한 눈에 보는 신약 개발의 AI

인공 지능(AI)의 지속적인 증가는 다양한 산업에 상당한 영향을 미치고 있으며 제약 및 생명 공학 분야도 예외는 아닙니다. 크고 작은 제약 조직이 점점 더 AI 약물 발견 플랫폼을 채택하여 연구 개발 프로세스를 간소화하고 발견 일정과 비용을 줄이며 전반적인 효율성을 향상시키는 것은 놀라운 일이 아닙니다.

J&J, GSK, AstraZeneca, Novartis, Pfizer, Sanofi, Eli Lilly와 같은 주요 제약 회사는 신약 개발을 위해 AI에 상당한 투자를 했습니다. 이러한 투자에는 지분 투자, AI 중심 기업과의 인수 또는 파트너십, 내부 역량 개발 또는 이러한 전략의 조합이 포함됩니다.

동시에 AI 중심 조직으로 설립된 신약 개발 및 생명 공학 회사가 처음부터 급증하고 있습니다. 주로 지난 XNUMX년 이내에 설립된 이 회사들은 이미 전문화된 AI 기반 약물 발견 플랫폼을 구축하고 테스트했습니다. 이러한 플랫폼은 종종 수많은 기계 학습 모델을 통합하며 신속하고 비용 효율적인 표적 발견 및 약물 설계 기능 측면에서 상당한 이점을 제공하기 시작했습니다. 그 결과 전임상 및 임상 약물 후보를 빠른 속도로 생산하고 있습니다. 다음 섹션에서는 소분자, 생물학적 제제 및 기타 양식을 포함하여 이미 임상 시험에 진입했거나 임상 시험을 앞두고 있는 AI 개발 약물 후보군을 살펴보겠습니다.

또한 특정 AI 회사는 불과 XNUMX년 전에는 상상할 수 없었던 규모의 복잡한 다중 모드 데이터를 사용하여 생물학을 모델링하는 데 큰 진전을 이루었습니다. 또 다른 회사 그룹은 임상 시험 또는 약물 감시와 같은 실제 데이터 분석에서 운영 효율성과 실험 설계를 향상시키기 위해 AI 기반 플랫폼을 개발했습니다.

알파벳, 마이크로소프트, 아마존, IBM, 텐센트와 같은 주요 기술 기업은 AI 및 빅데이터 기술에 대한 전문 지식을 보유하고 있으며 신약 개발 분야에도 진출하고 있습니다. 그들의 참여에는 투자, 신생 기업 설립, 생명 과학 회사와의 파트너십, 실험 및 혁신이 포함됩니다.

마지막으로 양자 컴퓨팅, Cryo-EM 및 DNA 인코딩 라이브러리와 같은 다른 고급 기술에서 상당한 진전이 이루어졌습니다. 이러한 기술은 AI 트렌드와 융합되어 새로운 유형의 도구, 제품 및 서비스뿐만 아니라 혁신적인 스타트업과 새로운 비즈니스 모델의 물결을 일으키고 있습니다.

AI란 무엇이며 신약 개발에 어떻게 적용됩니까?

인공 지능은 비교적 오래된 개념으로 1956년 유명한 Dartmouth College 회의에서 공식화되었습니다. 신약 개발의 AI 기술은 초기 기계 학습(ML), 화학 정보학 및 생물 정보학 개념과 접근 방식에서 진화했습니다. 예를 들어 기계 학습을 정량적 구조-활성 관계(QSAR) 모델 및 독성 예측을 위한 전문가 시스템 개발에 적용한 것은 오랜 역사를 가지고 있습니다. 

그러나 빅 데이터, 고급 분석, 계산 비용 최소화, GPU 가속, 클라우드 컴퓨팅, 알고리즘 개발(예: 심층 신경망 및 대규모 언어 모델)의 급속한(일부 경우 "기하급수적") 출현, AI 기술의 '민주화' — 모두 특히 제약 및 생명 공학 산업에서 인공 지능을 상업화하고 산업화하는 데 시너지 효과를 내는 "붐"을 일으켰습니다. 

이 백서에서 우리는 "빅 데이터", 구조화 및 비구조화 데이터, 또한 다중 모드 데이터로부터 통찰력을 자동으로 학습하고 실용적인 제안을 도출할 수 있는 정교한 컴퓨팅 및 모델링 시스템을 지칭하기 위해 "인공 지능"이라는 총칭을 사용합니다.

우리가 "인공 지능"이라고 부르는 특정 알고리즘 제품군에는 제한이 없지만 대부분의 경우 기계 학습 기반 시스템(주로 심층 신경망) 및 대규모 자연어 처리(NLP)의 다양한 특징을 의미합니다. 모델. 최신 AI 시스템은 명시적으로 지시하지 않고도 학습할 수 있으며("if-then" 논리 내의 기존 화학 정보학 소프트웨어와 달리) 새로운 학습 주기 후, 그리고 더 많은 데이터가 시스템에 공급될 때 정확도를 향상시킬 수 있으며, 가장 두드러지는 것은 엄청난 크기의 고차원 다중 모드 데이터를 처리합니다. 이러한 모든 속성은 최신 인공 지능 시스템을 레거시 화학 정보학 및 생물 정보학 소프트웨어 패키지와 크게 차별화하는 요소입니다. 이러한 능력은 AI에 대한 지속적인 흥분(및 과대 광고)을 주도하는 중심에 있습니다.  

우리가 "인공 지능"이라고 부르는 것의 일부 구성 요소(예: 기계 학습 도구 및 언어 모델)는 거의 모든 제약 조직 및 학술 연구실에서 사용되는 반면 일부 회사는 정교한 컴퓨팅 및 모델링 파이프라인을 구축하고 "AI 플랫폼"을 연구했습니다. 여기에는 수십, 수백 가지의 다양한 모델과 시스템(딥 러닝, 언어 모델), 수백 가지의 다양한 공개 및 독점 데이터 소스에 걸친 자동화된 워크플로우가 포함됩니다. 

일부 AI 플랫폼의 고도의 정교함과 자동화는 상업적 이름을 상표로 등록할 정도로 "상품화"되었습니다. 동시에 그들 중 일부는 다른 회사에 SaaS(Software-as-a-Service)로 제공됩니다. 그 예로는 Moderna의 mRNA DESIGN STUDIO™, Exscientia의 Centaur Chemist®, AI Therapeutics의 Guardian Angel™, Verge Genomics의 ConVERGE™, C3X Discovery의 Taxonomy4® 등이 있습니다. 

아래는 Insilico Medicine의 Pharma.AI의 예입니다. 이 시스템은 수백 개의 서로 다른 하위 시스템과 기계 학습 모델로 구성된 엔드 투 엔드 약물 발견을 위한 모듈식 시스템입니다. "앙상블 학습"의). 

Pharma.AI end-to-end 플랫폼의 체계. 이미지 크레디트: https://insilico.com

인공 지능은 데이터 마이닝, 생물학 모델링, 표적 발견에서 리드 식별, 전임상 및 임상 연구에 이르기까지 제약 연구의 거의 모든 측면에서 널리 사용됩니다. 또한 합성 계획, 시약 및 연구 소모품에 대한 지능형 검색, 스마트 실험실 노트북 및 가상 비서와 같은 보조 작업에도 사용됩니다. 

출처: https://www.biopharmatrend.com/m/companies/ai/ 

AI 채택자의 생명 과학 생태계에는 다음과 같은 주요 참여자 범주가 포함됩니다. 

AI 신약 개발 투자 환경

2021년 이후, 벤처 캐피탈 거래 금액, 기록적인 기업 공개 수, 풍부한 성공적인 출구, 주식 시장의 일반적으로 매우 긍정적인 환경 측면에서 생명 공학 산업의 비정상적으로 성공적인 해인 2022년이 입증되었습니다. 금융 활동의 상당한 냉각과 주식 시장의 노골적인 저조한 성과. 

그러나 신약 개발 부문의 인공 지능은 적어도 사모펀드 거래 환경에서 몇몇 회사가 벤처 캐피탈에서 수억 달러를 모금하면서 확실한 탄력성을 보여주었습니다. 몇 가지 예로 베이징 기반 MegaRobo Technologies(시리즈 C 300억 달러), 매사추세츠 기반 ConcertAI(시리즈 C 150억 83천만 달러) 및 Celsius Therapeutics(시리즈 A 95만 달러), 홍콩 기반 Insilico Medicine(시리즈 D 75만 달러), 캘리포니아- 기반 BigHat Biosciences(시리즈 B 73만 달러) 및 DeepCell(시리즈 B XNUMX만 달러) 및 기타 여러 — 읽기 "2022년 신약 개발 및 생명 공학 분야의 AI 기업을 위한 주요 VC 라운드".      

