Blog

Η τεχνητή νοημοσύνη δεν αρκεί να προστεθεί ως ακόμη ένα εργαλείο στα εργαστήρια και στις κλινικές δοκιμές. Σύμφωνα με νέα ανάλυση της McKinsey, οι βιοφαρμακευτικές εταιρείες πρέπει να εγκαταλείψουν το γραμμικό μοντέλο έρευνας και ανάπτυξης και να οργανώσουν τη λειτουργία τους γύρω από διασυνδεδεμένους κύκλους μάθησης και λήψης αποφάσεων.

• Γράφει η Χριστίνα Χατζηπαλαμουτζή 

Η τεχνητή νοημοσύνη εισέρχεται με ταχύ ρυθμό στη φαρμακευτική έρευνα, από την ανακάλυψη νέων θεραπευτικών στόχων και τον σχεδιασμό μορίων έως την επιλογή ασθενών και την οργάνωση κλινικών δοκιμών. Ωστόσο, η απλή ενσωμάτωση νέων αλγορίθμων στις υπάρχουσες δομές δεν αρκεί για να μεταμορφώσει πραγματικά την παραγωγικότητα της βιοφαρμακευτικής βιομηχανίας.

Σε νέα έκθεσή της, η McKinsey υποστηρίζει ότι οι εταιρείες χρειάζονται «δομικό ανασχεδιασμό» των μονάδων έρευνας και ανάπτυξης, ώστε να αξιοποιήσουν πλήρως τη μηχανική μάθηση, τη γενετική τεχνητή νοημοσύνη, τα αιτιώδη μοντέλα και τα αυτόνομα συστήματα πολλαπλών πρακτόρων.

Από τα μεμονωμένα εργαλεία σε ένα ενιαίο σύστημα μάθησης

Οι περισσότερες φαρμακευτικές εταιρείες εξακολουθούν να οργανώνουν την ανάπτυξη ενός φαρμάκου ως μια διαδοχή σταδίων. Ένα πρόγραμμα περνά από την έρευνα της βιολογίας μιας νόσου στην επιλογή στόχου, στη δημιουργία υποψήφιου φαρμάκου, στις κλινικές δοκιμές και τελικά στην έγκριση.

Το μοντέλο αυτό επιτρέπει στις ομάδες να αξιολογούν την πρόοδο σε συγκεκριμένα σημεία. Παράλληλα, όμως, περιορίζει τη μεταφορά γνώσης προς τα προηγούμενα στάδια. Ένα αποτυχημένο κλινικό πρόγραμμα μπορεί, για παράδειγμα, να αποκαλύψει ότι η εταιρεία επέλεξε υπερβολικά ευρύ πληθυσμό ασθενών. Συχνά, όμως, το συμπέρασμα αυτό δεν επιστρέφει εγκαίρως στις ομάδες που μελετούν τη βιολογία της νόσου ή επιλέγουν τους επόμενους στόχους.

Η McKinsey εκτιμά ότι η τεχνητή νοημοσύνη μπορεί να κάνει τα επιμέρους στάδια ταχύτερα, αλλά δεν δημιουργεί από μόνη της σωρευτική μάθηση. Όσο τα προγράμματα κινούνται γραμμικά, τα δεδομένα ενός σταδίου παραμένουν συχνά απομονωμένα και δεν βελτιώνουν συστηματικά τις αποφάσεις που προηγήθηκαν.

Οι πέντε διασυνδεδεμένοι κύκλοι της φαρμακευτικής R&D

Η συμβουλευτική εταιρεία προτείνει ένα μοντέλο οργανωμένο γύρω από πέντε βασικούς κύκλους αποφάσεων:

1. Κατανόηση των ασθενών και της βιολογίας της νόσου.
2. Αναγνώριση και επικύρωση θεραπευτικών στόχων.
3. Ανακάλυψη και βελτιστοποίηση υποψήφιων θεραπειών.
4. Σχεδιασμός και εκτέλεση κλινικών δοκιμών.
5. Μεγιστοποίηση του οφέλους των εγκεκριμένων θεραπειών για τους ασθενείς.

