MRSA yleistyy yhä enemmän terveydenhuollon ympäristöissä – Onko tekoäly juuri antanut työkalun taistella vastaan?

Ensimmäinen lääketieteellinen vallankumous

Ennen penisilliinin, ensimmäisen antibiootin, keksimistä, yksinkertainen keuhkoinfektio tai jopa pieni haava saattoi olla kohtalokas. Tämä oli vain elämän tosiasia, jonka kanssa ihmiset elivät (ja kuolivat).

Pitkään uusia antibioottiluokkia on löydetty säännöllisesti, mikä on varmistanut, että bakteeri-infektioiden uhka pysyy loitolla. Äskettäin antibioottiresistenttien bakteerien nousu on saanut kyseenalaistamaan, voiko tämä trendi jatkua pitkään.

Antimikrobinen resistenssi (AMR) aiheutti vuonna 2019 suoraan 1,27 miljoonaa kuolemaa, joista yksi viidestä uhreista oli alle 5‑vuotias lapsi. Ja vuonna 2019 kuolleista 4,95 miljoonasta ihmisestä kärsi lääkevastaisia infektioita, kuten alempien hengitysteiden, verenkierron ja sisäelinten infektioita.

Tämä on erityisen ongelmallista sairaaloissa, joissa antibioottien suurempi käyttö ja heikommat immuunijärjestelmät tekevät antibioottiresistenssistä merkittävän infektiovaikutuksen ja kuolleisuuden syyn.

Uusien antibioottien ja antibioottiresistenssin välimatkassa bakteerit ovat voittaneet. Uusin uusi antibioottiluokka, joka on päässyt markkinoille, löydettiin vuonna 1987. Kaiken kaikkiaan vanhanaikainen lähestymistapa, jossa sokeasti seulotaan kymmeniä tuhansia kemikaaleja antibioottipotentiaalin varalta, ei enää toimi.

Lähde: ReAct Group

MRSA – Lähestyvä terveydenhuollon katastrofi

Staphylococcus aureus on ihoa asuttava bakteeri. Metisilliiniresistentti Staphylococcus aureus (MRSA) on bakteeri, joka on vastustuskykyinen tavallisille antibiooteille kuten metisilliinille, ja usein myös muille hoidoille/antibiooteille.

Suurin osa MRSA-infektioista tapahtuu sairaaloissa tai terveydenhuollon ympäristöissä, esimerkiksi dialyysikeskuksissa tai hoivakodeissa. Se voi myös levitä ihosta iholle -kontaktin kautta.

Koska se esiintyy iholla, Staphylococcus aureus on todennäköinen aiheuttaja leikkauksen tai avoimen haavan jälkeisissä infektioissa.

MRSA-infektiot tappavat yli 10 000 ihmistä vuodessa pelkästään Yhdysvalloissa, yli 80 000 infektioita. MRSA-rodut ovat myös alkaneet kehittää resistenssiä vankomytsiiniin, yhteen viimeisistä tehokkaista antibiooteista, jotka sitä vastaan ovat saatavilla.

Tämä nostaa esiin laajalle levinneen, tappamattoman MRSA:n spektrin ja paluun ennen antibiootteja, jolloin yleiset tappavat bakteeri-infektiot olivat arkipäivää.

Tekoäly pelastaa tilanteen

Jos sokea tuhansien ehdokkaiden seulonta uusien antibioottien löytämiseksi ei enää toimi, entä miljoonien ehdokkaiden älykäs seulonta? Tämä on tehtävä, jonka MIT:n tutkijat, joita johtaa tutkija James Collins, ovat toteuttamassa.

MIT:n tutkijat käyttävät syväoppimiseen perustuvaa tekoälymallia ennustamaan, mitkä kemialliset molekyylit voisivat omaa antibioottista aktiivisuutta.

Ensin he opettivat tekoälymallille, mitkä kemialliset kuviot ovat tunnetusti antibioottisesti aktiivisia. Tämän jälkeen tekoäly voi tarkistaa miljoonia mahdollisia molekyylejä samankaltaisen potentiaalin varalta.

Tätä varten tutkija testasi ensin 39 000 molekyylin antibioottisen aktiivisuuden MRSA:ta vastaan ja näytti tuloksen tekoälylle, joka käytti sitä oppiakseen, mikä toimii.

He kehittivät sitten menetelmän nimeltä “Monte Carlo -puun haku” tehdäksesi tekoälyn tulokset tutkijoille ymmärrettävämmiksi näyttämällä, mikä potentiaalisen uuden antibioottimolekyylin alialue odotetaan olevan vastuussa lääketieteellisestä tuloksesta.

Tekoälyn tiimityö

Ei riitä löytää, mikä voi tappaa haitalliset bakteerit. On myös tärkeää varmistaa, että kemialliset yhdisteet ovat potilaille turvallisia.