인수합병(M&A) 환경은 최근 생명공학 거대 기업과 관련된 주목할만한 거래로 특징지어졌습니다. 징코바이오웍스, 자이머젠 인수 Zymergen의 가치를 300억 달러로 평가하는 거래에서. 이번 인수로 Zymergen의 기계 학습 및 데이터 과학 기능과 Ginkgo의 합성 생물학 플랫폼이 결합됩니다. 

주요 산업 관찰 및 동향

AI 및 데이터 기술의 출현은 물론 새로운 계산 도구 및 인프라 솔루션(데이터베이스, 클라우드 서비스 등)은 모두 제약 산업이 연구, 임상 및 비즈니스 수준에서 운영되는 방식을 재정의하고 있습니다. 아래에서 2022년 신약 개발 공간 및 예시적인 산업 발전에 대한 AI의 일부 추세와 관찰을 검토해 보겠습니다.

AI 지원 생물학 모델링 및 표적 발견

약물 발견 연구에서 새로운 약물 표적을 식별하는 것은 잠재적인 "블록버스터"인 새로운 최초의 치료 약물을 개발하는 데 중요합니다. 지난 수십 년 동안의 약물 발견 노력은 전통적으로 리간드 분자(종종 작은 분자)의 영향을 받기에 적합한 "주머니"가 있는 특정 단백질을 표적으로 하는 데 집중되었습니다. 그러나 모든 인간 단백질("프로테옴"이라고도 함) 전체 중에서 소수의 단백질이 표적으로 탐색되었습니다. 현재 20,360개의 인간 단백질 Swiss-Prot에서는 약 4,600개가 OMIM 데이터베이스에 따라 질병 메커니즘에 관여하는 것으로 알려져 있으며, 질병에서 역할을 하는 인간 단백질의 약 22%를 나타냅니다. 이러한 단백질은 실행 가능한 약물 표적을 포함할 가능성이 있는 인간 프로테옴의 명백한 영역입니다. 하지만, 2017 현재, 약 890개의 인간 및 병원체 유래 생체 분자(대부분 단백질)만이 기존 FDA 승인 약물에 의해 실제로 활용되었습니다. 이 생체 분자에는 인간 질병에 대한 약물의 표적이 되는 667개의 인간 게놈 유래 단백질이 포함되어 있습니다. 오늘날 상황은 크게 다르지 않으므로 이 풀에서 새로운 대상을 식별할 여지가 여전히 많이 있습니다. 인공 지능 기술을 기반으로 하는 새로운 전산 접근 방식을 통해 대규모로 약물을 투여할 수 있는 새로운 단백질 포켓을 식별할 수 있으며 때로는 프로테옴 전체 가상 화면을 허용할 수 있습니다. 

그러나 훨씬 더 흥미로운 것은 고급 모델링 도구가 단백질-단백질 상호 작용, 넓은 접촉 영역이 있는 표적, 단백질-핵산 상호 작용 및 세포의 단백질 이용과 같은 차세대 표적과 같은 새로운 유형의 표적을 식별하고 조절하는 데 도움이 된다는 것입니다. 분해 기계. 

관련 : mRNA 생물학을 표적으로 하는 AI를 통한 터보차징 표현형 스크리닝: AnimaBiotech의 공동 설립자 Yochi Slonim과의 인터뷰

많은 AI 기반 회사는 생물학 모델링, 새로운 대상 발견 및 검증, "서비스로서의 질병 모델" 또는 "서비스로서의 대상 발견"을 다른 조직에 제공하는 데 주력하고 있습니다. 이러한 종류의 계약 연구 서비스에 대한 수요가 증가하고 있으며 이는 표적 발견 파트너십의 증가에 반영됩니다. 

예를 들어 2022년 110월 이스라엘에 기반을 둔 생물학 모델링 회사인 CytoReason은 Pfizer와 2019억 XNUMX천만 달러 규모의 협력을 확대한다고 발표했습니다. 두 회사는 XNUMX년 화이자(Pfizer)가 면역 매개 질환 및 암 면역 요법을 위한 신약 개발을 목표로 하는 연구에서 CytoReason의 생물학적 모델을 사용하기 시작하면서 협력을 시작했습니다. 

2022년 2019월 AstraZeneca는 AI 기반 약물 발견의 영국 기반 리더인 BenevolentAI와의 협력을 통해 두 번째 폐 섬유증 표적을 수집했다고 발표했습니다. 이 이정표는 2022년 협업이 시작된 이후 AstraZeneca를 위해 BenevolentAI가 발견한 세 번째 새로운 표적이 되었습니다. 불과 몇 달 후인 XNUMX년 XNUMX월, BenevolentAI는 AstraZeneca의 R&D 포트폴리오를 위해 만성 신장 질환과 특발성 폐 섬유증. 

2022년 1.2월 홍콩에 본사를 둔 Insilico Medicine은 Insilico Medicine의 "Pharma.AI" 플랫폼을 활용하여 최대 XNUMX개의 새로운 표적을 발견하기 위해 Sanofi와 잠재적으로 XNUMX억 달러 규모의 계약을 체결했습니다. 

심층 신경망과 같은 최첨단 알고리즘은 생물학을 제대로 모델링하기 위해 많은 양의 데이터가 필요하지만 사용 가능한 데이터 양이 적은 대상이 있습니다. 캐나다에 기반을 둔 Cyclica는 "낮은 데이터" 대상과 함께 작업할 수 있는 다중 약리학 및 프로테옴 전체 스크리닝을 위한 AI 기반 플랫폼을 개발했습니다. 2022년 1.8월 Cyclica는 Bill & Melinda Gates Foundation으로부터 AI 지원 약물 발견 플랫폼을 적용하여 새로운 비호르몬 계약을 발견하고 여러 저데이터 생물학적 표적을 활용하도록 XNUMX만 달러의 보조금을 받았습니다. 

당 바이오파마트렌드 보고서, Insitro, Relay Therapeutics, Valo Health 등과 같은 최첨단 R&D 플랫폼을 갖춘 선도적인 자금 지원 기업을 포함하여 목표 발견 공간에 최소 182개의 다른 AI 기업이 있습니다. 

새로운 "AI 네이티브" 스타트업이 생물학 모델링 공간에서 지속적으로 등장하고 있습니다. 예를 들어 CardiaTec Biosciences, WhiteLab Genomics, Degron Therapeutics 등이 있습니다. 

관련 : 11년에 설립된 2021개의 AI 기반 신약 개발 스타트업

대체로 인공 지능을 기반으로 하는 고급 모델링 방법은 약물 반응을 유전적 변이에 연결하고, 계층화된 임상 효능 및 안전성을 이해하고, 동일한 치료 등급의 약물 간의 차이를 합리화하고 예측하기 때문에 생물학적 표적의 정의를 재정의하는 데 도움이 됩니다. 환자 하위 그룹의 약물 유용성. 

AI로 구조 생물학 크래킹

올해 생명 과학 커뮤니티에서 가장 많이 논의된 AI 관련 주제 중 하나는 알파벳의 영국 기반 자회사인 DeepMind의 최근 성공이었습니다. 단백질 폴딩 문제 해결에 성공, 반세기 된 생물학적 문제.

2022년 XNUMX월 DeepMind의 딥러닝 소프트웨어 AlphaFold 예측 및 공개 공유 200억 개가 넘는 단백질의 단백질 구조, 3D 아미노산 서열에서 1D 구조를 정확하게 예측하는 AI 시스템의 놀라운 능력을 입증했습니다. 어떤 사람들은 이 발견이 (아직은) 약물 발견에서 사람들이 생각하는 것처럼 변혁적인 역할을 하지 않을 수 있다고 주장하지만 AlphaFold는 박테리아 단백질-항균 화합물 상호 작용을 예측할 때 우연보다 훨씬 더 잘 수행하지 못했습니다., 이 발견은 확실히 구조 생물학과 기초 생물학 연구에서 AI의 잠재력을 보여주는 패러다임을 바꾸는 것입니다. 

2022년 600월, 프로테옴 모델링에서 DeepMind의 획기적인 성공은 Meta(이전의 Facebook, 캘리포니아 멘로 파크에 본사가 있음)의 연구원들과 경쟁했습니다. AI를 사용하여 아직 특성화되지 않은 박테리아, 바이러스 및 기타 미생물의 약 XNUMX억 개 단백질 구조를 예측했습니다. 