Η ουσιαστική διαφορά δεν βρίσκεται στα ίδια τα στάδια, τα οποία θυμίζουν το παραδοσιακό μοντέλο ανάπτυξης φαρμάκων. Βρίσκεται στον τρόπο με τον οποίο συνδέονται.

Σε ένα κλειστό σύστημα μάθησης, κάθε κρίσιμη απόφαση δημιουργεί νέα δεδομένα. Τα δεδομένα αυτά ενημερώνουν το επόμενο βήμα, αλλά ταυτόχρονα βελτιώνουν και τις προηγούμενες υποθέσεις. Έτσι, το αποτέλεσμα μιας διαδικασίας δεν αποτελεί το τέλος της, αλλά την αφετηρία του επόμενου κύκλου.

Πώς αλλάζει η ανακάλυψη νέων φαρμάκων

Στην προκλινική έρευνα, τα υπολογιστικά μοντέλα μπορούν να προβλέψουν τη συγγένεια σύνδεσης, τη σταθερότητα, την τοξικότητα ή την ανοσογονικότητα ενός υποψήφιου μορίου πριν οι ερευνητές επενδύσουν χρόνο και πόρους σε εκτεταμένες εργαστηριακές δοκιμές.

Η γενετική τεχνητή νοημοσύνη μπορεί να σχεδιάζει νέα μόρια ή πρωτεΐνες, ενώ τα αυτοματοποιημένα εργαστήρια παράγουν δεδομένα σε πολύ μεγαλύτερη κλίμακα. Παράλληλα, συστήματα πρακτόρων μπορούν να οργανώνουν τα πειράματα, να αναλύουν τα αποτελέσματα και να αναθεωρούν τις αρχικές υποθέσεις.

Με αυτόν τον τρόπο, ο κλασικός κύκλος «σχεδιασμός – σύνθεση – δοκιμή – ανάλυση» μετατρέπεται σε μια συνεχή διαδικασία μάθησης. Οι ερευνητές απορρίπτουν νωρίτερα τα υποψήφια μόρια χαμηλής πιθανότητας, βελτιώνουν ταχύτερα τα ισχυρότερα και συγκεντρώνουν την επιστημονική εργασία στις αποφάσεις με τη μεγαλύτερη αξία.

Το Robin ως παράδειγμα επιστημονικής έρευνας σε κλειστό κύκλο

Η McKinsey αναφέρει ως χαρακτηριστικό παράδειγμα το Robin, ένα σύστημα πολλαπλών πρακτόρων που ανέπτυξε ο μη κερδοσκοπικός οργανισμός FutureHouse.

Το Robin συνδυάζει εργαλεία αναζήτησης της επιστημονικής βιβλιογραφίας, δημιουργίας υποθέσεων και ανάλυσης πειραματικών δεδομένων. Το σύστημα μπορεί να διατυπώνει μια θεραπευτική υπόθεση, να προτείνει πειράματα, να ερμηνεύει τα αποτελέσματα και στη συνέχεια να δημιουργεί μια αναθεωρημένη υπόθεση.

Σε μελέτη που δημοσιεύθηκε στο Nature, το Robin πρότεινε ότι η ενίσχυση της φαγοκυτταρικής λειτουργίας του μελαγχρόου επιθηλίου του αμφιβληστροειδούς θα μπορούσε να αποτελέσει θεραπευτική στρατηγική για την ξηρή ηλικιακή εκφύλιση της ωχράς κηλίδας.

Το σύστημα εντόπισε ως υποψήφιες ουσίες τη ριπασουδίλη, έναν αναστολέα της Rho κινάσης που χρησιμοποιείται για τη θεραπεία του γλαυκώματος στην Ιαπωνία, και το πειραματικό μόριο KL001. Εργαστηριακές δοκιμές έδειξαν αποτελεσματικότητα σε κυτταρικά μοντέλα, χωρίς αυτό να σημαίνει ότι έχει αποδειχθεί κλινικό όφελος σε ασθενείς.

Στη συνέχεια, το Robin πρότεινε πείραμα αλληλούχησης RNA για να διερευνηθεί ο μηχανισμός δράσης. Η ανάλυση συνέδεσε τη θεραπευτική επίδραση με αυξημένη έκφραση του γονιδίου ABCA1, το οποίο κωδικοποιεί μια αντλία απομάκρυνσης λιπιδίων και ενδέχεται να αποτελέσει νέο θεραπευτικό στόχο.