Seuraamalla samaa periaatetta kuin antibioottien löytämisessä, tutkijat kouluttivat myös 3 erilaista syväoppimismallia ennustamaan toksisuutta 3 eri ihmissolutyyppiä vastaan.

Löydösten tulokset yhdistettiin sitten MRSA‑keskeisen tekoälyn tuloksiin, jotta löydetään yhdisteitä, jotka ovat hyviä ehdokkaita sekä antibioottisen aktiivisuuden että turvallisuusprofiilin osalta.

Tämä havainnollistaa hyvin, miten tekoälypohjainen lääkekehitys ei perustu pelkästään ihmisten ohjaamiseen, vaan yhä enemmän tekoälyn “keskusteluun” keskenään ja yhteistyöhön.

Vaikuttavat tulokset

MIT:n tutkijat analysoivat vähintään 12 miljoonaa kemiallista yhdistettä. Tärkeää on, että kaikki nämä 12 miljoonaa yhdistettä olivat kaupallisesti saatavilla, mikä helpottaa niiden kaupallistamista uusina antibiootteina, koska niiden valmistusketju on jo olemassa.

Tekoälyn avustuksella lyhyt lista ehdokkaista, 280 yhdistettä, saatiin valmiiksi. Ne testattiin MRSA:ta vastaan, ja 2 saman luokan yhdistettä osoittivat MRSA:n vähentämisen kymmenkertaisella vaikutuksella. Antibiootit toimivat häiritsemällä bakteerin solukalvon elektrokemiallista gradienttia.

Tämä on uusi menestys tutkimusryhmälle, joka oli aiemmin löytänyt 2 uutta potentiaalista antibioottia (mutta ei käyttökelpoista MRSA:ta vastaan), halicinin ja aubicinin.

Mitä tämä merkitsee tulevaisuuden lääkekehitykselle

Lääketeollisuudesta biotekniikkaan ja takaisin lääketeollisuuteen?

Lääkekehitys on aina ollut lääkeyhtiöiden liiketoimintamallien ytimessä. Tämä on elintärkeä osa liiketoimintaa, sillä patentit vanhenevat ja uusia eksklusiivisia lääkkeitä tarvitaan rahan virtaamiseksi ja R&D‑toiminnan sekä lääketieteellisen edistyksen rahoittamiseksi.

Valitettavasti luonnollisen maailman ja keinotekoisten molekyylien seulonta uusien aktiivisten yhdisteiden löytämiseksi on jossain vaiheessa pysähtynyt.

Tämä on ollut biotekniikkayritysten nousun taustavoima, jotka käyttävät biologisia molekyylejä kuten vasta-aineita kemikaalien sijaan. Ja miksi “vanhan koulukunnan” lääkeyhtiöt ovat joutuneet ostamaan biotekniikkastartupeja, muuttaen monet enemmän “markkinointikoneiksi” kuin R&D‑vetoisiksi yrityksiksi, joita ne olivat ennen.

Jos kemiallinen lääkekehitys tulee menestymään paremmin, voimme nähdä enemmän lääkeyhtiöitä palaavan investoimaan enemmän R&D:hen ja vähemmän biotekniikkayritysten hankintoihin.

Tämä voi aiheuttaa laajalle levinneitä seurauksia alalle, mukaan lukien:

• Kasvu innovatiivisille lääkeyhtiöille.
• Mahdollisesti alhaisempi tarjouskilpailu biotekniikkastartupeista.
• Mahdollisuus löytää uusia “blokkaajavalmisteita” kemiallisia lääkkeitä huonosti hoidettuihin sairauksiin.

Teknologian ja lääketeollisuuden yhdistyminen

Toinen menestyksekäs tekoälypohjaisen lääkekehityksen vaikutus on, että prosessi on vähemmän lääketieteen ja kemian ja enemmän datan ja neuroverkkojen suhteen.

Tämä avaa kentän syvemmille suhteille teknologiayritysten ja lääkeyhtiöiden välillä. Mahdollisesti tekoälypohjainen lääkekehitys voi tulla yhtä mullistavaksi alalle kuin biotekniikan nousu 1980‑luvuilla.

Voimme myös nähdä uusien yhteisyritysten syntymisen lääkeyhtiöiden ja tekoälyjättien välillä. Esimerkiksi lääkekehitysyhtiö, jonka omistavat jättiläiset kuten Pfizer (PFE ) tai Novartis lääketeollisuuden puolella ja Google tai Microsoft (MSFT ) tekoälyn puolella.

Jos tekoälypohjainen lääkekehitys osoittautuu yhdelle tekoälyn tärkeimmistä voittoalueista, voimme myös nähdä teknologiayritysten ostavan lääkeyhtiöitä.