Meta의 과학자들은 완전히 다른 AI 접근 방식 — 단 몇 글자나 단어로 텍스트를 예측할 수 있는 AI 유형인 '대형 언어 모델'을 사용합니다. 자연어 모델(NLP)은 일반적으로 대량의 텍스트에 대해 훈련됩니다. 그러나 1D 단백질 서열은 본질적으로 문자의 문자열이므로 NLP는 인간 언어로 작업하는 것과 유사하게 이러한 문제에 적용될 수 있습니다. 

흥미롭게도, 단백질 폴딩의 이러한 주요 기술 도약은 다음에 더 유용한 것으로 판명될 수 있습니다. 드 노보 단백질 디자인, 약물 발견을 위해 기존 단백질의 구조를 단순히 모델링하는 것보다 어디에서 가장 큰 영향을 미칠지는 시간이 알려 주겠지만, DeepMind와 Meta의 위와 같은 성공만이 2022년 구조 생물학자들에게 흥미로운 발전이 아닙니다. 

최근 AI 기술과 결합된 cryo-EM의 급속한 발전은 생명 공학 스타트업의 새로운 물결 Gandeeva Therapeutics, Septerna 및 MOMA Therapeutics와 같은. cryo-EM 분야는 소규모 벤처 조직에서 TikTok 및 인터넷 기술 거대 기업인 ByteDance의 소유자에 이르기까지 Shuimu BioSciences에 투자하는 다양한 투자자의 관심을 끄는 생명 공학 신생 기업으로 가열되고 있습니다. 관심은 혁신적인 노벨상 수상 기술뿐만 아니라 프로세스에 AI를 적극적으로 채용함으로써 발생합니다. 최근 간행물 "세포 추출물의 구조 연구를 위한 AI 지원 cryo-EM 파이프라인" 여러 단백질 커뮤니티 구성원의 구조를 새로운 방식으로 신속하고 동시에 조사하기 위한 AI 기반 원자 모델 예측을 포함하여 복잡한 cryo-EM 파이프라인에서 AI의 대체할 수 없는 역할을 강조했습니다. 기계 학습은 cryo-EM 파이프라인의 속도를 높이고 최적화할 뿐만 아니라 사용자 편향 함정을 방지하는 데에도 도움이 됩니다. 

2021년에 설립된 Gandeeva Therapeutics는 단백질-약물 상호작용의 정밀 이미징을 기반으로 하는 새로운 치료법을 개발하기 위해 올해 초에 40천만 달러를 모금했습니다. Cryo-EM 엔진과 함께 그들의 Target-Selection Engine은 회사가 말했듯이 "탐색의 막다른 골목에서 벗어나는 데 도움이 될 수 있습니다." 동시에 2020년에 출시된 cryo-EM 생명 공학 MOMA Therapeutics는 암에 대한 새로운 정밀 약물을 임상에 출시한다는 야심찬 목표를 가지고 단 236년 만에 무려 XNUMX억 XNUMX만 달러를 모금했습니다. MOMA는 "분자 기계"라는 고유한 종류의 생물학적 표적에 초점을 맞추고 있습니다. 

AI를 이용한 저분자 개발

질병 모델링 및 표적 발견 다음으로 화학적 또는 생물학적 분자 설계는 약물 발견에 인공 지능을 적용하는 두 번째로 많은 사용 사례입니다. BiopharmaTrend AI 보고서에 있는 130개 회사 중 384개 이상의 인공 지능 기반 회사가 다른 사용 사례 중에서 약물 후보 설계에 인공 지능을 적용합니다. 

AI 기반 약물 설계는 주로 de novo(예: 생성) 약물 설계, 기존 데이터베이스의 가상 스크리닝, 약물 용도 변경의 세 가지 주요 범주로 나뉩니다. 

De novo 약물 설계는 주로 GAN(Generative Adversarial Neural Networks)과 같은 딥 러닝 모델을 통해 가능합니다. 생성 AI 플랫폼의 예로는 Insilico Medicine의 Chemistry42 소프트웨어, Iktos의 Makya, Ro5의 De Novo Platform 등이 있습니다. 이 범주의 다른 플레이어로는 Recursion Pharmaceuticals, Deep Cure, Standigm 등이 있습니다. 

인공 지능 지원 초대형 가상 스크리닝을 적용하여 수십억 개의 분자를 선별하여 성공적인 히트를 찾습니다. 2022년 1.2월, Sanofi는 잠재적으로 최대 20억 달러에 달하는 의약품 디자인 계약에서 Atomwise와 파트너십을 맺었습니다. 사노피가 선불로 3만 달러를 지불하게 될 이 거래는 미국 회사의 AtomNet 플랫폼을 활용하여 사노피가 선택한 최대 XNUMX개의 약물 표적에 대한 소분자를 연구하는 데 중점을 둡니다. 컨볼루션 신경망 기반 AtomNet은 구조 기반 약물 설계에 탁월하여 "XNUMX조 개 이상의 합성 가능한 화합물이 포함된 Atomwise의 독점 라이브러리에 대한 신속한 AI 기반 검색"을 가능하게 합니다. 발표. 

2019년 초 Atomwise는 우크라이나에 기반을 둔 화학 리더인 Enamine과 협력하여 소아 종양학에 대한 적중률을 식별하는 것을 목표로 하는 "세계 최초이자 최대 규모인 10억 개의 화합물 가상 화면"을 수행했습니다. 

마지막으로, 많은 기업들이 AI 지원 약물 발견을 위해 용도 변경 전략을 사용하고 있습니다. Healx, BenevolentAI, BioXcel Therapeutics를 포함한 이 범주의 회사는 주로 자연어 처리(NLP) 모델과 기계 학습을 사용하고 있으며 연구 논문 및 특허, 전자 건강 기록(EHR)과 같은 방대한 양의 비정형 텍스트 데이터를 분석하여 운영합니다. 기타 데이터 유형 — "지식 그래프"를 구축하고 검색합니다. 이러한 AI 지원 검색 가능 온톨로지는 이전에 알려진 약물 후보 또는 승인된 약물에 대한 새로운 적응증 또는 환자 모집단을 선택할 수 있도록 합니다.  

예를 들어, 미국에 기반을 둔 임상 단계 생명 공학 회사인 Lantern Pharma는 고급 유전체학, 기계 학습 및 인공 지능을 사용하여 항암제 개발 프로세스를 혁신하는 데 집중했습니다. 

회사의 AI 플랫폼인 RADR®️는 현재 25억 개 이상의 데이터 포인트를 포함하고 있으며 빅 데이터 분석 및 머신 러닝을 사용하여 약물 반응과 관련된 생물학적으로 관련된 게놈 서명을 신속하게 발견한 다음 관련 암 환자 하위 그룹을 식별하여 Lantern의 약물 후보로부터 혜택을 얻습니다. . RADR ®️는 또한 Lantern과 그 협력자들이 신약을 개발 및 포지셔닝하고 약물 용도 변경을 위해 사용합니다. 

관련 : Lantern Pharma의 AI 기반 정밀 종양학 성공 사례 공개

AI와 DNA 인코딩 라이브러리의 만남

약물 설계에 대한 다소 독특한 접근 방식은 검색할 새로운 분자의 소스로 DNA 인코딩 라이브러리(DEL)를 사용하는 것입니다. DEL 기술은 본질적으로 시장에서 사용할 수 있는 가장 큰 화학 공간에 대한 액세스를 제공하므로 이 빅 데이터 기술은 AI 기반 도구에 적합합니다. 

주목할만한 거래 2020년, Daphne Koller가 설립한 신약 개발을 위한 기계 학습 응용 분야의 주목할만한 기업 중 하나인 Insitro가 Haystack Sciences를 인수했을 때 발생했습니다. Haystack의 기계 학습 기반 플랫폼은 광범위하고 다양한 저분자 컬렉션을 합성하는 기능, 반복적인 후속 조치를 수행하는 기능, nDexer™라는 독점적인 반정량적 스크리닝 기술을 포함하여 DEL 기술의 여러 요소를 결합했습니다. 고해상도 데이터 세트. 

ZebiAI는 2021년에 인공 지능 기반 약물 발견 플랫폼인 임상 단계 생명 공학 Relay Therapeutics의 또 다른 주목할만한 개발업체에 인수되었으며 Relay는 선불로 85만 달러를 지불했습니다. 이 인수를 통해 Relay는 ZebiAI의 기계 학습 기반 DEL 기술을 단백질 표적 플랫폼 Dynamo에 통합할 수 있었습니다.  

관련 : 신약 개발에서 DNA 인코딩 라이브러리 기술에 대한 시장 검토

2021년 XNUMX월 X-Chem은 데이터 엔지니어링 및 기능화, 예측 분석, 고성능 컴퓨팅, de-novo 약물 설계 기능을 포함하여 약물 발견 RosalindAI를 위한 모듈식 다면적 인공 지능 솔루션 개발자인 Glamorous AI를 인수했습니다.