Η τεχνητή νοημοσύνη ως «συνεργάτης» του επιστήμονα

Στην ίδια κατεύθυνση κινείται και το Co-Scientist της Google DeepMind, ένα πολυπρακτορικό σύστημα που βασίζεται στα μοντέλα Gemini.

Το σύστημα οργανώνει εξειδικευμένους πράκτορες, οι οποίοι παράγουν επιστημονικές ιδέες, συγκρίνουν υποθέσεις, εντοπίζουν αδυναμίες, διεξάγουν εικονικές επιστημονικές «αντιπαραθέσεις» και βελτιώνουν σταδιακά τις επικρατέστερες προτάσεις.

Η Google DeepMind διευκρινίζει ότι το Co-Scientist λειτουργεί ως ερευνητικός συνεργάτης και όχι ως αντικαταστάτης της επιστημονικής ή κλινικής κρίσης. Την τελική αξιολόγηση των υποθέσεων, τον σχεδιασμό των πραγματικών πειραμάτων και την ευθύνη των αποφάσεων εξακολουθούν να διατηρούν οι ερευνητές.

Η μεγαλύτερη ευκαιρία βρίσκεται στις κλινικές δοκιμές

Η κλινική ανάπτυξη αποτελεί το ακριβότερο και συνήθως το πιο χρονοβόρο τμήμα της ανάπτυξης ενός φαρμάκου. Για τον λόγο αυτό, η McKinsey θεωρεί ότι εκεί μπορεί να προκύψει ένα από τα σημαντικότερα οικονομικά και χρονικά οφέλη.

Τα προγνωστικά μοντέλα μπορούν να υποστηρίξουν την επιλογή των καταλληλότερων ασθενών, να εκτιμήσουν την πιθανή πορεία της ομάδας ελέγχου και να εξετάσουν αν το θεραπευτικό αποτέλεσμα παραμένει σταθερό σε διαφορετικές υποομάδες.

Παράλληλα, τα συστήματα τεχνητής νοημοσύνης μπορούν να παρακολουθούν τον ρυθμό ένταξης ασθενών, τις αποχωρήσεις, την απόδοση των ερευνητικών κέντρων και την εγκυρότητα των αρχικών παραδοχών μιας μελέτης. Όταν εντοπίζουν πρόβλημα, μπορούν να προτείνουν εναλλακτικά σενάρια για τα κριτήρια συμμετοχής, τα καταληκτικά σημεία ή τη γεωγραφική κατανομή των κέντρων.

Η τεχνητή νοημοσύνη μπορεί επίσης να συνδυάζει δεδομένα τυχαιοποιημένων δοκιμών, στοιχεία πραγματικού κόσμου και επιστημονική βιβλιογραφία, ώστε να δημιουργεί επικαιροποιημένους φακέλους τεκμηρίωσης.

Πριν από μια ρυθμιστική υποβολή, ένα σύστημα πρακτόρων θα μπορούσε να λειτουργήσει ως «εικονικός αξιολογητής», συγκρίνοντας το προσχέδιο του φακέλου με προηγούμενες παρατηρήσεις των αρχών και εντοπίζοντας ελλείψεις, αδύναμα επιχειρήματα ή προβληματικές διατυπώσεις.

Η ανθρώπινη εποπτεία παραμένει απαραίτητη

Η McKinsey δεν εισηγείται την αυτόνομη λήψη κλινικών ή ρυθμιστικών αποφάσεων από συστήματα τεχνητής νοημοσύνης.

Οι πράκτορες οφείλουν να λειτουργούν ως εποπτευόμενα εργαλεία υποστήριξης αποφάσεων. Δεν πρέπει να τροποποιούν εγκεκριμένα πρωτόκολλα, να αλλάζουν δόσεις ή να λαμβάνουν αποφάσεις που ανήκουν στις ρυθμιστικές αρχές και στους υπεύθυνους των κλινικών μελετών.

