Yapay zekanın sonu neden biyofarma?
Yapay zekanın gelecekteki gelişim yönüne ilişkin olarak, yatırım topluluğunun farklı görüşleri vardır; bazıları bunun fotovoltaik endüstrisi, bazıları enerji endüstrisi olduğuna inanırken, NVIDIA bunun biyofarmasötik alanı olduğuna inanmaktadır. NVIDIA'nın 2023 yatırım planında, yapay zeka alanındaki çekirdek algoritmalar ve altyapı inşasına ek olarak, biyofarmasötikler de yatırımının kilit bir alanı haline geldi. NVIDIA'nın sağlık işlerinden sorumlu başkan yardımcısı Kimberly Powell bu konuda net konuştu: "Bilgisayar destekli tasarım endüstrisi $2 trilyon piyasa değerine sahip ilk çip şirketini kurabiliyorsa, bilgisayar destekli ilaç keşif endüstrisi neden bir sonraki trilyon dolarlık piyasa değerine sahip ilaç şirketini kuramasın?"
NVIDIA'nın AI+BioPharma'nın geleceği konusunda iyimser olduğu ve NVIDIA benzeri bir başarı hikayesi daha yaratmayı hedeflediği açık. NVIDIA bu alan için neden bu kadar yüksek beklentilere sahip? Bu sorunun cevabı, ilaç sektörünün temel zorluklarını ve altında yatan mantığı derinlemesine anlamayı gerektiriyor.
Anti-Moore Yasası
Yapay zeka teknolojisinin hızlı gelişimi, entegre devre endüstrisinin hızlı ilerlemesinden ayrı tutulamaz. Intel'in kurucusu Gordon Moore, yarı iletken endüstrisini yıllarca derinlemesine inceledikten sonra, entegre devrelerdeki transistör sayısının yaklaşık her 18 ila 24 ayda bir ikiye katlandığı fikrini özetledi. Bu ünlü Moore Yasası'dır. Moore Yasası, teknoloji ilerlemeye devam ettikçe, işlemci performansının yaklaşık her iki yılda bir ikiye katlanacağını ve fiyatların eskisinin yarısına düşeceğini belirtmektedir. Teknolojinin bu sürekli yinelenmesi ve ilerlemesi sayesinde bilgisayar teknolojisi katlanarak büyümüş ve giderek daha fazla şaşırtıcı özelliğe olanak sağlamıştır.
Ancak, yarı iletken endüstrisindeki Moore Yasası'nın aksine, biyofarmasötik endüstrisindeki eğilimler "anti-Moore Yasası" olgusunu göstermektedir. Uzun bir süredir, yenilikçi ilaçların geliştirilmesi "iki onlu yasa" olarak bilinmektedir; yani yeni bir ilacın geliştirilmesi genellikle on yıl sürmekte ve bir milyar dolara mal olmaktadır. Ancak bu rakamlar artık geçerliliğini yitirmiştir; en son veriler yenilikçi bir ilacın ortalama Ar-Ge maliyetinin küresel olarak $2,6 milyar civarında olduğunu ve ortalama Ar-Ge döngüsünün 10,5 yıl civarında olduğunu göstermektedir. Uzun Ar-Ge döngüleri ve yüksek Ar-Ge maliyetleri, yenilikçi ilaç geliştirmeyi son derece riskli hale getirmekte, sadece büyük miktarlarda mali destek gerektirmekle kalmayıp aynı zamanda yüksek başarısızlık oranlarıyla da karşı karşıya bırakmaktadır. İşleri daha da zorlaştırmak için, yeni ilaçlar ve hedefler geliştirmenin maliyeti arttıkça ve daha fazla ilaç ve hedef keşfedildikçe yatırım getirisi azaldıkça, Ar-Ge'nin zorluğu zaman içinde artmaya devam etmektedir.
Bu anti-Moore Yasası ortamında, yenilikçi ilaç Ar-Ge'sinin eşiği giderek yükselmekte ve yatırım riski artmakta, bu da yenilikçi ilaç Ar-Ge'sinin giderek büyük işletmelerin himayesine girmesine neden olmaktadır. Bununla birlikte, ilaç endüstrisi genellikle marjlardaki inovasyon tarafından yönlendirilir ve birçok yeni teknoloji başlangıçta start-up'larda doğar. Ancak bu teknolojiler aşamalı olarak onaylandığında büyük şirketler müdahale etmeye ve düzen kurmaya başlar.
Endüstrinin gelişim yasaları ile itici güçleri arasında bariz bir çelişki oluşmuştur; bu, insani tıp teknolojisinin ilerlemesinde bir darboğaza yol açabilecek son derece sıra dışı bir olgudur ve hiç kimsenin görmekten mutlu olmayacağı bir durumdur.
