Το Πρόβλημα Δεδομένων στο Κέντρο της Ανακάλυψης Φαρμάκων με τη Βοήθεια του AI

Όσο το AI ενσωματώνεται γρήγορα στην ανακάλυψη φαρμάκων, ίσως το πιο σημαντικό ερώτημα δεν είναι πόσο ισχυρό θα είναι το επόμενο μοντέλο, αλλά ποια δεδομένα αυτά τα μοντέλα μαθαίνουν πραγματικά.

Η πρόσφατη επέκταση της Anthropic στην ανάπτυξη φαρμάκων είναι η τελευταία απόδειξη ότι η τεχνητή νοημοσύνη κινείται πέρα από τη γενική λογική και προς την εφαρμοσμένη επιστήμη. Αντικατοπτρίζει πραγματική ορμή στο πεδίο και αυξανόμενη εμπιστοσύνη ότι το AI μπορεί να μεταμορφώσει σημαντικά τον τρόπο με τον οποίο ανακαλύπτονται νέα φάρμακα. Αλλά αν ο στόχος είναι να βελτιωθούν οι κλινικές επιτυχίες και όχι απλώς να επιταχύνεται η ανακάλυψη, θα πρέπει να αναρωτηθούμε αν τα βιολογικά δεδομένα που υποστηρίζουν αυτά τα συστήματα είναι ικανά να διδάξουν στα μοντέλα τι είναι πραγματικά η ανθρώπινη βιολογία.

Για χρόνια, η εστίαση της βιομηχανίας ήταν στην κατασκευή ολοένα και πιο εξελιγμένων αλγορίθμων. Μεγαλύτερα μοντέλα, περισσότερη υπολογιστική ισχύς και καλύτερες αρχιτεκτονικές οδήγησαν σε αξιοσημείωτες προόδους στην πρόβλεψη της δομής των πρωτεϊνών, την αναγνώριση στόχων, τον σχεδιασμό μορίων και άλλες περιοχές της βιοϊατρικής έρευνας. Αυτές οι καινοτομίες αξίζουν την προσοχή που έχουν λάβει.

Τι έχει λάβει πολύ λιγότερη προσοχή είναι η βιολογική βάση κάτω από αυτά.

Το AI είναι εξαιρετικά καλό στο να βρίσκει μοτίβα. Αλλά δεν μπορεί να διακρίνει μεταξύ βιολογίας που είναι απλώς μετρήσιμη και βιολογίας που είναι πραγματικά προβλεπτική για το τι συμβαίνει στους ασθενείς. Το όριο για την ανακάλυψη φαρμάκων με τη βοήθεια του AI θα καθοριστεί τελικά όχι μόνο από την ευφυΐα των μοντέλων, αλλά και από την πιστότητα των ανθρώπινων δεδομένων που χρησιμοποιούνται για την εκπαίδευση, επικύρωση και βάση των μοντέλων. Αν θέλουμε το AI να μας δώσει καλύτερα φάρμακα και όχι απλώς γρηγορότερες υποθέσεις, η κατασκευή υψηλής ποιότητας ανθρώπινης βιολογικής υποδομής δεδομένων μπορεί να αποδειχθεί εξίσου σημαντική με την κατασκευή της επόμενης γενιάς του AI.

Το AI Μπορεί Να Μάθει Μόνο Από τη Βιολογία που του Δίνουμε

Κάθε μοντέλο AI περιορίζεται από τις πληροφορίες που μαθαίνει. Η ανάπτυξη φαρμάκων παρουσιάζει μια ιδιαίτερα δύσκολη πρόκληση, επειδή η βιολογία είναι εξαιρετικά σύνθετη. Η ανθρώπινη νόσος επηρεάζεται από τη γενετική, την ηλικία, το φύλο, τις συννοσηρότητες, τις ανοσοαπόκρισεις, τις περιβαλλοντικές εκθέσεις και χιλιάδες αλληλεπιδρώντα μοριακά μονοπάτια που παραμένουν μόνο μερικώς κατανοητά.

Ιστορικά, πολλά από τα πειραματικά δεδομένα που χρησιμοποιούνται στην ανάπτυξη φαρμάκων προέρχονται από μελέτες σε ζώα, αθάνατες κυτταρικές σειρές, απλοποιημένα in vitro συστήματα και υπολογιστικές προσομοιώσεις. Αυτά τα εργαλεία έχουν προωθήσει σημαντικά τη βιοϊατρική επιστήμη και παραμένουν απαραίτητα σε πολλά στάδια της έρευνας. Ωστόσο, δεκαετίες εμπειρίας έχουν επίσης δείξει ότι δεν μπορούν να αναπαραστήσουν πλήρως την ανθρώπινη φυσιολογία.

