Perché la fine dell'IA è biofarmaceutica?
Per quanto riguarda la futura direzione di sviluppo dell'IA, la comunità degli investitori ha opinioni diverse: alcuni ritengono che si tratti dell'industria fotovoltaica, altri dell'industria energetica, mentre NVIDIA ritiene che si tratti del settore biofarmaceutico. Nella pianificazione degli investimenti di NVIDIA per il 2023, oltre agli algoritmi di base e alla costruzione di infrastrutture nel campo dell'IA, i biofarmaci sono diventati un'area chiave degli investimenti. Kimberly Powell, vicepresidente del settore sanitario di NVIDIA, ha dichiarato chiaramente: "Se il settore della progettazione assistita da computer può lanciare la prima azienda di chip con una capitalizzazione di mercato di $2 trilioni, perché il settore della scoperta di farmaci assistita da computer non può generare la prossima azienda farmaceutica con una capitalizzazione di mercato di mille miliardi di dollari?".
È chiaro che NVIDIA è ottimista sul futuro di AI+BioPharma e punta a creare un'altra storia di successo simile a quella di NVIDIA. Perché NVIDIA nutre aspettative così elevate per questo settore? La risposta a questa domanda richiede una profonda comprensione delle sfide principali e della logica di fondo dell'industria farmaceutica.
Legge anti-Moore
Il rapido sviluppo della tecnologia AI non può essere separato dal rapido progresso dell'industria dei circuiti integrati. Gordon Moore, il fondatore di Intel, dopo anni di studi approfonditi sull'industria dei semiconduttori, ha sintetizzato l'idea che il numero di transistor sui circuiti integrati raddoppia ogni 18-24 mesi circa. Questa è la famosa Legge di Moore. La legge di Moore afferma che, con il continuo progresso tecnologico, le prestazioni dei processori raddoppieranno ogni due anni circa e i prezzi scenderanno alla metà di quelli attuali. È grazie a questa continua iterazione e all'avanzamento della tecnologia che la tecnologia dei computer è cresciuta in modo esponenziale, consentendo di ottenere funzioni sempre più sorprendenti.
Tuttavia, a differenza della Legge di Moore nell'industria dei semiconduttori, le tendenze dell'industria biofarmaceutica mostrano un fenomeno "anti-Legge di Moore". Per molto tempo, lo sviluppo di farmaci innovativi è stato conosciuto come la "legge delle due decine", che significa che di solito ci vogliono dieci anni e un miliardo di dollari per sviluppare un nuovo farmaco. Tuttavia, queste cifre sono ormai superate: i dati più recenti mostrano che il costo medio di R&S di un farmaco innovativo è di circa $2,6 miliardi a livello globale e il ciclo medio di R&S è di circa 10,5 anni. I lunghi cicli di R&S e gli alti costi di R&S rendono estremamente rischioso lo sviluppo di farmaci innovativi, che non solo richiede grandi quantità di sostegno finanziario, ma presenta anche alti tassi di fallimento. A rendere le cose ancora più difficili, la difficoltà della R&S continua ad aumentare nel tempo, poiché il costo dello sviluppo di nuovi farmaci e bersagli aumenta e il ritorno sugli investimenti diminuisce man mano che vengono scoperti altri farmaci e bersagli.
In questo contesto contrario alla Legge di Moore, la soglia della R&S sui farmaci innovativi è sempre più alta e il rischio di investimento aumenta, facendo sì che la R&S sui farmaci innovativi diventi gradualmente appannaggio delle grandi imprese. Tuttavia, l'industria farmaceutica è spesso guidata dall'innovazione ai margini, con molte nuove tecnologie nate inizialmente nelle start-up. È solo quando queste tecnologie vengono progressivamente convalidate che le grandi aziende iniziano a intervenire e a imporsi.
Si è sviluppata un'apparente contraddizione tra le leggi di sviluppo dell'industria e le sue forze trainanti, un fenomeno molto insolito che potrebbe portare a un collo di bottiglia nel progresso della tecnologia medica umana, una situazione che nessuno sarebbe felice di vedere.