작은 분자를 넘어선 AI 기반 약물 설계

약물 발견에 적용되는 현대의 인공 지능 도구가 지난 세기의 화학 정보학 및 초기 기계 학습 기반 QSAR 모델에 깊은 역사적 뿌리를 가지고 있다는 점을 고려할 때, 약물 발견 분야의 압도적 다수의 AI 스타트업이 소분자에 초점을 맞추고 있다는 것은 놀라운 일이 아닙니다. .  

제품 범주별 AI 신약 개발 회사 분포. 원천: BiopharmaTrend AI 보고서. 

그러나 생체분자 약물(일명 "생물의약품")과 새로운 화학 양식은 제약 분야에서 점점 더 풍부해지고 있으며, 이를 발견하기 위해 AI 기반 방법을 적용하는 새로운 생명공학 회사도 있습니다. 2003년 과학자들이 인간 게놈을 해독한 후 약물 가능성과 개발 가능성 공간이 빠르게 진화했습니다. 지난 세기에 Lipinski의 5법칙(RoXNUMX)은 "전통적인" 약물화 대상 공간에서 경구 전달을 위한 약물 유사 분자 설계를 위한 "안내등" 역할을 했습니다.

반면, 단백질-단백질 상호작용, 접촉 면적이 큰 표적, 단백질-핵산 상호작용과 같은 새로운 유형의 표적, 세포의 단백질 분해 기계를 이용하는 것과 같은 차세대 표적은 다양한 신흥 표적의 출현을 주도하고 있습니다. 분자 양식, 즉 Ro5(bRo5) 저분자(예: 단백질-단백질 상호작용 조절제, 단백질 표적 키메라(PROTAC), 단클론 항체(mAb), 펩티드 및 펩티드 모방체, 핵산 기반 양식(RNA 및 DNA- 기반), 신약 개발의 핵심 초점이 되었습니다.  

관련 : 치료 양식의 "폭발": 소분자, 생물학적 제제 및 그 사이의 모든 것,

예를 들어, AI 방법을 적용하여 지금까지 가장 상업적으로 성공한 생물학적 제제인 새로운 단클론 항체를 발견하는 회사가 늘어나고 있습니다. 특히 2022년 XNUMX월 이스라엘에 본사를 둔 Biolojic Design은 최초로 컴퓨터로 설계된 항체를 발표했습니다. 임상시험에 들어갔다. 이 회사는 구조 기반 설계 전략을 활용합니다. AI 모델은 기존 인간 항체의 관심 대상에 대한 주형 항체를 식별하기 위해 수백만 개의 항체-항원 쌍에 대해 훈련되었습니다. 추가 기계 학습 모델을 사용하여 변이를 예측하고 템플릿의 최적화를 안내하여 속성을 개선합니다. 

2022년 2020월, 캐나다에 본사를 둔 AbCellera Biologics는 Regeneron이 공개되지 않은 G-단백질 결합 수용체(GPCR)를 표적으로 하는 AbCellera의 첫 번째 치료용 항체 후보를 추가 전임상 개발로 발전시킬 권리를 행사하기로 결정했다고 발표했습니다. XNUMX년 XNUMX월에 시작되어 Regeneron이 선택한 XNUMX개의 발견 프로그램을 허용하는 파트너십은 AbCellera의 AI 기반 항체 발견 엔진과 Regeneron의 VelocImmune® 마우스를 활용하여 새로운 치료 항체를 식별합니다. 

미국에 기반을 둔 AbSci, BigHat Biosciences, Totient, Nabla Bio 및 Generate Biomedicine을 포함하여 XNUMX개의 다른 항체 발견 회사가 AI를 사용하고 있습니다. 캐나다 소재 Deep Biologics; 중국 기반 NeoX; EU 기반 Deep CDR, Natural Antibody, MabSilico 등  

눈길을 끄는 이름을 가진 미국 기반 회사인 Creyon Bio는 새로운 올리고뉴클레오티드 기반 의약품(OBM)을 만들기 위해 공학적 접근 방식을 적용합니다. 이 회사는 2019년에 설립되어 40년 2022월에 2014천만 달러의 자금을 조달했습니다. 2022년 Cold Spring Harbor Laboratory의 분사로 설립된 Envisagenics는 뉴욕에 본사를 둔 RNA 치료제 개발에 주력하는 회사입니다. 명시된 사명에 따라 AI/ML 기술의 도움으로 생물의학 데이터의 복잡성을 줄이는 것을 목표로 합니다. 최근인 27.1년 XNUMX월에 그들은 국립 암 연구소로부터 보조금을 받아 총 XNUMX만 달러의 기금을 모금했습니다. 

Envisagenics의 AI 기반 기술인 SpliceCore는 RNA 시퀀싱 데이터에서 스플라이싱 발견을 통해 약물 표적과 바이오마커를 예측하기 위해 실험적으로 검증된 클라우드 기반 플랫폼입니다. 기존 방식보다 높은 정밀도와 속도를 보장한다는 게 회사 측 설명이다. 

새로운 치료 효소를 설계하기 위한 Innophore의 AI 기반 전략은 특허받은 Catalophore™ 기술을 최첨단 기존 생물 정보학 접근 방식 및 인공 지능과 결합하여 실현됩니다. Innophore는 물리화학적 특징의 포인트 클라우드로 정의되는 "catalophore"(즉, 촉매 기능의 캐리어)라고 하는 3차원(XNUMXD) 검색 템플릿을 사용하여 구조 및 시퀀스 데이터베이스를 마이닝할 수 있습니다. 이 기술로 확인된 새로운 효소는 사용된 대응물과 반드시 ​​공통 구조 또는 서열 기반을 공유하지는 않습니다. 따라서 잠재적으로 열 안정성, 견고성, 기질 스펙트럼, 선택성 및 특이성과 같은 변경된 단백질 특성을 특징으로 합니다. 

새로운 효소를 설계하는 것 외에도 Innophore의 기술은 바이러스의 잠재적으로 위험한 돌연변이를 보호하는 역학 응용 분야의 게임 체인저가 될 수 있습니다. Innophore는 2021년 AWS Diagnostic Development Initiative와 협력하여 virus.watch 프로젝트를 시작했습니다. 이 프로젝트의 목표는 신종 약물 및 질병 관련 코로나바이러스(SARS-CoV-2) 변종에 대한 모니터링 및 평가 시스템을 구현하는 것이었습니다. 최초의 공동 문서, 출판 2022년 2월 Nature에서 야생형 기준에 비해 Omicron B.2 스파이크 RBD에 대해 더 높은 hACE1.1.529 수용체 결합 친화성을 나타내는 SARS-CoV-XNUMX 변이체의 생물정보학 분석을 설명합니다.

Innophore 기술과 AWS를 사용하여 시간이 지남에 따라 진화하는 바이러스를 추적하면 Omicron 변종에서 발생하는 높은 돌연변이 비율을 보여줍니다. 구체는 해당 아미노산 잔기의 알파-C-원자를 나타냅니다. 색상과 크기는 모두 각 위치의 돌연변이 수와 관련이 있습니다.

2008년에 설립된 덴마크에 본사를 둔 Evaxion Biotech는 암과 전염병에 대한 백신 개발에 전념하는 AI 기반 회사입니다. 그들은 AI 기술과 엔지니어링 전문 지식을 결합하여 예측 모델을 생성하고 환자를 위한 고유한 면역 요법을 식별하는 데 도움이 되는 임상 단계 AI 면역학 플랫폼을 소유하고 있습니다. Evaxion Biotech는 57년 2022월 단일 투자자 Lincoln Park Capital Fund가 주도하는 40만 달러 상당의 IPO 이후 주식 펀딩 라운드에 진입하여 총 XNUMX만 달러를 유치했습니다. 

관련 : 생물 제제 설계에 AI를 적용하는 10개 기업

Exscientia와 같은 "화학적 양식 클럽"의 일부 AI 회사는 이제 생물학적 제제 발견으로 확장하고 있습니다. 2022년 XNUMX월 회사는 AI 플랫폼에 인간 항체 설계가 포함될 것이라고 발표했습니다. Exscientia는 또한 새로운 항체를 내부적으로 생성하고 프로파일링하기 위해 옥스퍼드에 자동화된 생물학 실험실을 설립하고 있습니다.

