הגברת היעילות והחדשנות בתעשיית התרופות בעזרת בינה מלאכותית
למד כיצד בינה מלאכותית צפויה לחולל שינוי בתהליכי גילוי ופיתוח תרופות, כולל סיוע בהפחתת עלויות הפיתוח והבאת טיפולים מצילי חיים אל המטופלים במהירות רבה יותר.
האצת גילוי ופיתוח תרופות בעזרת בינה מלאכותית
למד על היתרונות והאתגרים שבהטמעת פתרונות בינה מלאכותית לאורך שרשרת הערכים של תעשיית התרופות.
מסקנות עיקריות
- תעשיית התרופות עוברת טרנספורמציה משמעותית שמתאפשרת הודות לבינה מלאכותית.
- כדי לתמוך טוב יותר באנשי מקצוע בתחום הבריאות ובמטופלים שלהם, על חברות התרופות להאיץ את תהליכי גילוי ופיתוח התרופות, תוך שליטה בעלויות ההולכות וגדלות.
- בינה מלאכותית יכולה לסייע בשלבים מרכזיים בתהליך גילוי התרופות, כולל זיהוי חלבונים הקשורים למחלות וניתוח תרכובות שעשויות להשפיע עליהם בצורה היעילה ביותר.
- הבינה המלאכותית גם מייעלת את תהליך פיתוח התרופות באמצעות ניתוח כמויות עצומות של נתונים, זיהוי תבניות וחיזוי תוצאות.
- חברות תרופות המאמצות בינה מלאכותית צריכות להתגבר על אתגרים כגון שמירה על איכות הנתונים ואיתור עובדים בעלי השילוב הנכון של מיומנויות טכניות ומדעיות. למד כיצד סוכני בינה מלאכותית מחוללים שינוי בתפעול העסקי.
- בעתיד, תעשיית התרופות צפויה לראות שיתופי פעולה רבים יותר בין חברות תרופות לחברות טכנולוגיה והשקעות גדלות בסטארטאפים בתחום ה- Medtech והבינה המלאכותית.
העלויות העולות של תרופות חדשות
האופן שבו אנשי מקצוע בתחום שרותי הבריאות מטפלים במטופלים משתנה במהירות. הם משתמשים יותר ויותר במידע מותאם אישית על מטופלים כדי להנחות החלטות רפואיות. גישה זו, הידועה בשם רפואה מותאמת אישית, הופכת לנפוצה יותר ככל שהחוקרים מתמודדים עם בעיות בריאות מורכבות וחברות התרופות שואפות לקצר את הזמן והעלות הכרוכים בפיתוח תרופות מצילות חיים.
כיום, השקת תרופה חדשה בשוק כרוכה בתהליך ארוך ויקר מאין כמותו עבור חברות פארמה. על פי נתונים עדכניים של Taconic Biosciences פיתוח תרופה אחת לוקח כ- USD$2.6 ולמעלה מ- 10 שנים. וגם לאחר הפיתוח, 88% מהמועמדות לתרופות חדשות נכשלות בקבלת אישור מה- FDA.
החדשות הטובות הן שלבינה מלאכותית יש פוטנציאל עצום להאיץ את תהליך גילוי ופיתוח התרופות.
כיום, השקת תרופה חדשה בשוק כרוכה בתהליך ארוך ויקר מאין כמותו עבור חברות פארמה. על פי נתונים עדכניים של Taconic Biosciences פיתוח תרופה אחת לוקח כ- USD$2.6 ולמעלה מ- 10 שנים. וגם לאחר הפיתוח, 88% מהמועמדות לתרופות חדשות נכשלות בקבלת אישור מה- FDA.
החדשות הטובות הן שלבינה מלאכותית יש פוטנציאל עצום להאיץ את תהליך גילוי ופיתוח התרופות.
כיצד בינה מלאכותית מייעלת את תהליך גילוי התרופות
השלב הראשון ביצירה של רוב התרופות הוא סינתזה של תרכובת כימית חדשה שיכולה להיקשר אל מולקולת יעד—לרוב חלבון—הקשורה למחלה, ולמתן אותה. כדי לגלות את התרכובת הנכונה, החוקרים בוחנים אלפי מועמדים פוטנציאליים. לאחר זיהוי היעד, החוקרים מבצעים סינון בספריות עצומות של תרכובות דומות כדי לאתר את האינטראקציה האופטימלית עם החלבון של המחלה.