Περίπου 90% των υποψηφίων φαρμάκων που εισέρχονται σε κλινικές δοκιμές τελικά αποτυγχάνουν, με την έλλειψη αποτελεσματικότητας και τις απροσδόκητες ευρήματα ασφάλειας να αποτελούν σημαντικούς συντελεστές. Ενώ πολλά παράγοντες συνεισφέρουν σε αυτές τις αποτυχίες, ένα επαναλαμβανόμενο θέμα είναι ότι τα προκλινικά μοντέλα συχνά δυσκολεύονται να προβλέψουν τι συμβαίνει πραγματικά στους ασθενείς.

Εάν τα συστήματα AI εκπαιδεύονται κυρίως σε δεδομένα που παράγονται από μοντέλα που έχουν γνωστές μεταφραστικές περιορισμοί, δεν πρέπει να είναι έκπληξη εάν αυτά τα περιορισμοί παραμείνουν. Το AI μπορεί να αναγνωρίσει μοτίβα εξαιρετικά καλά, αλλά δεν μπορεί να εφευρέσει βιολογική αλήθεια που δεν ήταν παρόντα στα δεδομένα εκπαίδευσής του.

Περισσότερα Δεδομένα Δεν Είναι Νecessarily Καλύτερα Δεδομένα

Η κοινότητα του AI συχνά μιλάει για νόμους κλίμακας: την παρατήρηση ότι μεγαλύτερα σύνολα δεδομένων συχνά βελτιώνουν την απόδοση του μοντέλου. Στη βιολογία, ωστόσο, η ποσότητα και η ποιότητα δεν είναι ανταλλάξιμες. Εκατομμύρια σημεία δεδομένων που συλλέγονται από πειραματικά συστήματα που δεν αντανακλούν καλά την ανθρώπινη φυσιολογία μπορεί να προσφέρουν λιγότερη προβλεπτική αξία από μικρότερα σύνολα δεδομένων που παράγονται απευθείας από κλινικά σχετικά ανθρώπινη βιολογία. Αυτή η διάκριση γίνεται ιδιαίτερα σημαντική στην ανάπτυξη φαρμάκων, όπου ο στόχος δεν είναι απλώς η πρόβλεψη, αλλά η πρόβλεψη που μεταφράζεται σε επιτυχημένα αποτελέσματα για τους ασθενείς.

Τα υψηλής πιστότητας ανθρώπινα βιολογικά δεδομένα διαφέρουν από τα παραδοσιακά εργαστηριακά σύνολα δεδομένων με πολλούς σημαντικούς τρόπους. Καταγράφουν τη βιολογική λειτουργία και όχι στατικές φωτογραφίες. Διατηρούν τις σχέσεις μεταξύ ιστών, κυτταρικής αρχιτεκτονικής, αιμάτωση, μεταβολισμού και φαρμακολογίας. Ενσωματώνουν την ιστορία του ασθενούς, κλινικές χαρακτηριστικές, μοριακές μετρήσεις και λειτουργικές απαντήσεις μέσα στο ίδιο βιολογικό σύστημα. Το πιο σημαντικό, μετρούν τη βιολογία που πραγματικά υπάρχει στους ανθρώπους.

Όσο το AI γίνεται ολοένα και πιο ικανό να εξάγει λεπτά μοτίβα από σύνθετα δεδομένα, η ποιότητα αυτών των μοτίβων γίνεται αδιαχώριστη από την ποιότητα της υποκείμενης βιολογίας.

Η Επόμενη Ανταγωνιστική Πλεονεκτική Θέση Μπορεί Να Είναι η Ανθρώπινη Υποδομή Δεδομένων

Τα τελευταία χρόνια, τεράστιες επενδύσεις έχουν γίνει σε μοντέλα θεμελίου, υπολογιστική υποδομή και εξειδικευμένες αρχιτεκτονικές AI. Πολύ λιγότερη προσοχή έχει δοθεί στην υποδομή που απαιτείται για τη συστηματική παραγωγή υψηλής ποιότητας ανθρώπινων βιολογικών δεδομένων σε κλίμακα.

Τα ανθρώπινα βιολογικά δείγματα είναι φυσικά περιορισμένα και απαιτούν ενσωμάτωση με κάποια μορφή δωρεάς υποδομής. Η τυποποίηση παραμένει προκλητική. Τα πειραματικά πρωτόκολλα πρέπει να είναι αναπαραγώγιμα. Τα μετα-δεδομένα πρέπει να είναι ολοκληρωμένα. Οι πολυωμικές μετρήσεις, η απεικόνιση, οι λειτουργικές δοκιμές και το κλινικό πλαίσιο πρέπει όλα να ενσωματωθούν σε σύνολα δεδομένων που είναι αρκετά συνεπή για υπολογιστική μάθηση.

