Waarom het einde van AI in de biofarma?

Over de toekomstige ontwikkelingsrichting van AI heeft de investeringsgemeenschap verschillende meningen. Sommigen geloven dat het de fotovoltaïsche industrie is, anderen geloven dat het de energie-industrie is, terwijl NVIDIA gelooft dat het het gebied van biofarmaceutica is. In NVIDIA's investeringsplan voor 2023 zijn, naast de kernalgoritmen en de bouw van infrastructuur op het gebied van AI, biofarmaceutica een belangrijk investeringsgebied geworden. Kimberly Powell, vicepresident gezondheidszorg van NVIDIA, heeft het duidelijk gemaakt: "Als de computerondersteunde ontwerpindustrie het eerste chipbedrijf met een marktkapitalisatie van $2 biljoen kan lanceren, waarom kan de computerondersteunde ontdekking van medicijnen dan niet het volgende farmaceutische bedrijf met een marktkapitalisatie van een biljoen dollar voortbrengen?"

 

Het is duidelijk dat NVIDIA optimistisch is over de toekomst van AI+BioPharma en streeft naar een nieuw NVIDIA-achtig succesverhaal. Waarom heeft NVIDIA zulke hoge verwachtingen voor dit gebied? Het antwoord op deze vraag vereist een diep begrip van de kernuitdagingen en onderliggende logica van de farmaceutische industrie.

Anti-Moore's Wet
De snelle ontwikkeling van AI-technologie kan niet los worden gezien van de snelle vooruitgang van de industrie voor geïntegreerde schakelingen. Gordon Moore, de oprichter van Intel, vatte na jaren van diepgaande studie van de halfgeleiderindustrie het idee samen dat het aantal transistors op geïntegreerde schakelingen ongeveer elke 18 tot 24 maanden verdubbelt. Dit is de beroemde Wet van Moore. De Wet van Moore stelt dat naarmate de technologie zich blijft ontwikkelen, de prestaties van processoren ongeveer elke twee jaar zullen verdubbelen en de prijzen zullen dalen tot de helft van wat ze waren. Het is dankzij deze voortdurende iteratie en vooruitgang van technologie dat computertechnologie exponentieel is gegroeid en steeds meer verbazingwekkende functies mogelijk maakt.

In tegenstelling tot de Wet van Moore in de halfgeleiderindustrie, vertonen de trends in de biofarmaceutische industrie echter een "anti-Moore's Law" fenomeen. Lange tijd stond de ontwikkeling van innovatieve medicijnen bekend als de "Wet van twee tientjes", wat betekent dat het meestal tien jaar duurt en één miljard dollar kost om een nieuw medicijn te ontwikkelen. Deze cijfers zijn nu echter achterhaald: uit de laatste gegevens blijkt dat de gemiddelde O&O-kosten van een innovatief geneesmiddel wereldwijd ongeveer $2,6 miljard bedragen en dat de gemiddelde O&O-cyclus ongeveer 10,5 jaar bedraagt. Lange O&O-cycli en hoge O&O-kosten maken de ontwikkeling van innovatieve geneesmiddelen extreem riskant, omdat ze niet alleen grote hoeveelheden financiële steun vereisen, maar ook te maken hebben met hoge mislukkingspercentages. Om het nog moeilijker te maken, blijft de moeilijkheid van O&O in de loop van de tijd toenemen, aangezien de kosten voor het ontwikkelen van nieuwe geneesmiddelen en doelwitten stijgen en het rendement op investering afneemt naarmate er meer geneesmiddelen en doelwitten worden ontdekt.

 