כיום, כדי להגיע לנקודה זו נדרשים כעשור וכמאות מיליוני דולרים. אבל הטכנולוגיה הרפואית שמשתמשת בבינה מלאכותית ולמידת מכונה (ML) יכולה לייעל את התהליך, ולקצר את הזמן והעלות שנדרשים לחברות התרופות לשחרר תרופות חדשות. הטכנולוגיות האלו יכולות, למשל:
כיום, כדי להגיע לנקודה זו נדרשים כעשור וכמאות מיליוני דולרים. אבל הטכנולוגיה הרפואית שמשתמשת בבינה מלאכותית ולמידת מכונה (ML) יכולה לייעל את התהליך, ולקצר את הזמן והעלות שנדרשים לחברות התרופות לשחרר תרופות חדשות. הטכנולוגיות האלו יכולות, למשל:
סריקת ספריות של מולקולות
סריקות הספריות למולקולות מועמדות הן כה עצומות שאין סיכוי שחוקרים אנושים יוכלו לעיין בכולן בעצמם. בינה מלאכותית, לעומת זאת, יכולה לזהות במהירות תרכובות יעד פוטנציאליות בערכות נתונים עצומות, ולחסוך לחוקרים מאות שעות במעבדה.
ניבוי של מאפייני תרכובות
תהליך גילוי התרופות המסורתי כולל ניסוי וטעייה שצורכים זמן. פתרונות של טכנולוגיה רפואית בשילוב עם AI ו- ML יכולים לעזור בהאצת התהליך על ידי ניבוי המאפיינים של התרכובות הפוטנציאליות, כדי לוודא שרק אלה עם ההרכב הרצוי ייבחרו לסינתזה. כך החוקרים לא צריכים לעבוד על תרכובות שהיעילות שלהן מוטלת בספק.
המצאת תרכובות חדשות
כשהסינון מפיק כמה תוצאות מבטיחות, AI יכול אפילו להגות רעיונות לתרכובות חדשות לגמרי שמתאימות לפרמטרים הרצויים, שיש להן סיכויים גבוהים יותר להצלחה.
כיצד בינה מלאכותית מסייעת לחוקרים
שקול כיצד חוקרים יכולים להשתמש בפתרונות בינה מלאכותית כדי לתמוך בשלבים מרכזיים בתהליך גילוי התרופות.
החוקרים מבצעים את השלבים הבאים:
שלב 1: לאתר יעד שניתן להשפיע עליו תרופתית.
שלב 2: לבצע ניסויים כדי לאשר שהמטרה מעורבת בהתקדמות המחלה.
שלב 3: לזהות או ליצור תרכובת שמתקשרת עם המטרה.
שלב 4: למטב את התרכובת שנבחרה מבחינת יעילות ובטיחות.
שלב 2: לבצע ניסויים כדי לאשר שהמטרה מעורבת בהתקדמות המחלה.
שלב 3: לזהות או ליצור תרכובת שמתקשרת עם המטרה.
שלב 4: למטב את התרכובת שנבחרה מבחינת יעילות ובטיחות.
בעזרת בינה מלאכותית, הם יכולים:
שלב 1: מוצאים יעדים פוטנציאליים נוספים.
שלב 2: מגבירים את שיעור ההצלחה של ניסויים.
שלב 3: פוסלים תרכובות שסביר שלא ייצרו אינטראקציה.
שלב 4: מאיצים את התהליך בעזרת ניתוח חכם.
שלב 2: מגבירים את שיעור ההצלחה של ניסויים.
שלב 3: פוסלים תרכובות שסביר שלא ייצרו אינטראקציה.
שלב 4: מאיצים את התהליך בעזרת ניתוח חכם.
כיצד נעשה שימוש בבינה מלאכותית בניסויים קליניים
על פי נתוני Taconic Biosciences, רק 12% מהמועמדות לתרופות שמגיעות לשלב הניסויים הקליניים זוכות לאישור רגולטורי. ניסויים קליניים - השלב הארוך והיקר ביותר בתהליך יצירת התרופות - כרוכים בשלבים מרובים של בדיקות שמבצעים בבני אדם וכל שלב כולל מאות או אלפי משתתפים.
התהליך המסורתי הליניארי של ניסויים קליניים אקראיים מבוקרים (RCTs) לא השתנה במשך עשרות שנים. הוא חסר את הגמישות, המהירות והיכולות האנליטיות הנחוצות כדי שמודל הרפואה המותאמת אישית ישגשג. חברות מתקשות לאתר משתתפים מתאימים, לא כל שכן לגייס, לשמר ולנהל אותם בצורה יעילה. חוסר היעילות הזה בתהליך תורם במידה רבה לעלויות הגבוהות של גילוי ופיתוח תרופות ולשיעורי האישור הנמוכים. הוא גם מעכב חדשנות.
חברות תרופות יכולות להשתמש במודלים תחזיתיים של בינה מלאכותית לאורך שלב הניסויים הקליניים בפיתוח תרופה – מהעיצוב ועד ניתוח הנתונים – כדי:
התהליך המסורתי הליניארי של ניסויים קליניים אקראיים מבוקרים (RCTs) לא השתנה במשך עשרות שנים. הוא חסר את הגמישות, המהירות והיכולות האנליטיות הנחוצות כדי שמודל הרפואה המותאמת אישית ישגשג. חברות מתקשות לאתר משתתפים מתאימים, לא כל שכן לגייס, לשמר ולנהל אותם בצורה יעילה. חוסר היעילות הזה בתהליך תורם במידה רבה לעלויות הגבוהות של גילוי ופיתוח תרופות ולשיעורי האישור הנמוכים. הוא גם מעכב חדשנות.