성장 추세는 악성 단백질을 제거하고 질병을 치료하기 위해 인간 세포의 단백질 분해 시스템을 이용하는 것입니다. 여기에서 인기를 얻고 있는 한 가지 방식은 2001년에 도입된 단백질 분해 표적 키메라(PROTAC)이며 유연한 링커로 연결된 두 개의 리간드로 구성됩니다. 최신 PROTAC의 기본 화학 구조는 동일합니다. 하나의 리간드는 오래된 단백질을 프로테아솜으로 보내는 구성 요소인 E3 효소를 표적으로 하고 다른 리간드는 분해되어야 하는 관심 단백질(POI)을 표적으로 합니다. PROTAC은 E3와 POI를 결합하여 유도 근접 복합체를 형성하도록 유도합니다. 경우에 따라 단백질이 적절하게 정렬되면 POI가 유비퀴틴화되어 프로테아좀에 의한 분해를 표시합니다.

단백질 분해에 대한 또 다른 광범위한 접근 방식에는 활발하게 성장하고 있는 연구 분야인 소위 "분자 접착제"가 포함됩니다. XNUMX개의 활성 부위와 링커가 있는 상대적으로 큰 이작용성 소분자인 PROTAC과 달리 분자 글루는 더 작고 약물과 유사한 분자입니다. 후자는 분자 접착제 분자의 효과로 인해 근접하게 되는 두 개의 분리된 단백질로 인해 발생하는 응집 단백질 포켓에 결합합니다.

다음을 포함하여 단백질 분해(및 더 광범위하게는 변조) 공간 내에 회사의 물결이 있습니다. 아르 비나 스, Nurix 치료학, 키메라 치료학, C4 Therapeutics, Roivant Discovery, Cedilla Therapeutics 및 Lycia Therapeutics 등이 있습니다.

일부 회사는 근접 유도 화합물을 설계하기 위해 최첨단 AI 알고리즘을 적용하고 있습니다. 예를 들어 오스트리아와 미국에 기반을 둔 Celeris Therapeutics는 Xanthos, Hephaistos 및 Hades의 세 가지 작업 영역 시스템을 포함하는 Celeris One 플랫폼을 구축했습니다. 이 시스템은 분자 특성, 분자 역학 및 자유 에너지 계산을 개선하기 위한 링커 및 다목적 최적화와 같은 새로운 화학 물질을 생성하기 위한 상호 작용 및 생성 모델을 예측하기 위해 그래프 신경망을 통합합니다. 워크플로우는 또한 기하학적 딥 러닝 및 머신 러닝 기반 역합성 기능을 사용합니다. Celeris Therapeutics는 자동화된 실험실을 운영하여 생물학 데이터를 생성하고 맞춤형 화학 합성을 수행합니다. 

Celeris Therapeutics의 AI 기반 플랫폼 Xanthos의 드라이 랩 워크플로우.

우리는 최근 게시물에서 단백질 분해 시장에 대한 광범위한 개요를 발표했습니다. 단백질 분해가 업계를 폭풍으로 몰다, 관련된 전산 플랫폼에 대한 기술적 개요와 함께 여러 사례 연구를 포함합니다. 

AI가 개발한 약물 후보의 첫 번째 물결이 임상에 들어갑니다.

제약 산업의 AI 채택이 약물 발견에 완전히 혁명을 일으켰다고 말하기는 이르지만, 몇몇 "AI 네이티브" 회사는 치료 파이프라인을 신속하게 구축하는 데 있어 눈에 띄는 효율성을 얻었습니다. 그러한 회사의 공통된 특징은 무엇입니까? 각각은 많은 모델과 데이터 소스를 포함하여 전문적이고 고도로 통합된 AI 플랫폼을 구축했습니다. 일부 플랫폼은 Chemistry42와 같은 외부 R&D 파트너에게 SaaS(Software-as-a-Service)로도 제공됩니다.

업계에서 본 "디지털 우선" 전략의 가장 생생한 사례 중 하나는 Moderna Therapeutics입니다. Moderna Therapeutics는 최첨단 AI 분석을 연구에 통합했을 뿐만 아니라 R&D 워크플로의 모든 측면을 디지털화하고 통합했습니다. 생산 및 유통. 19년 초 COVID-2020 대유행이 전 세계를 강타했을 때 Moderna는 단 2일(!) 만에 효율적인 mRNA 기반 백신을 제시하고 XNUMX년 이내에 시장에 출시할 수 있는 최초의 회사 중 하나였습니다. .  

AI에 의해 가능해진 치료법 발견 성공의 물결은 AI 네이티브 회사가 일반적으로 유사한 프로그램에 사용되는 것보다 더 빨리 약물 후보를 제시할 수 있는 능력을 보여줍니다. 

관측 “AI가 설계한 신약후보 로드맵”

AbCellera의 단클론 항체 LY-CoV555는 XNUMX개월 이내에 개발되었으며 FDA의 긴급 사용 승인을 받았습니다. 

BenevolentAI의 Knowledge Graph는 회사가 Baricitinib을 며칠 내에 효율적인 COVID-19 항바이러스제로 식별하는 데 도움이 되었습니다(현재 FDA에서 사용 승인됨). 또 다른 소분자 BEN-8744는 궤양성 대장염 및 피부염을 치료하는 새로운 억제제로 24개월 이내에 후기 전임상 연구로 진행되었습니다. 

Exscientia의 소분자 억제제 EXS-21546은 인간 임상 시험(현재 XNUMX상 진행 중)에 들어가는 면역 종양학을 위한 최초의 AI 설계 분자로 기록되었으며 단 XNUMX개월 만에 발견되었습니다. 이 회사는 임상 시험에 몇 가지 다른 분자를 보유하고 있습니다. 

Insilico Medicine의 소분자 억제제 ISM001-055는 특발성 폐 섬유증을 치료하기 위해 새롭게 설계되었으며 18개월 이내에 후기 전임상 연구로 진행되었습니다(현재 XNUMX상).  

뉴욕에 본사를 둔 Schrodinger는 1505개월 이내에 B 세포 림프종을 치료하기 위해 저분자 SGR-XNUMX를 개발했으며 현재 IND 신청 과정에 있습니다. 

솔트레이크시티에 기반을 둔 Recursion Pharmaceuticals는 18개월 이내에 불특정 희귀 질환에 대한 약물 후보를 개발했습니다. 이 회사는 디지털 생물학 플랫폼의 도움으로 설계된 전임상 및 임상 약물 후보의 크고 다양한 포트폴리오를 보유하고 있습니다. 

토론토에 본사를 둔 Deep Genomics는 AI Workbench 플랫폼을 사용하여 희귀한 유전성 윌슨병을 치료하기 위해 새로운 유전적 표적과 그에 상응하는 올리고뉴클레오티드 약물 후보 DG12P1을 개발했습니다.

AI로 개발된 주요 임상 약물 후보를 추적하기 위해 우리는 “AI가 설계한 신약후보 로드맵” 정기적으로 업데이트됩니다. 

약물 발견을 위한 AI에 대한 지속적인 언론의 관심은 주의의 렌즈를 통해 고려되어야 한다는 점에 유의해야 합니다. 예를 들어, BenevolentAI의 아토피성 피부염 치료제 후보인 BEN-2293을 라이선스 아웃하려는 계획은 AI 지원 pan-Trk 억제제가 2a상 시험에서 습진 증상이나 가려움증을 개선하지 못하면서 차질을 빚었습니다. 이 회사는 이전에 트로포미오신 수용체 키나아제(Trk)가 아토피 피부염에서 가려움증과 염증의 매개체로 식별되어 Trk 억제제 개발로 이어졌습니다. BEN-2293은 1b상 시험에서 임상적으로 의미 있는 효과를 향한 경향을 보여주었지만, 2a상 시험에서는 습진 중증도 또는 가려움증 개선에 위약보다 나을 것이 없다는 것이 밝혀졌습니다. 결과는 접근 방식을 제안한 AI 지원 플랫폼에 대한 질문을 제기합니다. 차질에도 불구하고 BenevolentAI는 베이스라인에서 더 큰 범위의 질병을 가진 환자에서 치료가 더 잘 수행되었다는 증거를 인용하면서 약물 후보를 포기하지 않았습니다. 회사는 현재 다음 단계를 결정하기 전에 데이터를 검토하고 있습니다.

신약 개발 분야에서 가장 "생산적인" AI 회사 XNUMX개

BiopharmaTrend AI 보고서에서 130개 이상의 AI 회사에서 약 380개 회사를 최종 후보로 선정한 후 회사의 임상 및 전임상 파이프라인, 대상 발견 능력 및 시간을 고려한 간단하지만 강력한 평가 공식을 사용하여 20개 회사를 추가로 선택했습니다. 사업. 선정된 20개 기업이 BPT20: 신약 개발 생산성 지수의 인공 지능 — 새로운 약물 설계, 가상 스크리닝 또는 약물 용도 변경을 위해 AI 적용을 옹호하는 회사를 강조하는 업계 최초의 참조 지점입니다. 