In deze anti-Moore's Law omgeving wordt de drempel voor innovatief O&O naar geneesmiddelen steeds hoger en stijgt het investeringsrisico, waardoor innovatief O&O naar geneesmiddelen geleidelijk het domein wordt van grote ondernemingen. De farmaceutische industrie wordt echter vaak gedreven door innovatie in de marge, waarbij veel nieuwe technologieën aanvankelijk ontstaan in start-ups. Pas wanneer deze technologieën geleidelijk aan gevalideerd worden, beginnen grote bedrijven in te grijpen en een lay-out te maken.
Er is een schijnbare tegenstelling ontstaan tussen de ontwikkelingswetten van de industrie en haar drijvende krachten, een hoogst ongebruikelijk fenomeen dat zou kunnen leiden tot een knelpunt in de vooruitgang van de menselijke medische technologie, een situatie waar niemand blij mee zou zijn.
De biofarmaceutische industrie heeft dringend behoefte aan verandering en de almaar stijgende kosten voor de ontwikkeling van innovatieve geneesmiddelen bieden ruimte voor een dergelijke verandering. Op basis van deze twee factoren is NVIDIA ervan overtuigd dat AI-technologie het potentieel heeft om een revolutie teweeg te brengen in de farmaceutische industrie.
Ervaring vs. intuïtie
De moderne farmaceutische industrie wordt vaak vergeleken met een ommuurde stad gebouwd op intuïtie. Hoewel innovatieve geneesmiddelen rigoureuze en systematische klinische validatie moeten ondergaan voordat ze op de markt kunnen worden gebracht, zit het ontdekkingsproces vol onzekerheid. Het hele ontdekkingsproces van medicijnen lijkt op een trechter, waarbij het aantal succesvolle kandidaat-verbindingen in elke fase geleidelijk afneemt, van ontdekking tot preklinische validatie en klinische validatie. De ontdekkingsfase van een geneesmiddel is bijzonder moeilijk, omdat ontwikkelaars ontelbare verbindingen moeten uitzeven om ongeveer 10.000 potentiële kandidaten te identificeren en uiteindelijk de juiste verbinding moeten vinden na lagen van screening. Het ontdekken en identificeren van een bepaald doelwit is niet alleen toevallig, maar ook complex en vervelend om te valideren en nog moeilijker om succesvol te lokaliseren naar de juiste molecule.

 

Hoewel generaties van inspanningen op het gebied van medicijnontdekking het proces van medicijnontdekking hebben gestandaardiseerd, is O&O, wanneer het wordt geconfronteerd met een enorme hoeveelheid gegevens over samenstellingen, nog steeds sterk afhankelijk van de intuïtie van onderzoekers en kunnen gegevens slechts beperkte hulp bieden. De juiste richting van O&O is een voorwaarde voor succes, en als eenmaal de verkeerde weg is ingeslagen, kan het nog steeds zinloos zijn, hoeveel moeite er ook wordt gedaan. Dit overmatige vertrouwen op intuïtie is de hoofdoorzaak van de voortdurende stijging van de traditionele O&O-kosten voor geneesmiddelen.
Om de R&D-kosten in de farmaceutische industrie te verlagen, is het noodzakelijk om over te stappen op een meer datagestuurde R&D-aanpak. Gegevens zijn in wezen opgebouwde ervaring en de digitalisering ervan betekent niet dat mislukkingen in R&D worden geëlimineerd, maar eerder dat mislukkingen kunnen worden omgezet in een leerbasis voor de volgende R&D. Door op grote schaal modellen te trainen kan AI het screeningsproces voor medicijnen sneller en nauwkeuriger maken.
De ontwikkeling van innovatieve geneesmiddelen kan worden vergeleken met een Roguelike-spel; hoewel elke keer dat je het spel speelt willekeurig lijkt en de ervaring elke keer anders is, kan de moeilijkheidsgraad van de volgende uitdaging geleidelijk worden verlaagd door voortdurend te falen en gegevens te verzamelen.
AI-farma is in wezen een proces van verschuiving van vertrouwen op de intuïtie van experts naar vertrouwen op gegevensfeedback om het optimale O&O-pad te vinden via voortdurende modeltraining. Deze verschuiving markeert een verschuiving van intuïtie naar gegevens en een vooruitgang van emotie naar rede. Vooral in veel ziektegebieden die nog niet zijn veroverd, is het vertrouwen op de intuïtie van experts misschien niet beter dan willekeurig succes, terwijl het voortdurend uitproberen van AI-modellen de meest effectieve manier is om het mislukkingspercentage te verlagen. ai pharma verlaagt niet alleen de R&D-kosten, maar verbetert ook de R&D-efficiëntie aanzienlijk.
Gegevensbronnen zijn het meest kostbaar
Algoritmen, rekenkracht en databases vormen de drie kernelementen van AI-technologie. In de meeste AI-toepassingsscenario's zijn algoritmen de belangrijkste schakel en hoewel rekenkracht en databases even belangrijk zijn, hebben investeerders de neiging om meer aandacht te besteden aan de ontwikkeling van grote modelalgoritmen. In de biofarmaceutische sector is de dominantie van algoritmen echter niet zo duidelijk. In tegenstelling tot andere domeinen zijn gegevensbronnen in de biofarmaceutische sector kostbaar, vaak niet open-source en vormen ze de kernactiva van grote farmaceutische bedrijven. Zowel succesvolle als mislukte resultaten worden verkregen via dure klinische proeven.