חברות תרופות יכולות להשתמש במודלים תחזיתיים של בינה מלאכותית לאורך שלב הניסויים הקליניים בפיתוח תרופה – מהעיצוב ועד ניתוח הנתונים – כדי:
- לזהות מטופלים מתאימים על-ידי כריית התוכן הזמין לציבור.
- להעריך ביצועים באתר הניסוי בזמן אמת.
- לבצע שיתוף נתונים אוטומטי בפלטפורמות שונות.
- לספק נתונים לדוחות הסופיים.
חסמים לאימוץ בינה מלאכותית בתעשיית התרופות
על אף שהשימוש בבינה מלאכותית הולך ומתרחב בתהליכי גילוי ופיתוח תרופות, עדיין קיימים חסמים לאימוצה. הנה כמה אתגרים שחברות נתקלות בהם בדרך כלל:
איכות הנתונים
אתגר נפוץ בענפים רבים הוא שנתונים באיכות ירודה עלולים לצמצם במהירות את התועלת שבבינה מלאכותית ולמידת מכונה. עבור חוקרי תרופות, נתונים באיכות ירודה הופכים את הטכנולוגיה הרפואית לבלתי מהימנה ובסופו של דבר לבלתי מדויקים, בלתי מועילים ואינם חוסכים זמן לעומת שיטות מסורתיות.
חששות
ישנה תפיסה שגויה בקרב מרבית התעשיות שהטכנולוגיה תחליף בסופו של דבר את האנשים העובדים באופן מלא. תעשיית התרופות אינה יוצאת דופן. ועל אף שנכון שבינה מלאכותית יכולה לנתח מאגרי נתונים גדולים מהר יותר מבני אדם, היא אינה תחליף לחוקרים ואנשי מקצוע רפואיים מיומנים.
מחסור במיומנויות
יישום טכנולוגיה רפואית בתהליך גילוי התרופות מחייב מערך נישתי של מיומנויות. כדי לשמור על ניקיון הנתונים ועל יעילות הבינה המלאכותית, חברות צריכות עובדים שלא רק שולטים בטכנולוגיה, אלא גם מבינים את ההיבטים המדעיים של התהליך, כגון עיצוב תרופות, ביולוגיה וכימיה. מדובר במשימה תובענית שלחברות קשה לעמוד בה.
העתיד של הבינה המלאכותית בתחום הפארמה
בעזרת בינה מלאכותית, חוקרים יכולים לחדש יותר, רופאים יכולים לענות טוב יותר על הדרישות של רפואה מותאמת אישית, וחברות תרופות יכולות להביא תרופות משנה-חיים לשוק מהר יותר.
מגמות נוכחיות מצביעות על כך שהטרנספורמציה שמובילה הבינה המלאכותית בתעשיית התרופות כיום תימשך גם בעתיד. למשל, מדי שנה עולה מספר שיתופי הפעולה בין חברות תרופות לחברות טכנולוגיה, וכן גוברות ההשקעות בסטארטאפים בתחום ה- Medtech והבינה המלאכותית.
גם חברות תרופות גדולות משתפות יותר ויותר נתונים. The Machine Learning Ledger Orchestration for Drug Discovery, או בקצרה MELLODDY, הוא קונסורציום שמקל את שיתוף הנתונים בין עשרות החברות שבו. MELLODDY משתמש במערכת מבוססת בלוקצ'יין שמאפשרת לחברות לשתף נתונים קנייניים במקביל להשגת מהימנות. חוקרים יכולים להשתמש בנתונים קיימים כדי להניע את תהליך גילוי התרופות ולקצר שנות פיתוח.
מגמות נוכחיות מצביעות על כך שהטרנספורמציה שמובילה הבינה המלאכותית בתעשיית התרופות כיום תימשך גם בעתיד. למשל, מדי שנה עולה מספר שיתופי הפעולה בין חברות תרופות לחברות טכנולוגיה, וכן גוברות ההשקעות בסטארטאפים בתחום ה- Medtech והבינה המלאכותית.
גם חברות תרופות גדולות משתפות יותר ויותר נתונים. The Machine Learning Ledger Orchestration for Drug Discovery, או בקצרה MELLODDY, הוא קונסורציום שמקל את שיתוף הנתונים בין עשרות החברות שבו. MELLODDY משתמש במערכת מבוססת בלוקצ'יין שמאפשרת לחברות לשתף נתונים קנייניים במקביל להשגת מהימנות. חוקרים יכולים להשתמש בנתונים קיימים כדי להניע את תהליך גילוי התרופות ולקצר שנות פיתוח.
משאבים
גלה פתרונות לענפי התעשייה של Microsoft
חדש את תחום המחקר והפיתוח (R&D) שלך וספק מוצרים חדשים מהר יותר בעזרת פתרונות בינה מלאכותית הפועלים ב- Microsoft Cloud.