L'industria biofarmaceutica ha un estremo bisogno di cambiamenti e il costo sempre crescente dello sviluppo di farmaci innovativi offre spazio per tali cambiamenti. Sulla base di questi due fattori, NVIDIA è fermamente convinta che la tecnologia AI abbia il potenziale per rivoluzionare il settore farmaceutico.
Esperienza e intuizione
L'industria farmaceutica moderna è spesso paragonata a una città fortificata costruita sull'intuizione. Sebbene i farmaci innovativi debbano essere sottoposti a una validazione clinica rigorosa e sistematica prima di poter essere commercializzati, il processo di scoperta è pieno di incertezze. L'intero processo di scoperta dei farmaci assomiglia a un imbuto, con il numero di composti candidati di successo che diminuisce progressivamente in ogni fase, dalla scoperta del farmaco, alla validazione preclinica, alla validazione clinica. Tra queste, la fase di scoperta dei farmaci è particolarmente difficile, in quanto gli sviluppatori devono passare al setaccio innumerevoli composti per identificare circa 10.000 potenziali candidati, e infine individuare il composto giusto dopo strati di screening. La scoperta e l'identificazione di un particolare bersaglio non è solo un caso fortuito, ma è anche complessa e noiosa da convalidare, e ancora più difficile è localizzare con successo la molecola giusta.
Sebbene generazioni di sforzi per la scoperta di farmaci abbiano standardizzato il processo di scoperta dei farmaci, di fronte a un'enorme quantità di dati sui composti, la R&S dipende ancora molto dall'intuizione dei ricercatori e i dati possono fornire solo un aiuto limitato. La giusta direzione della R&S è un prerequisito per il successo, e una volta imboccata la strada sbagliata, per quanti sforzi si facciano, potrebbe essere comunque inutile. Questo eccessivo affidamento all'intuizione è la causa principale del continuo aumento dei costi di R&S dei farmaci tradizionali.
Per ridurre i costi di R&S nell'industria farmaceutica, è necessario passare a un approccio alla R&S più orientato ai dati. I dati sono essenzialmente esperienze accumulate e la loro digitalizzazione non significa eliminare i fallimenti della R&S, ma piuttosto trasformare i fallimenti in una base di apprendimento per la R&S successiva. Attraverso l'addestramento di modelli su larga scala, l'IA può rendere il processo di screening dei farmaci più rapido e accurato.
Lo sviluppo di farmaci innovativi può essere paragonato a un gioco roguelike; anche se ogni partita può sembrare casuale e l'esperienza può essere diversa ogni volta, la difficoltà della sfida successiva può essere gradualmente ridotta attraverso il costante fallimento e l'accumulo di dati.
L'AI pharma è essenzialmente un processo di passaggio dall'affidarsi all'intuizione di esperti all'affidarsi al feedback dei dati per trovare il percorso ottimale di R&S attraverso l'addestramento continuo dei modelli. Questo passaggio segna il passaggio dall'intuizione ai dati e un progresso dall'emozione alla ragione. Soprattutto in molte aree patologiche che non sono ancora state conquistate, affidarsi all'intuizione di esperti potrebbe non essere meglio che randomizzare il successo, mentre il continuo trial and error dei modelli di AI è il modo più efficace per ridurre il tasso di fallimento. ai pharma non solo riduce i costi di r&d, ma migliora anche in modo significativo l'efficienza di r&d.
Le risorse di dati sono le più preziose
Algoritmi, aritmetica e database costituiscono i tre elementi fondamentali della tecnologia AI. Nella maggior parte degli scenari applicativi dell'IA, gli algoritmi sono l'anello di congiunzione fondamentale e, sebbene la potenza aritmetica e i database siano ugualmente importanti, gli investitori tendono a prestare maggiore attenzione allo sviluppo di grandi modelli di algoritmi. Tuttavia, nel settore biofarmaceutico, la predominanza degli algoritmi potrebbe non essere così ovvia. A differenza di altri campi, le risorse di dati nel settore biofarmaceutico sono preziose, spesso non open-source, e costituiscono il patrimonio di base delle principali aziende farmaceutiche. I risultati, sia quelli positivi che quelli negativi, sono ottenuti attraverso studi clinici ad alto costo.
