{"id":7317,"date":"2024-09-09T12:56:09","date_gmt":"2024-09-09T12:56:09","guid":{"rendered":"https:\/\/longchangchemical.com\/?p=7317"},"modified":"2026-04-28T10:42:35","modified_gmt":"2026-04-28T10:42:35","slug":"why-the-end-of-ai-is-biopharma","status":"publish","type":"post","link":"https:\/\/longchangchemical.com\/it\/why-the-end-of-ai-is-biopharma\/","title":{"rendered":"Perch\u00e9 la fine dell'IA \u00e8 biofarmaceutica?"},"content":{"rendered":"

Perch\u00e9 la fine dell'IA \u00e8 biofarmaceutica?<\/strong><\/h1>\n

<\/p>\n

Risposta rapida:<\/strong> A practical enzyme or food-ingredient decision starts with the process target, then checks activity, application window, sensory impact, and batch-to-batch consistency before scale-up.<\/p>\n

<\/p>\n

Per quanto riguarda la futura direzione di sviluppo dell'IA, la comunit\u00e0 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 pu\u00f2 lanciare la prima azienda di chip con una capitalizzazione di mercato di $2 trilioni, perch\u00e9 il settore della scoperta di farmaci assistita da computer non pu\u00f2 generare la prossima azienda farmaceutica con una capitalizzazione di mercato di mille miliardi di dollari?\".<\/p>\n

 <\/p>\n

\u00c8 chiaro che NVIDIA \u00e8 ottimista sul futuro di AI+BioPharma e punta a creare un'altra storia di successo simile a quella di NVIDIA. Perch\u00e9 NVIDIA nutre aspettative cos\u00ec elevate per questo settore? La risposta a questa domanda richiede una profonda comprensione delle sfide principali e della logica di fondo dell'industria farmaceutica.<\/p>\n

Legge anti-Moore
\nIl rapido sviluppo della tecnologia AI non pu\u00f2 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 \u00e8 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 met\u00e0 di quelli attuali. \u00c8 grazie a questa continua iterazione e all'avanzamento della tecnologia che la tecnologia dei computer \u00e8 cresciuta in modo esponenziale, consentendo di ottenere funzioni sempre pi\u00f9 sorprendenti.<\/p>\n

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 \u00e8 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 pi\u00f9 recenti mostrano che il costo medio di R&S di un farmaco innovativo \u00e8 di circa $2,6 miliardi a livello globale e il ciclo medio di R&S \u00e8 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 quantit\u00e0 di sostegno finanziario, ma presenta anche alti tassi di fallimento. A rendere le cose ancora pi\u00f9 difficili, la difficolt\u00e0 della R&S continua ad aumentare nel tempo, poich\u00e9 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.<\/p>\n

 <\/p>\n

In questo contesto contrario alla Legge di Moore, la soglia della R&S sui farmaci innovativi \u00e8 sempre pi\u00f9 alta e il rischio di investimento aumenta, facendo s\u00ec che la R&S sui farmaci innovativi diventi gradualmente appannaggio delle grandi imprese. Tuttavia, l'industria farmaceutica \u00e8 spesso guidata dall'innovazione ai margini, con molte nuove tecnologie nate inizialmente nelle start-up. \u00c8 solo quando queste tecnologie vengono progressivamente convalidate che le grandi aziende iniziano a intervenire e a imporsi.
\nSi \u00e8 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.
\nL'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 \u00e8 fermamente convinta che la tecnologia AI abbia il potenziale per rivoluzionare il settore farmaceutico.
\nEsperienza e intuizione
\nL'industria farmaceutica moderna \u00e8 spesso paragonata a una citt\u00e0 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 \u00e8 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 \u00e8 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 \u00e8 solo un caso fortuito, ma \u00e8 anche complessa e noiosa da convalidare, e ancora pi\u00f9 difficile \u00e8 localizzare con successo la molecola giusta.<\/p>\n

 <\/p>\n

Sebbene generazioni di sforzi per la scoperta di farmaci abbiano standardizzato il processo di scoperta dei farmaci, di fronte a un'enorme quantit\u00e0 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 \u00e8 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 \u00e8 la causa principale del continuo aumento dei costi di R&S dei farmaci tradizionali.
\nPer ridurre i costi di R&S nell'industria farmaceutica, \u00e8 necessario passare a un approccio alla R&S pi\u00f9 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 pu\u00f2 rendere il processo di screening dei farmaci pi\u00f9 rapido e accurato.
\nLo sviluppo di farmaci innovativi pu\u00f2 essere paragonato a un gioco roguelike; anche se ogni partita pu\u00f2 sembrare casuale e l'esperienza pu\u00f2 essere diversa ogni volta, la difficolt\u00e0 della sfida successiva pu\u00f2 essere gradualmente ridotta attraverso il costante fallimento e l'accumulo di dati.
\nL'AI pharma \u00e8 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 \u00e8 il modo pi\u00f9 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.
\nLe risorse di dati sono le pi\u00f9 preziose
\nAlgoritmi, 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 cos\u00ec 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.<\/p>\n

\u00c8 quindi chiaro che nel campo dell'AI pharma, il database \u00e8 la chiave della competitivit\u00e0 di base. Osservando le aziende farmaceutiche AI pi\u00f9 popolari in Cina, molte di esse si sono trasformate in aziende CRO. A differenza delle aziende farmaceutiche tradizionali, le societ\u00e0 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 quantit\u00e0 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 \u00e8 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 pu\u00f2 essere risolto collaborando con aziende tecnologiche come AliCloud e TencentCloud. Il primo modello potrebbe essere pi\u00f9 difficile da realizzare in Cina, perch\u00e9 l'industria biofarmaceutica nazionale \u00e8 nata tardi e non dispone di aziende multinazionali che da tempo conducono attivit\u00e0 di ricerca e sviluppo di farmaci innovativi.<\/p>\n

Nei prossimi decenni, le societ\u00e0 CRO diventeranno probabilmente gli asset principali dell'AI pharma cinese, mentre all'estero \u00e8 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 \u00e8 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 pi\u00f9 critica e il valore del database supera di gran lunga gli algoritmi e la potenza aritmetica, motivo per cui le societ\u00e0 CRO possono assumere un ruolo guida nell'attuale industria farmaceutica nazionale dell'IA.<\/p>\n

<\/p>\n

Come gli acquirenti valutano solitamente gli enzimi e gli ingredienti per la trasformazione alimentare<\/h2>\n

Nei progetti relativi agli enzimi e alla trasformazione alimentare, il quadro decisionale pi\u00f9 utile \u00e8 solitamente quello che considera l'idoneit\u00e0 all'applicazione e la stabilit\u00e0 del processo: quale ingrediente si comporta bene nelle condizioni di pH, temperatura, tempo e substrato previste, senza creare problemi di qualit\u00e0 o conformit\u00e0 a valle del processo.<\/p>\n