Κανένα από αυτά δεν μοιάζει με παραδοσιακή μηχανική λογισμικού. Αντίθετα, απαιτεί συντονισμένες βιολογικές επιχειρήσεις ικανές να παράγουν αναπαραγώγιμα, ρυθμιστικά έτοιμα σύνολα δεδομένων για πολλά χρόνια. Όπως η υποδομή cloud έγινε απαραίτητη για την moderne ανάπτυξη λογισμικού, η ανθρώπινη βιολογική υποδομή μπορεί να γίνει θεμελιώδης για την επόμενη γενιά των θεραπευτικών του AI. Οι οργανισμοί που επενδύουν σε αυτήν την υποδομή σήμερα μπορεί τελικά να διαμορφώσουν τι θα είναι ικανά να μάθουν τα μοντέλα του AI αύριο.

Οι Ρυθμιστές Κινούνται σε Αυτήν την Κατεύθυνση

Σημαντικά, αυτή η συζήτηση εκτείνεται πέρα από ακαδημαϊκή περιέργεια. Οι ίδιοι οι ρυθμιστές ενισχύουν ολοένα και περισσότερο την αποδεικτική βάση που αφορά τον άνθρωπο. Η FDA έχει επεκτείνει την υποστήριξή της για Νέες Προσεγγίσεις Μεθοδολογιών (NAMs), περιγράφοντας δρομούς μέσω των οποίων υπολογιστικά μοντέλα, τεχνολογίες organ-on-chip, προηγμένα in vitro συστήματα και άλλες προσεγγίσεις που αφορούν τον άνθρωπο μπορούν να συνεισφέρουν στη ρυθμιστική λήψη αποφάσεων. 

Αυτή η μετατόπιση αναγνωρίζει μια σημαντική πραγματικότητα. Όσο οι υπολογιστικές μεθόδους γίνονται πιο εξελιγμένες, η εμπιστοσύνη στις προβλέψεις τους εξαρτάται από την εμπιστοσύνη στην βιολογική απόδειξη που τις υποστηρίζει. Εάν καλύτερο AI απαιτεί καλύτερη επικύρωση, και καλύτερη επικύρωση απαιτεί καλύτερα ανθρώπινα δεδομένα, τότε καλύτερο AI πρέπει να απαιτεί καλύτερα ανθρώπινα δεδομένα που βρίσκονται στην πηγή κάθε μοντέλου.

Η Επόμενη Δεκαετία Θα Οριστεί Από την Ποιότητα Δεδομένων

Η φαρμακευτική βιομηχανία έχει ζήσει πολλές τεχνολογικές επαναστάσεις από την υψηλής απόδοσης οθόνη έως την επόμενη γενιά sequencing. Κάθε μια επέκτεινε τον όγκο των διαθέσιμων δεδομένων, αλλά η εφαρμογή του AI σε αυτό το πεδίο αντιπροσωπεύει κάτι διαφορετικό.

Η επιτυχία του εξαρτάται όχι μόνο από την παραγωγή περισσότερων δεδομένων, αλλά και από την παραγωγή δεδομένων που αντιπροσωπεύουν πιο πιστά την ανθρώπινη βιολογία. Όσο τα μοντέλα θεμελίου γίνονται ολοένα και πιο προσιτά, τα<algorithmic πλεονεκτήματα μόνο μπορεί να γίνουν λιγότερο ανθεκτικά. Η πρόσβαση σε διαφοροποιημένα, υψηλής ποιότητας ανθρώπινα βιολογικά δεδομένα μπορεί να αναδυθεί ως ένας από τους οριζόντων ανταγωνιστικούς πλεονεκτήματα σε ολόκληρο το φαρμακευτικό οικοσύστημα. Αυτό είναι ιδιαίτερα αλήθεια εάν ο τελικός στόχος της βιομηχανίας είναι η βελτίωση των κλινικών επιτυχιών και όχι απλώς η επιτάχυνση της ανακάλυψης.

Η είσοδος της Anthropic στην ανάπτυξη φαρμάκων αντικατοπτρίζει την αξιοσημείωτη πρόοδο που έχει κάνει το AI τα τελευταία χρόνια. Επίσης, υπογραμμίζει το επόμενο ερώτημα που πρέπει να απαντήσει η βιομηχανία. Εάν το AI έχει πραγματικά το δυναμικό να μεταμορφώσει την ιατρική, ποια βιολογική βάση θα στηρίξουν αυτά τα μοντέλα;

Το μέλλον της ανακάλυψης φαρμάκων με τη βοήθεια του AI θα εξαρτηθεί αναμφισβήτητα από καλύτερα αλγόριθμους. Αλλά μπορεί να εξαρτηθεί ακόμη περισσότερο από την κατασκευή της ανθρώπινης υποδομής δεδομένων ικανής να διδάξει στα αλγόριθμους τι είναι πραγματικά η ανθρώπινη βιολογία.