미래의 AI 및 로봇화된 실험실

딥 러닝 모델(예: 심층 신경망 기반)은 극도로 "데이터를 많이 사용"합니다. 즉, AI가 아무리 우수하더라도 의미 있는 연구 예측에 똑같이 중요한 것은 데이터의 품질과 크기입니다. 고품질 생물학 데이터를 생성하는 가장 효율적인 방법은 로봇 공학을 사용하는 것입니다. 약물 발견의 현대적 AI 기반 변환을 단계별 프로세스로 고려하면 광범위하게 사용 가능하고 상대적으로 비용 효율적인 robotics-as-a-service는 AI 지원의 최종적이고 중요한 부분이 될 것입니다. 제약 및 생명 공학 연구의 산업화. Arctoris의 보고서에 따르면 "로봇 공학은 폐쇄 루프 발견의 패러다임을 현실로 만드는 핵심 요소입니다. 이는 앞으로 몇 년 동안 지켜볼 흥미로운 공간이 될 것입니다." 

일부 회사는 AI 기반 실험 제어 시스템에 의해 안내되고 AI 기반 데이터 마이닝 및 분석 기능으로 보완되는 표준화되고 고도로 자동화되고 확장 가능하며 점차 호환되는 실험실 시설을 구축하고 있습니다. 이러한 "차세대" 실험실 시설은 전임상 약물 연구 실험자들이 원격으로 사용할 수 있게 되어 전임상 실험을 보다 확장 가능하고 표준화된 루틴으로 만듭니다. 목록에 있는 주요 원격 연구실 제공업체는 Automata Labs, Strateos, Emerald Labs 및 Culture Biosciences입니다. 

이 공간은 벤처 자금과 고객을 유치하고 있습니다. 예를 들어 2022년 50월 영국에 본사를 둔 Automata Labs는 실험실 연구 프로세스를 자동화하기 위해 2021천만 달러를 모금했습니다. 56년 100월 Strateos는 SmartLab 플랫폼과 전 세계 전임상 연구원이 사용할 수 있는 원격 로봇 자동화 기술을 추가로 개선하기 위해 80만 달러를 모금했습니다. Culture Biosciences는 2021년 90월에 발표된 최신 시리즈 B XNUMX천만 달러를 포함하여 총 XNUMX억 달러 이상을 모금했습니다. 샌프란시스코에 본사를 둔 Emerald Cloud Labs(ECL)는 수년 동안 XNUMX천만 달러 이상을 모금했습니다. ECL의 로봇 플랫폼 제거 초기 사용자 300% ~ 700% 개선 보고 연구 생산성에서. 2022년 300월 베이징에 본사를 둔 MegaRobo는 다양한 범위의 자동화된 AI 기반 원격 연구실 서비스와 로봇화된 시설을 확장하기 위해 XNUMX억 달러를 모금했습니다. 

원격 로봇 연구실의 부상은 데이터 중심의 "AI 우선" 연구 전략의 장기적 채택에 매우 유익한 계약 연구 서비스를 제공하는 새로운 방식인 장기적인 산업 추세입니다. 

Arctoris, Recursion Pharmaceuticals, Insitro 및 Generative Bio와 같은 여러 AI 기반 신약 개발 회사는 다른 비즈니스 모델을 통해 이러한 추세에 접근하고 있습니다. 치료 약물 후보의 AI 모델 및 구축 파이프라인.

예를 들어, 2016년에 설립된 옥스포드에 기반을 둔 Arctoris는 대규모로 우수한 품질의 데이터를 생성하는 완전 자동화된 습식 실험실을 구축하여 Arctoris의 데이터 레이크에 공급하고 회사의 연구를 지원하는 회사의 AI 기반 의사 결정 플랫폼인 Ulysses를 지원합니다. 타격, 리드, IND 적용 단계를 대상으로 합니다.  

Arctoris의 파이프라인에는 현재 종양학 및 신경학 분야의 여러 전임상 프로그램이 포함되어 있습니다. Arctoris는 Future Planet Capital, RT Ventures 및 Formic Ventures를 포함한 투자자들로부터 여러 차례에 걸쳐 총 10.3만 달러를 모금했습니다. 

Exscientia 및 Insilico Medicine과 같은 일부 선도적인 AI 약물 발견 회사는 이제 내부 데이터 생성 "근육"을 구축하기 위해 사내 로봇 실험실을 구축하고 있습니다. 

솔트레이크시티에 기반을 둔 Recursion Pharmaceuticals는 로봇 생물학 실험 공간의 리더 중 하나입니다. Recursion Operation System이라고 하는 회사의 AI 기반 인프라는 독점적인 사내 데이터 생성과 고급 계산 도구를 결합하여 치료 프로그램을 시작하거나 가속화하기 위한 새로운 통찰력을 생성하는 통합 폐쇄 루프 시스템입니다. 이 회사는 전임상 생물학 실험을 대규모로 자동화하고 있습니다. 예를 들어, 세포 현미경 이미지는 세포 형태의 복합적인 변화를 포착하고 회사의 AI 기반 컴퓨터 비전 시스템에서 처리됩니다. 2017년부터 Recursion Pharmaceuticals는 현상학 플랫폼의 용량을 매년 약 두 배로 늘리고 매주 실행되는 현상학 실험의 수를 최대 2.2만 건으로 확장하여 독점 고차원 데이터의 약 19페타바이트를 생성했습니다.

AI로 임상 시험 병목 현상 탐색

임상시험은 약물 개발 워크플로의 중요한 단계로, 예상 평균 성공률은 약 11% 1단계에서 승인을 향해 나아가는 약물 후보에 대해. 약물 후보가 안전하고 효과적이더라도 다음과 같은 이유로 임상 시험이 실패할 수 있습니다. 불충분한 자금 조달, 불충분한 등록 또는 열악한 연구 설계. 

인공 지능 (AI)은 점점 더 기회의 원천으로 인식 임상 시험의 운영 효율성을 높이고 임상 개발 비용을 최소화합니다. 일반적으로 AI 공급업체는 세 가지 주요 영역에서 서비스와 전문 지식을 제공합니다. 첫 번째 영역의 AI 스타트업은 자연어 처리(NLP)를 적용하여 과학 논문, 의료 기록, 질병 등록 및 의료 청구와 같은 이질적인 데이터 소스에서 정보를 잠금 해제하는 데 도움을 줍니다. 이는 환자 모집 및 계층화, 사이트 선택을 지원하고 임상 연구 설계 및 질병 메커니즘에 대한 이해를 향상시킬 수 있습니다. 예를 들어 임상 연구의 약 18%가 모집 부족으로 인해 실패합니다. 2015 연구 보도했다.

임상 시험에서 성공의 또 다른 측면은 개선된 환자 계층화입니다. 시험 환자가 비싸기 때문에 – 한 명의 환자를 등록하는 평균 비용은 $ 15,700 - 26,000 2017년 — 어떤 환자가 치료로 인해 더 큰 이점이나 위험을 가질지 예측할 수 있는 것이 필수적입니다. AI 기반 회사는 EHR(Electronic Health Records), omics 및 이미징 데이터와 같은 여러 데이터 유형을 사용하여 인구 이질성을 줄이고 임상 연구 능력을 높입니다. 공급업체는 음성 바이오마커를 사용하여 신경계 질환 진행을 식별하고 영상 분석을 사용하여 치료 진행을 추적하거나 유전자 바이오마커를 사용하여 더 심각한 증상이 있는 환자를 식별할 수 있습니다.

AI는 또한 임상 시험의 운영 프로세스를 간소화하고 있습니다. AI 벤더는 집에서 환자 건강을 추적하고 치료 반응을 모니터링하며 시험 절차에 대한 환자 준수를 돕습니다. 이를 통해 AI 회사는 환자 이탈 위험을 줄입니다. 30% 평균적으로. 일반적으로 임상 3상 연구 단계에서는 1000-3000 참가자 중 일부는 위약을 복용했습니다. 그렇기 때문에 개발 합성 컨트롤 암 – 개인의 위약 대조군을 대체하여 임상 시험에 필요한 개인 수를 줄일 수 있는 AI 모델이 새로운 추세가 될 수 있습니다.

BiopharmaTrend AI 보고서에 따르면 Owkin, PathAI, GNS Healthcare, Neurcuit, AICure 및 Unlearn.ai를 포함하여 세 가지 범주 모두에 80개 이상의 회사가 있습니다. 