Biyofarmasötik endüstrisinin ciddi bir değişime ihtiyacı var ve yenilikçi ilaç geliştirmenin sürekli artan maliyeti bu tür bir değişim için alan sağlıyor. Bu iki faktöre dayanarak NVIDIA, yapay zeka teknolojisinin ilaç endüstrisinde devrim yaratma potansiyeline sahip olduğuna inanmaktadır.
Deneyime karşı sezgi
Modern ilaç endüstrisi genellikle sezgiler üzerine inşa edilmiş surlarla çevrili bir şehre benzetilir. Yenilikçi ilaçların piyasaya sürülmeden önce titiz ve sistematik klinik doğrulamadan geçmesi gerekse de, keşif süreci belirsizliklerle doludur. İlaç keşif sürecinin tamamı bir huniyi andırır ve başarılı aday bileşiklerin sayısı, ilaç keşfinden klinik öncesi doğrulamaya ve klinik doğrulamaya kadar her aşamada giderek azalır. Bunlar arasında ilaç keşif aşaması özellikle zordur, çünkü geliştiricilerin yaklaşık 10.000 potansiyel adayı belirlemek için sayısız bileşiği elemesi ve nihayet tarama katmanlarından sonra doğru bileşiğe kilitlenmesi gerekir. Belirli bir hedefi keşfetmek ve tanımlamak sadece tesadüfi değil, aynı zamanda doğrulaması karmaşık ve sıkıcıdır ve doğru moleküle başarılı bir şekilde lokalize etmek daha da zordur.
Nesiller boyu süren ilaç keşfi çabaları ilaç keşfi sürecini standartlaştırmış olsa da, büyük miktarda bileşik verisiyle karşı karşıya kalındığında, Ar-Ge hala büyük ölçüde araştırmacıların sezgilerine bağlıdır ve veriler yalnızca sınırlı yardım sağlayabilir. Ar-Ge'nin doğru yönlendirilmesi başarı için bir ön koşuldur ve bir kez yanlış yola girildiğinde, ne kadar çaba sarf edilirse edilsin, yine de nafile olabilir. Sezgilere olan bu aşırı güven, geleneksel ilaç Ar-Ge maliyetlerindeki sürekli artışın temel nedenidir.
İlaç sektöründe Ar-Ge maliyetlerini düşürmek için daha veri odaklı bir Ar-Ge yaklaşımına geçilmesi gerekmektedir. Veri esasen birikmiş deneyimdir ve dijitalleştirilmesi Ar-Ge başarısızlıklarının ortadan kaldırılması anlamına gelmez, aksine başarısızlıklar bir sonraki Ar-Ge için bir öğrenme tabanına dönüştürülebilir. Büyük ölçekli model eğitimi sayesinde yapay zeka, ilaç tarama sürecini daha hızlı ve daha doğru hale getirebilir.
Yenilikçi ilaçların geliştirilmesi bir Roguelike oyununa benzetilebilir; her oyun rastgele görünse ve deneyim her seferinde farklı olsa da, bir sonraki mücadelenin zorluğu sürekli başarısızlık ve veri birikimi yoluyla kademeli olarak azaltılabilir.
Yapay zeka ilaçları esasen, sürekli model eğitimi yoluyla en uygun Ar-Ge yolunu bulmak için uzman sezgilerine güvenmekten veri geri bildirimine güvenmeye geçiş sürecidir. Bu değişim, sezgiden veriye geçişi ve duygulardan akla doğru bir ilerlemeyi işaret etmektedir. Özellikle henüz fethedilmemiş birçok hastalık alanında, uzman sezgisine güvenmek başarıyı rastgele hale getirmekten daha iyi olmayabilirken, sürekli yapay zeka modeli deneme yanılma başarısızlık oranını azaltmanın en etkili yoludur. ai pharma sadece ar-ge maliyetlerini düşürmekle kalmaz, aynı zamanda ar-ge verimliliğini de önemli ölçüde artırır.
Veri kaynakları en değerli kaynaklardır
Algoritmalar, aritmetik ve veri tabanları YZ teknolojisinin üç temel unsurunu oluşturmaktadır. Çoğu YZ uygulama senaryosunda, algoritmalar anahtar bağlantıdır ve aritmetik güç ve veritabanları eşit derecede önemli olmasına rağmen, yatırımcılar büyük model algoritmaların geliştirilmesine daha fazla dikkat etme eğilimindedir. Ancak biyofarmasötik alanında algoritmaların baskınlığı bu kadar açık olmayabilir. Diğer alanlardan farklı olarak, biyofarmasötik alanındaki veri kaynakları değerlidir, genellikle açık kaynaklı değildir ve büyük ilaç şirketlerinin temel varlıklarıdır. Hem başarılı hem de başarısız sonuçlar yüksek maliyetli klinik deneyler yoluyla elde edilir.