È quindi chiaro che nel campo dell'AI pharma, il database è la chiave della competitività di base. Osservando le aziende farmaceutiche AI più popolari in Cina, molte di esse si sono trasformate in aziende CRO. A differenza delle aziende farmaceutiche tradizionali, le società CRO hanno una ricca esperienza di R&S e, sebbene i dati di R&S appartengano alla parte A, sono in grado di accumulare una grande quantità di dati di processo e di metodologia nel corso di molteplici processi di R&S, il che fornisce loro un vantaggio nella costruzione di database. Considerando la natura non open-source dei dati biofarmaceutici, lo sviluppo dell'AI pharma potrebbe andare in due direzioni. Una è quella delle multinazionali ben finanziate (MNC), che hanno accumulato una ricca esperienza di R&S e dati per lungo tempo e hanno iniziato a definire in modo esaustivo la tecnologia dell'AI; il problema della potenza di calcolo può essere risolto collaborando con aziende tecnologiche come AliCloud e TencentCloud. Il primo modello potrebbe essere più difficile da realizzare in Cina, perché l'industria biofarmaceutica nazionale è nata tardi e non dispone di aziende multinazionali che da tempo conducono attività di ricerca e sviluppo di farmaci innovativi.
Nei prossimi decenni, le società CRO diventeranno probabilmente gli asset principali dell'AI pharma cinese, mentre all'estero è soprattutto una competizione tra multinazionali, che sono riluttanti ad aprire i propri dati a terzi, e persino aziende come Nvidia possono partecipare al settore biofarmaceutico solo attraverso investimenti. Attualmente i prodotti farmaceutici AI nazionali sono nelle prime fasi di sviluppo e possono essere suddivisi grossomodo in tre livelli. Il primo livello comprende le aziende che hanno sviluppato la tecnologia farmaceutica dell'IA da molti anni, come Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology e Medicine Stone Technology, ecc.; il secondo livello è costituito da aziende con una ricca esperienza nella R&S, ma che hanno appena iniziato a lavorare nel campo dell'IA farmaceutica, come WuXi Kantei, Medicilon e Haoyuan Pharmaceuticals, ecc. Nel settore farmaceutico dell'IA, i dati sono la risorsa più critica e il valore del database supera di gran lunga gli algoritmi e la potenza aritmetica, motivo per cui le società CRO possono assumere un ruolo guida nell'attuale industria farmaceutica nazionale dell'IA.
Contattateci ora!
Se avete bisogno di Price, inserite i vostri dati di contatto nel modulo sottostante; di solito vi contatteremo entro 24 ore. Potete anche inviarmi un'e-mail info@longchangchemical.com durante l'orario di lavoro (dalle 8:30 alle 18:00 UTC+8 lun.-sab.) o utilizzare la live chat del sito web per ottenere una risposta immediata.
| Composto Glucoamilasi | 9032-08-0 |
| Pullulanase | 9075-68-7 |
| Xilanasi | 37278-89-0 |
| Cellulasi | 9012-54-8 |
| Naringinasi | 9068-31-9 |
| β-amilasi | 9000-91-3 |
| Glucosio ossidasi | 9001-37-0 |
| alfa-amilasi | 9000-90-2 |
| Pectinasi | 9032-75-1 |
| Perossidasi | 9003-99-0 |
| Lipasi | 9001-62-1 |
| Catalasi | 9001-05-2 |
| TANNASIO | 9025-71-2 |
| Elastasi | 39445-21-1 |
| Ureasi | 9002-13-5 |
| DEXTRANASE | 9025-70-1 |
| L-lattico deidrogenasi | 9001-60-9 |
| Deidrogenasi malato | 9001-64-3 |
| Colesterolo ossidasi | 9028-76-6 |