Het is dus duidelijk dat op het gebied van AI-farma de database de sleutel is tot de kern van het concurrentievermogen. Als we kijken naar de populaire AI-farmaceutische bedrijven in China, zien we dat veel van hen zijn getransformeerd van CRO-bedrijven. In tegenstelling tot traditionele farmaceutische bedrijven hebben CRO-bedrijven een rijke O&O-ervaring, en hoewel de O&O-gegevens toebehoren aan partij A, zijn ze in staat om een grote hoeveelheid procesgegevens en methodologie te verzamelen in de loop van meerdere O&O-processen, waardoor ze een voordeel hebben bij het opbouwen van databases. Gezien de niet-open-source aard van biofarmaceutische gegevens, zou de ontwikkeling van AI-farma twee richtingen op kunnen gaan. De ene is goed gefinancierde multinationals (MNC's), die al lange tijd rijke O&O-ervaring en gegevens hebben verzameld en begonnen zijn met het uitgebreid opzetten van AI-technologie; de andere zijn CRO's die zich voornamelijk bezighouden met de transformatie van AI-farma in China, die een sterke databaseconstructiecapaciteit hebben, en wat ze missen is alleen de ontwikkeling van grote modelalgoritmen, en het probleem van rekenkracht kan worden opgelost door samen te werken met technologiebedrijven zoals AliCloud en TencentCloud Het probleem van rekenkracht kan worden opgelost door samen te werken met technologiebedrijven zoals Ali Cloud en Tencent Cloud. Het eerste model is wellicht moeilijker te realiseren in China omdat de binnenlandse biofarmaceutische industrie laat van start is gegaan en er geen multinationals zijn die al lange tijd innovatief geneesmiddelenonderzoek en -ontwikkeling uitvoeren.

In de komende decennia zullen CRO-bedrijven waarschijnlijk de kernactiva van China's AI-farma worden, terwijl het in het buitenland vooral een wedstrijd is tussen multinationals, die huiverig zijn om hun gegevens open te stellen voor derden, en zelfs bedrijven als Nvidia alleen via investeringen kunnen deelnemen aan het biofarmaceutische veld. Op dit moment bevinden binnenlandse AI-farmaceutica zich in een vroeg ontwikkelingsstadium en kunnen grofweg worden onderverdeeld in drie echelons. Het eerste echelon bestaat uit bedrijven die al vele jaren bezig zijn met het ontwikkelen van AI-farmaceutische technologie, zoals Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology en Medicine Stone Technology, etc.; het tweede echelon is een bedrijf dat veel ervaring heeft op het gebied van O&O, maar nog maar net begonnen is op het gebied van AI-farmaceutica, zoals WuXi Kantei, Medicilon en Haoyuan Pharmaceuticals, etc.; en het derde echelon is ervaren, maar is nog niet diepgaand onderzocht op het gebied van AI door andere CRO-bedrijven. Op het gebied van AI-farmaceutica is data de meest kritieke bron, en de waarde van de database is veel groter dan algoritmen en rekenkracht, waardoor CRO-bedrijven de leiding kunnen nemen in de huidige binnenlandse AI-farmaceutische industrie.

Neem nu contact met ons op!

Als je Price nodig hebt, vul dan je contactgegevens in op het formulier hieronder. We nemen dan meestal binnen 24 uur contact met je op. Je kunt me ook een e-mail sturen info@longchangchemical.com tijdens kantooruren (8:30 tot 18:00 UTC+8 ma. ~ za.) of gebruik de live chat op de website voor een snel antwoord.

Samenstelling 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-oxidase	9001-37-0
alfa-amylase	9000-90-2
Pectinase	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-Lactische dehydrogenase	9001-60-9
Dehydrogenase malaat	9001-64-3
Cholesteroloxidase	9028-76-6