관련 : 8년 주목해야 할 임상 연구 분야의 주목할만한 2022개의 AI 기업

생명 공학에 대한 전반적인 냉담한 투자 환경에도 불구하고 AI 지원 임상 시험 플랫폼에 대한 수요와 이 분야에 대한 투자가 높습니다. 

2022년 1.9월 ConcertAI는 암 연구를 위한 소프트웨어 및 실제 데이터(RWD) 솔루션을 확장하기 위해 150억 XNUMX천만 달러의 시리즈 C 라운드를 뱅킹한 후 XNUMX억 달러의 평가를 받았습니다. 

Saama는 1997년에 설립된 실리콘 밸리 기반 회사이지만 2015년에 첫 번째 벤처 캐피털을 모았습니다. 이 회사는 500년 430월 Carlyle 및 Merck, Pfizer, Amgen, McKesson 등의 벤처 펀드.

Saama는 AI 기반 임상 시험 분석 분야의 선두 업체 중 하나로서 다양한 솔루션 제품군을 제공합니다. 자동화된 데이터 품질 기능; 약물 감시 분석 및 제출을 포함하여 간소화된 규제 제출 기능.  

2022년 50월 임상시험을 위한 '디지털 트윈' 서비스를 개발하는 스타트업 Unlearn.AI가 XNUMX천만 달러를 모금했습니다.   

2022년 XNUMX월 브리스톨 마이어스 스큅 $ 80 백만 투자 OWKIN에서 – 종료점 정의 개선, 환자 하위 그룹 식별 및 치료 효과 추정을 통해 심혈관 약물 시험 설계를 개선하는 데 도움이 됩니다. 파리와 뉴욕에 본사를 둔 "유니콘" OWKIN은 고품질 다중 모드 데이터 액세스와 최첨단 기계 학습을 활용하여 환자 하위 집단에 대한 다양한 치료 효과를 정확하게 예측하여 임상 시험 실험 설계 및 결과를 개선하고 있습니다. OWKIN은 또한 약물 발견을 위해 AI 플랫폼을 적용하고 있습니다. 

2022년 XNUMX월 Bristol Myers Squibb은 AI 병리학 전문가 PathAI와 다년간 확장된 협력 계약도 발표했습니다. 이 확장된 계약의 초기 작업은 종양학, 섬유증 및 면역학의 주요 중개 연구에 초점을 맞추고 이를 임상 시험으로 전달하는 전반적인 목표를 가지고 있습니다. XNUMX개월 전 PathAI는 PathAI의 AIM-NASH 도구 사용을 포함하여 디지털 병리학 분야에서 PathAI의 기술을 활용하여 종양학 및 비알코올성 지방간염(NASH) 분야의 과학 연구 및 약물 개발 프로그램을 가속화하기 위해 GlaxoSmithKline과 전략적 다년 파트너십을 체결했습니다.  

특히, 더블린의 Akkure Genomics 방금 발표했다. 사람들이 자신과 자신의 상태에 대한 데이터를 기반으로 가장 관련성 높은 임상 시험에 참여할 수 있도록 돕는 AI 플랫폼을 통해 임상 시험을 지원하기 위해 일주일에 1만 유로를 크라우드 펀딩했습니다.

계약 연구 산업의 AI

전임상 및 임상 공간에서 새로운 AI 네이티브 계약 연구 회사의 출현은 잘 확립된 주요 계약 연구 조직(CRO)의 현상 유지에 도전합니다. 그들은 제약에 대한 서비스 제공에 AI를 통합하거나 AI 회사와 협력하여 연구 역량을 보완함으로써 대응합니다. 

관련 : 진화하는 제약 R&D 아웃소싱 산업: 조감도. 

예를 들어, 미국에 기반을 둔 초기 단계 계약 연구 기관인 Charles River Labs는 Valo Health와 다년간의 파트너십. Charles River는 프로그램이 개발됨에 따라 능동적으로 학습하는 Valo의 Opal 기술을 추가합니다. Charles River는 Opal 딥 러닝 플랫폼을 사용하여 리드 최적화를 통해 새로운 분자 설계에서 보다 빠르고 효과적인 프로세스를 달성하기를 희망합니다. 작년에 Charles River는 전략적 제휴 CRO의 클라이언트가 분자 속성 예측, 생성 화학 및 다중 매개변수 최적화를 위해 Valence의 인공 지능 플랫폼에 대한 액세스 권한을 부여한 Valence Discovery와 함께.

IQVIA는 고객에게 제공하는 임상 시험 및 상업적 활동에 가치를 더하기 위해 수년간 AI 기능에 투자해 왔습니다. 임상 시험을 개선하기 위해(예: IQVIA) 시작 2020년 Avacare Clinical Research Network™를 통해 시험을 위해 사이트에서 환자를 더 빠르고 효율적으로 일치시킬 수 있었습니다. 이 플랫폼은 AI 알고리즘으로 구동되며 19개 질병 영역에서 작동할 수 있습니다. 앞서 또 다른 IQVIA의 Linguamatics 자연어 처리(NLP) 플랫폼은 Questex의 2019 Fierce Innovation Awards를 수상했습니다. 이 플랫폼은 대상 식별, 유전자 매핑, 환자 결과 예측 등을 포함하여 의료 및 생명 과학 분야에서 방대한 응용 프로그램을 가질 수 있습니다.

임상 연구 산업의 중요한 추세가 진행 중입니다. 가상 임상 시험, 8억 달러 규모의 시장. COVID-19 팬데믹으로 인해 제약 회사는 원격 모니터링, 개선된 환자 등록, 환자 참여를 추적하는 앱, 원격 의료, 분산화 및 시험을 계속 실행하기 위한 기타 조치로 전환해야 했습니다. 이러한 솔루션에 대한 수요가 크게 증가함에 따라 CRO는 서둘러 가상 및 분산 기능을 서비스 제공에 추가했습니다. AI 기술은 데이터를 합성하고 임상 시험 프로세스를 가속화하는 데 도움이 되는 이러한 프로젝트를 만들고 실행하는 데 매우 중요한 것으로 입증되었습니다. 

기술 거인들은 신약 발견과 생명공학을 쫓습니다.

앞서 언급한 딥 러닝 및 언어 모델을 사용하여 단백질 구조를 대규모로 예측하는 것과 같은 기본 생물학 연구 수수께끼를 푸는 데 있어 Alphabet의 DeepMind 및 Meta의 성공은 빙산의 일각에 불과합니다. , 어떻게든. 

Alphabet(Google의 모회사)은 AI 기반 시약 검색 엔진 BenchSci, 신약 개발 회사 XtalPi의 중국 기반 AI 및 양자 물리학, 개인 유전체학 회사 23andMe, AI 기반 약물 개발 등 생명 과학 프로젝트에 수십 건의 투자를 했습니다. 유니콘 OWKIN이 그 예입니다. 2021년에 Alphabet은 DeepMind와 함께 Isomorphic Labs를 시작하여 인공 지능을 적용하여 기본 생물학 및 약물 발견에 집중했습니다. 

제약 연구 및 생명 공학 분야의 여러 다른 프로젝트 및 활동 외에도 Alphabet에는 생명 과학 및 의료 기술에 전념하는 Verily라는 본격적인 법인이 있습니다. 

글로벌 소프트웨어 개발업체인 Microsoft는 대규모 기계 학습 모델을 사용하여 빅 데이터를 처리할 수 있는 인프라를 제공하는 대형 제약 회사와의 수십 건의 연구 협력을 통해 생명 과학 분야에서 깊은 입지를 확보하고 있습니다. 최신 Microsoft 이니셔티브 중 하나는 다음과 같습니다. MoLeR 모델, 회사의 생성 화학 팀이 Novartis와 협력하여 개발 중인 새로운 도구입니다. MoLeR 모델은 다른 생성 도구와 달리 딥 러닝을 사용하여 생성 프로세스의 초기 기반 역할을 하는 주어진 스캐폴드를 기반으로 새로운 구조를 제시합니다. 또 다른 예는 AI4과학, 컴퓨터 화학, 양자 물리학, 기계 학습, 분자 생물학, 유체 역학 및 소프트웨어 엔지니어링을 결합하여 소위 과학의 "제XNUMX의 패러다임"이라는 비전을 실현하기 위해 Microsoft의 새로운 벤처 기업입니다. 

