5 |
| DEXTRANASE | 9025-70-1 |
| L-laktil-dehidrogenáz | 9001-60-9 |
| Dehidrogenáz malát | 9001-64-3 |
| Koleszterin-oxidáz | 9028-76-6 |