Bu nedenle, YZ ilaç alanında, veri tabanının temel rekabet gücünün anahtarı olduğu açıktır. Çin'deki popüler YZ ilaç şirketlerine bakıldığında, birçoğunun CRO şirketlerinden dönüştüğü görülmektedir. Geleneksel ilaç şirketlerinin aksine, CRO şirketleri zengin Ar-Ge deneyimine sahiptir ve Ar-Ge verileri Taraf A'ya ait olmasına rağmen, birden fazla Ar-Ge süreci boyunca büyük miktarda süreç verisi ve metodoloji biriktirebilirler, bu da onlara veritabanları oluşturmada avantaj sağlar. Biyofarmasötik verilerin açık kaynaklı olmayan doğası göz önüne alındığında, yapay zeka ilaçlarının gelişimi iki yönde ilerleyebilir. Birincisi, uzun süredir zengin Ar-Ge deneyimi ve verileri biriktiren ve YZ teknolojisini kapsamlı bir şekilde ortaya koymaya başlayan iyi finanse edilmiş çok uluslu şirketler (ÇUŞ'lar); Diğeri ise, esas olarak Çin'de YZ ilaçlarının dönüşümüyle uğraşan, güçlü bir veritabanı oluşturma kabiliyetine sahip olan ve eksiklikleri sadece büyük model algoritmalarının geliştirilmesi olan CRO'lardır ve hesaplama gücü sorunu, AliCloud ve TencentCloud gibi teknoloji şirketleriyle işbirliği yapılarak çözülebilir. İlk modelin Çin'de gerçekleştirilmesi daha zor olabilir çünkü yerel biyofarmasötik endüstrisi geç başlamıştır ve uzun süredir yenilikçi ilaç araştırma ve geliştirme çalışmaları yürüten çok uluslu şirketlerden yoksundur.
Önümüzdeki birkaç on yıl içinde, CRO şirketleri muhtemelen Çin'in YZ ilaçlarının temel varlıkları haline gelecektir; denizaşırı ülkelerde ise bu, esas olarak verilerini üçüncü taraflara açmakta isteksiz olan çok uluslu şirketler arasındaki bir rekabettir ve Nvidia gibi şirketler bile biyofarmasötik alanına yalnızca yatırım yoluyla katılabilir. Şu anda, yerli yapay zeka ilaçları gelişimin erken aşamalarında ve kabaca üç kademeye ayrılabilir. İlk kademe Chengdu Pilot, Hongbo Pharmaceuticals, Jingtai Technology ve Medicine Stone Technology gibi uzun yıllardır YZ ilaç teknolojisini ortaya koyan şirketleri içerir; ikinci kademe, Ar-Ge konusunda zengin deneyime sahip ancak WuXi Kantei, Medicilon ve Haoyuan Pharmaceuticals gibi YZ ilaçları alanında yeni başlayan bir şirkettir; ve üçüncü kademe deneyimlidir ancak diğer CRO şirketleri tarafından YZ alanında henüz derinlemesine ortaya konmamıştır. YZ ilaç alanında, veri en kritik kaynaktır ve veri tabanının değeri algoritmaları ve aritmetik gücü çok aşmaktadır, bu nedenle CRO şirketleri mevcut yerel YZ ilaç endüstrisinde liderliği ele geçirebilir.
Şimdi Bize Ulaşın!
Fiyata ihtiyacınız varsa, lütfen aşağıdaki forma iletişim bilgilerinizi doldurun, genellikle 24 saat içinde sizinle iletişime geçeceğiz. Bana e-posta da gönderebilirsiniz info@longchangchemical.com Çalışma saatleri içinde (8:30 - 6:00 UTC+8 Pzt.~Sat.) veya hızlı yanıt almak için web sitesi canlı sohbetini kullanın.
| Bileşik Glukoamilaz | 9032-08-0 |
| Pullulanase | 9075-68-7 |
| Ksilanaz | 37278-89-0 |
| Selülaz | 9012-54-8 |
| Naringinaz | 9068-31-9 |
| β-Amilaz | 9000-91-3 |
| Glikoz oksidaz | 9001-37-0 |
| Alfa-Amilaz | 9000-90-2 |
| Pektinaz | 9032-75-1 |
| Peroksidaz | 9003-99-0 |
| Lipaz | 9001-62-1 |
| Katalaz | 9001-05-2 |
| TANNASE | 9025-71-2 |
| Elastaz | 39445-21-1 |
| Urease | 9002-13-5 |
| DEXTRANASE | 9025-70-1 |
| L-Laktik dehidrojenaz | 9001-60-9 |
| Dehidrojenaz malat | 9001-64-3 |
| Kolesterol oksidaz | 9028-76-6 |