관련 : "빅 테크"가 제약 시장에서 천천히 승리하는 방법 

이러한 맥락에서 특히 활발한 회사는 게임 산업 및 개인용 컴퓨터용 하드웨어 생산업체인 NVIDIA입니다. 이 기술 회사는 유전체학, 단백질체학, 현미경 검사, 가상 스크리닝, 전산 화학, 시각화, 임상 이미징 및 자연어 처리(NLP). 그리고 2022년 XNUMX월 회사는 필수 규제 표준을 충족하도록 특별히 설계된 엣지에서 실시간 AI 애플리케이션을 개발 및 배포하기 위한 의료 기기 산업용 플랫폼인 Clara Holoscan MGX™를 출시했습니다. Clara Holoscan은 올인원 의료 등급 참조 아키텍처와 장기적인 소프트웨어 지원을 목표로 의료 기기 산업의 혁신을 가속화합니다.

약물 발견에서 AI의 미래: 모든 것이 "양자" 

약물 발견 및 생물학 연구에 사용되는 대부분의 소프트웨어 도구는 분자 역학에 의존합니다. 분자 역학은 분자의 단순화된 표현으로 본질적으로 분자를 "공과 막대"로 줄입니다. 즉, 원자와 분자 사이의 결합입니다. 이렇게 하면 계산하기는 더 쉽지만 정확도는 크게 떨어집니다. 적절한 정확도를 얻으려면 원자와 분자의 전자적 거동을 설명해야 합니다. 즉, 아원자 입자(전자와 양성자)를 고려해야 합니다. 이것이 양자 역학(QM) 방법의 전부입니다. 그리고 이 이론은 20세기 초반으로 거슬러 올라가 새로운 것이 아닙니다.  

그러나 양자 방법은 예외적으로 계산 비용이 많이 들며 최근 수십 년까지 양자 이론이 사물의 실용적인 측면에 영향을 미치는 것은 금지된 장벽이었습니다. 사용 가능한 컴퓨팅 성능의 기하급수적인 성장으로 인해 양자 방법은 마침내 과학자의 손에 있는 귀중한 도구가 되고 있습니다. 

여러 회사에서 기계 학습과 양자 이론을 병합하여 신약 개발 시스템의 모델링 기능을 크게 개선하고 있습니다. 예를 들어 Sequoia China, Tencent 및 Google이 지원하는 중국 및 미국 기반 기술 회사인 XtalPi의 과학자들은 양자 역학, 인공 지능 및 고성능 기술을 통합한 지능형 디지털 약물 발견 및 개발(ID4) 플랫폼을 구축했습니다. 클라우드 컴퓨팅 알고리즘. ID4를 사용하면 저분자 약물 후보의 물리화학적 및 약학적 특성과 약물 R&D의 중요한 요소인 결정 구조를 고정밀하게 예측할 수 있습니다.  

이 분야를 발전시키는 또 다른 회사는 파리에 본사를 둔 Aqemia입니다. 이 회사는 양자와 인공 지능(AI)을 결합하여 납과 같은 분자의 구조 기반 설계인 드노보(de novo)에 중점을 둡니다. 화합물과 치료 대상 사이의 친화력을 정확하고 경쟁 제품보다 10,000배 더 빠르게 예측하는 양자에서 영감을 받은 고유한 통계 역학 알고리즘입니다. Aqemia의 AI는 친화도 예측기에서 피드백을 받아 정확도가 증가하는 화합물을 생성할 수 있습니다.

마지막으로, PharmScreen과 PharmQSAR라는 두 가지 기본 소프트웨어 패키지를 통해 약물 설계를 향상시키기 위해 양자 이론을 적용하는 전산 회사인 바르셀로나에 기반을 둔 Pharmacelera가 있습니다. 첫 번째 도구는 상호 작용 필드를 기반으로 하는 고정밀 3D 리간드 정렬 알고리즘을 사용하여 정확한 리간드 기반 가상 스크리닝을 허용합니다. 기존 방법 및 도구보다 리드 간에 더 높은 다양성 비율을 생성할 수 있습니다. 두 번째인 PharmQSAR은 CoMFA/CoMSIA 연구를 수행하기 위해 여러 상호 작용 필드의 조합을 가능하게 하는 3D 정량적 구조-활성 관계(QSAR) 도구입니다.

관련 : 약물 발견을 가속화하기 위해 양자 이론을 사용하는 12개 회사

양자 이론을 활용하는 보다 미래 지향적인 또 다른 기술 추세는 양자 컴퓨터를 만드는 것을 다룹니다. 수십 년에 걸친 양자 이론의 발전과 여러 소프트웨어 및 하드웨어 분야의 동시 발전을 통해 우리는 마침내 양자 컴퓨터가 실질적으로 실현 가능한 시대에 접어들고 있습니다. 

우리는 양자 컴퓨팅의 초기 단계에 있지만 여러 회사에서 이미 양자 컴퓨팅의 요소를 전산 약물 발견에 통합하고 있습니다. 

예를 들어, POLARISqb는 인공 지능과 양자 접근 방식을 결합하여 양자 컴퓨터용으로 구축된 세계 최초의 약물 발견 소프트웨어의 영국 기반 개발업체입니다. POLARISqb 기술의 핵심은 Tachyon 약물 설계 플랫폼으로, 클라우드 전체에서 분산 분자 설계 작업을 실행하는 데 사용되며, 여러 프로젝트를 병렬로 실행하면서 대규모 화학 라이브러리를 검색할 수 있는 자동화 프로세스로 관리됩니다. 양자 시스템을 위한 독점 소프트웨어를 개발함으로써 회사는 약물 설계를 상당히 가속화하고 더 높은 품질의 리드를 얻을 수 있다고 주장합니다. Tachyon 시스템의 고유한 "불가지론"으로 ​​인해 여러 질병 및 적응증에 작용할 수 있습니다. 

Menten AI는 2018년에 설립된 캐나다 스타트업으로 기계 학습 및 양자 컴퓨팅을 기반으로 하는 단백질 설계용 소프트웨어 플랫폼을 개발합니다. 이 회사는 독점 양자 최적화 알고리즘을 사용하여 비용과 개발 시간을 줄이면서 약물 발견의 정확성을 크게 향상시킬 수 있다고 믿습니다.

이 게시물을 요약하기 위해 미국 양자 소프트웨어 회사인 Zapata Computing의 공동 창립자이자 CEO인 Christopher Savoie 박사가 이 분야의 최첨단 연구에 대해 다음과 같이 표현한 예측을 참조하십시오. 인터뷰 BiopharmaTrend용:

“Quantum은 미래에 바이오 제약 분야의 모든 또는 거의 모든 데이터 과학 및 기계 학습 워크플로의 일부가 될 것입니다. 나는 그것이 그것의 필수적인 부분이 될 것이라고 믿습니다. 양자 기술을 사용하여 더 정확한 모델을 얻을 수 있다면 결국 그렇게 하지 않겠습니까?”

대규모 언어 모델로 신약 개발에 큰 진전

OpenAI의 ChatGPT와 같은 대규모 언어 모델(LLM)은 다음과 같은 생명 공학 회사에서 사용되고 있습니다. 인실 리코 의학, 순수및 엑스시엔티아, 약물 발견을 돕기 위해.

ChatGPT 과학자들이 AI 및 기계 학습 도구와 상호 작용하여 데이터에 더 쉽게 액세스할 수 있도록 지원합니다. 예를 들어 Insilico Medicine은 ChatGPT를 사용하여 대상 검색 플랫폼인 PandaOmics와 상호 작용하고 Ainnocence의 설립자는 P. 루롱 Bio ChatGPT 또는 Med ChatGPT와 같은 특수 버전을 구상합니다. Exscientia는 LLM을 활용하여 지식 그래프에 대한 구조적이고 기계적인 주장을 생성합니다.

LLM은 또한 생물학에서 고급 검색 엔진 역할을 합니다. 구글과 Deepmind의 Med-PaLM 챗봇은 의료 질문에 대한 답변을 제공하는 동시에 자비로운 AI 자신의 데이터를 기반으로 채팅 기능을 사용자 지정하는 데 도움이 될 수 있는 ChatGPT의 검색 플러그인 기능에 대해 흥분한 것 같습니다.

약물 발견에서 LLM의 잠재력에도 불구하고 일부 회사는 다음과 같습니다. BioXcel Therapeutics, Inc. 과 엔테롬 정확성과 개인 정보 보호에 대한 우려를 언급하면서 기술 채택에 대해 신중을 기합니다.

분명한 것은 ChatGPT 및 DeepMind의 AlphaFold와 같은 기타 생성 AI 모델의 부상으로 인해 생명 공학 분야의 잠재적 응용 분야에 대한 인식이 높아져 회사가 약물 발견 및 개발에서 이점을 탐색하도록 장려하고 있습니다.

주제 : 산업 동향   

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
• 출처: https://www.biopharmatrend.com/post/615-pharmaceutical-artificial-intelligence-key-developments-in-2022/