Πώς η τεχνητή νοημοσύνη φέρνει επανάσταση στην ανακάλυψη φαρμάκων
Η ανακάλυψη νέων φαρμάκων είναι μια δαπανηρή υπόθεση. Από το 2012 έως το 2022, με προσαρμογή στον πληθωρισμό, οι δαπάνες για έρευνα και ανάπτυξη στη φαρμακοβιομηχανία αυξήθηκαν σχεδόν κατά το ήμισυ, φτάνοντας περίπου τα 250 δισ. δολάρια, σύμφωνα με την Bernstein Research. Ωστόσο, ο αριθμός των νέων εγκρίσεων φαρμάκων παρέμεινε ουσιαστικά στάσιμος. Εδώ η τεχνητή νοημοσύνη μπορεί να βοηθήσει.
Η δημιουργία μιας νέας θεραπείας είναι γεμάτη προκλήσεις. Η μελέτη της νοσοκομειακής πνευμονίας που προκαλείται από βακτήρια σε μια κλινική δοκιμή Φάσης 3 με 1.000 ασθενείς κόστισε σχεδόν 90.000 δολάρια ανά ασθενή, σύμφωνα με έρευνα των πανεπιστημίων Tufts και Duke. Ένα άλλο πρόβλημα είναι η έλλειψη εθελοντών· σε μία μελέτη, περισσότερα από τα δύο τρίτα των κλινικών δοκιμών στο Ηνωμένο Βασίλειο απέτυχαν να συγκεντρώσουν επαρκείς υποψηφίους.
Ο Τζακ Σκάννελ και οι συνεργάτες του, γράφοντας πριν από περισσότερο από μια δεκαετία, το ονόμασαν «Νόμο του Eroom». Πρόκειται για την αντίστροφη εκδοχή του Νόμου του Μουρ, που προβλέπει ότι ο αριθμός των τρανζίστορ που μπορούν να ενσωματωθούν σε ένα μικροτσίπ διπλασιάζεται κάθε δύο χρόνια. Ο αριθμός των νέων φαρμάκων ανά 1 δισ. δολάρια που δαπανώνται σε R&D έχει μειωθεί στο μισό περίπου κάθε εννέα χρόνια από το 1950. Οι κλινικές δοκιμές από τη Φάση 1 μέχρι την κυκλοφορία εξακολουθούν να διαρκούν κατά μέσο όρο μια δεκαετία, σύμφωνα με υπολογισμούς της McKinsey, και ακόμη τότε μόνο μία στις δέκα είναι επιτυχής.
Οι εταιρείες παροχής ερευνητικών υπηρεσιών, που αναλαμβάνουν αυτές τις δοκιμές για λογαριασμό φαρμακευτικών επιχειρήσεων, ποντάρουν στην τεχνητή νοημοσύνη για να βελτιώσουν τις πιθανότητες επιτυχίας. Η IQVIA, η μεγαλύτερη με χρηματιστηριακή αξία 32 δισ. δολάρια, αξιοποιεί συστήματα AI της Nvidia σε διάφορες διαδικασίες. Σε μία περίπτωση, εκτιμά ότι η αξιολόγηση δεδομένων μειώνεται από επτά εβδομάδες σε μόλις δύο. Η Medidata (που ανήκει στη Dassault Systèmes) και η Flatiron (που ανήκει στη Roche) παρέχουν λογισμικό σε οργανισμούς που διεξάγουν έρευνα.
Οι μεγάλες φαρμακοβιομηχανίες συμμετέχουν επίσης. Η Genentech, που ανήκει στη Roche, αποκαλεί τη στρατηγική της «lab in a loop», δηλαδή την τροφοδότηση δεδομένων από πειράματα σε μοντέλα τεχνητής νοημοσύνης. Τα μοντέλα παράγουν προβλέψεις ασθενειών και θεραπειών, οι οποίες στη συνέχεια ελέγχονται από ανθρώπινους επιστήμονες.
Δεδομένου ότι η τεχνητή νοημοσύνη φαίνεται φυσικά ταιριαστή με τις κλινικές δοκιμές, αναμένεται να ακολουθήσουν και άλλες τέτοιες εφαρμογές. Οι φαρμακευτικές διαθέτουν τεράστιους όγκους δεδομένων και πολλές από τις διαδικασίες τους, από τις ροές εργασίας έως την ανάλυση, είναι εξαιρετικά επίπονες. Η τεχνολογία μπορεί να τις επεξεργαστεί σε κλάσμα του χρόνου. Στο μεταξύ, η γενετική τεχνητή νοημοσύνη μπορεί να δημιουργεί συνθετικά δεδομένα για προσομοιώσεις.
Υπάρχουν, ωστόσο, δύο σημαντικοί περιορισμοί. Ο πρώτος είναι ότι το ρυθμιστικό και δεοντολογικό πλαίσιο δεν έχει ακόμη συμβαδίσει με τις θεωρητικές δυνατότητες. Ο δεύτερος είναι ότι οι εταιρείες κλινικών ερευνών δεν αποδίδουν καλά, λόγω του αυξανόμενου κόστους των δοκιμών και της εμπορευματοποίησης ορισμένων τεχνολογιών. Ελπίζουν ότι η τεχνητή νοημοσύνη θα βελτιώσει όχι μόνο τις δοκιμές, αλλά και τα περιθώριά τους.
Το ιδανικό θα ήταν να εξαλειφθεί — ή ακόμα και να αντιστραφεί — ο Νόμος του Eroom. Προς το παρόν παραμένει όνειρο. Αλλά αν υπάρχει ένας κλάδος που είναι συνηθισμένος στη μέθοδο «δοκιμή και λάθος», αυτός είναι σίγουρα η φαρμακοβιομηχανία.