Όταν ένα μοντέλο επηρεάζει κρίσιμες αποφάσεις, η εταιρεία πρέπει να εξασφαλίζει επικύρωση, δυνατότητα ελέγχου, ιχνηλασιμότητα, σαφή κατανομή ευθυνών και συμμόρφωση με τα ισχύοντα πρότυπα ποιότητας.

Δεν αρκεί μια σειρά από πιλοτικά προγράμματα

Πολλές επιχειρήσεις ξεκινούν την εφαρμογή της τεχνητής νοημοσύνης μέσα από μεμονωμένες δοκιμές: ένα εργαλείο για την ανάλυση εικόνων, ένα μοντέλο για τη συγγραφή εγγράφων ή έναν αλγόριθμο για την πρόβλεψη τοξικότητας.

Κατά τη McKinsey, αυτή η προσέγγιση μπορεί να αποφέρει περιορισμένες βελτιώσεις, αλλά δύσκολα δημιουργεί στρατηγικό πλεονέκτημα. Οι εταιρείες χρειάζονται πρώτα ένα σαφές σχέδιο για το πώς θα λειτουργεί στο μέλλον ολόκληρο το σύστημα R&D.

Το σχέδιο πρέπει να καλύπτει και τους πέντε κύκλους αποφάσεων, να εντοπίζει τις πρώτες εφαρμογές με μετρήσιμη αξία και να καθορίζει τη σειρά των επενδύσεων. Διαφορετικά, οι επιμέρους λύσεις κινδυνεύουν να παραμείνουν ασύνδετες και να παράγουν νέα τεχνολογικά «σιλό».

Νέα μοντέλα οργάνωσης και νέες δεξιότητες

Ο ανασχεδιασμός δεν αφορά μόνο το λογισμικό. Απαιτεί αλλαγές στη διοίκηση, στη λογοδοσία και στον τρόπο συνεργασίας των ομάδων.

Βιολόγοι, χημικοί, κλινικοί ερευνητές, ειδικοί δεδομένων, μηχανικοί τεχνητής νοημοσύνης και στελέχη παραγωγής πρέπει να εργάζονται σε κοινές ροές αποφάσεων. Τα δεδομένα από την έρευνα, τις κλινικές δοκιμές, την παραγωγή και την πραγματική χρήση των φαρμάκων πρέπει επίσης να μπορούν να συνδεθούν με ασφαλή και τυποποιημένο τρόπο.

Η McKinsey επισημαίνει ακόμη ότι οι κρίσιμες ικανότητες δεν μπορούν να ανατεθούν όλες σε εξωτερικούς συνεργάτες. Οι εταιρείες μπορούν να αγοράζουν υπολογιστική υποδομή ή εξειδικευμένους αλγορίθμους, αλλά πρέπει να διατηρούν εσωτερικά τη γνώση που καθορίζει πώς μαθαίνει ο οργανισμός και πώς λαμβάνει επιστημονικές αποφάσεις.

Το πραγματικό στοίχημα για τη βιοφαρμακευτική βιομηχανία

Η συζήτηση για την τεχνητή νοημοσύνη στη φαρμακευτική έρευνα μετατοπίζεται πλέον από το ερώτημα «ποιο εργαλείο πρέπει να χρησιμοποιηθεί» στο ερώτημα «πώς πρέπει να οργανωθεί ολόκληρη η διαδικασία ανάπτυξης».

Οι εταιρείες που θα περιοριστούν σε αποσπασματικές εφαρμογές ενδέχεται να βελτιώσουν ορισμένες εργασίες, χωρίς να αλλάξουν τη συνολική πιθανότητα επιτυχίας ενός προγράμματος.

Αντίθετα, όσες συνδέσουν τα δεδομένα, τα πειράματα, τις κλινικές αποφάσεις και τη γνώση από τις εγκεκριμένες θεραπείες μπορούν να δημιουργήσουν ένα σύστημα που μαθαίνει διαρκώς. Στόχος δεν είναι μόνο η ταχύτερη ανάπτυξη ενός φαρμάκου, αλλά η προώθηση περισσότερων υποσχόμενων προγραμμάτων με το ίδιο διαθέσιμο κεφάλαιο, μικρότερο κόστος και μεγαλύτερη προβλεψιμότητα.

Πηγή: healthpharma.gr