Как AI може да прекодира трудния процес на откриване на наркотици
Откриването на нови медикаменти е скъпо предложение. От 2012 година до 2022 година, адаптирайки се към инфлацията, разноските за фармацевтични проучвания и разработки се усилват с съвсем половината до почти 250 милиарда Долара, съгласно Bernstein Research. И въпреки всичко броят на новите утвърждения на опиати остана необятно еднакъв. Изкуственият разсъдък може да помогне.
Раждане Ново лекуване е изпълнено с провокации. Разглеждайки бактериална пневмония, добита от болница, при 1000 изпитване на фаза 3 фаза 3, просто се срами от 90 000 $ на пациент, сочат проучвания на Tufts и Duke Universities. Недостатъчните морски свинчета са различен проблем; В едно изследване повече от две трети от тестванията в Обединеното кралство не съумяха да запишат задоволително претенденти.
Джак Скенел и сътрудниците си, пишейки преди десетилетие, наречени този закон на Ерум. Това е противоположната версия на закона на Мур, която предвижда, че броят на транзисторите, които могат да бъдат притиснати към микрочип, се удвоява на всеки две години. Броят на новите медикаменти на 1 милиарда Долара, изразходвани за научноизследователска и развойна активност, понижава на половина на всеки девет години от 1950 година . Изпитанията от фаза 1 до пускане към момента лишават приблизително десетилетие, пресмята Маккинси и даже тогава единствено един на 10 сполучливи.
Договорни проучвателен организации, които подхващат тези тествания за лекарствените компании и други сходни, се намесват на AI, с цел да оказват помощ за възстановяване на тези коефициенти. IQVIA, най -голямата с пазарна стойност от 32 милиарда Долара, разполага с NVIDIA Agentic AI системи в няколко процеса. В един случай той счита, че това понижава прегледа на данните от седем седмици до единствено две седмици. Medidata, благосъстоятелност на Dassault Systèmes, и Flatiron, благосъстоятелност на Roche, и двата лицензионен програмен продукт за организации, които организират проучвания.
Големите производители на медикаменти също вземат участие в акта. Genentech, част от Roche на Швейцария, назовава тактиката си за хранене на данни, получени от опити в AI модели „ Лаборатория в цикъл “. Моделите създават прогнози и лекуване на заболявания, след това тествани от човешки учени.
Тъй като AI наподобява като натурален спалт за изпитвания, очаквайте повече да следват. Фармацевтичните групи имат големи количества данни и доста груби работа вземат участие в другите процеси, от работния развой до аналитиката. Технологията може да се преодолее за част от времето. Междувременно генеративният AI може да сътвори синтетични набори от данни за симулации.
Няколко предизвестия се прикрепят. Един от залепващите точки е, че регулациите и етиката, обхващащи полето, към момента не са настигнали теоретично допустимо. Другото е, че фирмите за клинични проучвания не се показват добре, заради възходящите разноски за осъществяване на клинични изпитвания и комодитиране на някои технологии. Те ще се надяват AI да усъвършенства освен тестванията, само че и техните маржове.
Сънят би бил да се изкорени - или даже да се обърне - законът на Ерум. Засега към момента е фантазия. Но в случай че някоя промишленост е привикнала с опити и неточности, това е тази.