Datan voima

Tekoälyt rakennetaan massiivisten datakätköjen avulla. MIT:n tutkimus ei ollut poikkeus ja se nojasi enimmäkseen Mcule‑tietokantaan. Digitaalisten datapalveluiden ala lääkekehityksessä on vielä varhaisessa vaiheessa ja sitä hallitsevat voittoa tavoittelemattomat organisaatiot sekä yksityiset startupit.

Pitkällä aikavälillä näemme todennäköisesti alan konsolidoituvan ja ehkä muutaman avaintarjoajan nousevan, jotka myös listautuvat pörssiin.

Toksisuuden ennustaminen “in‑silico”

Viimeinen MIT‑löytö pakottaa meidät miettimään, miten kemiallinen toksisuus ja kliinisten kokeiden onnistumiset ennustetaan.

Kunnes äskettäin ihmiskokemus & intuitio sekä eläin‑ & in‑vitro‑mallit olivat ensisijaisia menetelmiä uuden molekyylin riskien arvioimisessa.

Tekoälyn syväoppiminen voi auttaa paitsi löytämään uuden antibioottiluokan myös ennustamaan, mitkä ehdokkaat todennäköisesti ovat ei‑toksisia. Tämä avaa mahdollisuuden käyttää tekoälyä vähentämään lääkkeiden epäonnistumista I‑vaiheen kliinisissä kokeissa, jotka on suunniteltu testaamaan toksisuutta ihmisissä.

Noin 35 % ehdokkaiden kemikaaleista epäonnistuu I‑vaiheen kliinisissä kokeissa. Tämän määrän vähentäminen nopeuttaisi lääkekehitystä ja alentaisi keskimääräisiä R&D‑kustannuksia.

Lähde: Duxin Sun et al

Kolme parasta yritystä, jotka hyötyvät tekoälypohjaisesta lääkekehityksestä

Tämä MIT‑löytö rahoitettiin säätiöiden, voittoa tavoittelemattomien organisaatioiden ja julkisen rahoituksen avulla. Sijoittajat voivat kuitenkin saada altistusta tekoälypohjaiseen lääkekehitykseen useiden julkisesti noteerattujen osakkeiden kautta.

Yleisesti ottaen lääkekehityksen digitaaliset ja tekoälypohjaiset järjestelmät voidaan järjestää kahdelle tasolle:

1. Laskennallinen vs. märkä (biologinen) datan integrointi.
2. Kehitysvaihe, kumppanuudet ja laskennalliset/datan resurssit.

Lähde: Recursion

(Tällä listalla olevat yritykset käyttävät tekoälytyökaluja, esimerkiksi NVIDIA (NVDA ) ‑laitteistoa. Keskitymme kuitenkin puhtaasti lääkekehitykseen keskittyviin yrityksiin, ei tekoälyyn yleisesti).

1. Schrödinger, Inc.

SDGR Hintakaavio

Yritys erikoistuu fysiikkaan perustuvien mallien käyttöön parhaan mahdollisen molekyylin löytämiseksi tiettyä tavoitetta varten, tasapainottaen ristiriitaisia mittareita kuten tehon, liukoisuuden, puoliintumisajan, syntetisoitavuuden jne.

Se käyttää myös koneoppimista, mutta fysiikkaan perustuvan mallin lisääminen mahdollistaa sen testaamisen täysin uusilla aloilla, joille ei ole olemassa data‑settiä “kouluttamaan” tekoälyä. Tämä antaa Schrödingerille mahdollisuuden siirtyä 1 miljardi potentiaalista molekyylistä 8:aan konkreettiseen ehdokkaan muutamassa päivässä, pelkästään digitaalisen laskennan avulla.

Lähde: Schrodinger

Schrödinger alletti Bayerin kanssa 5‑vuotisen yhteistyösopimuksen vuonna 2020, jonka arvo oli 10 miljoonaa dollaria (SDGR ). Sopimuksen idea on käyttää Schrödinger‑teknologiaa yhdessä Bayerin in‑silico‑ennustemallien kanssa.

Toinen äskettäinen kumppanuus on Lillyn kanssa vuonna 2022, jonka kokonaispalkkiot voivat nousta 425 miljoonaan dollariin onnistuneesta löydöstä.

Aikaisemmat yhteistyöt sisälsivät Takedan, Sanofin, Bristol Myers Squibbin ja muita pienempiä lääkeyhtiöitä.

Kaiken kaikkiaan Schrödinger rakentaa kasvavaa portfolioa, johon kuuluu yhä enemmän omistettuja ja täysin omistettuja molekyylejä. Sillä on tällä hetkellä 8 tuotetta omassa pipeline‑ssa, joista 2 on I‑vaiheen kliinisissä kokeissa. Lisäksi 23 tuotetta on kumppanuusohjelmissa ja yhteistyöprojekteissa, joista 5 on I‑vaiheessa ja 3 II‑vaiheessa.

(SNW.DE ) (SNY )

Lähde: Schrodinger

Vaikka yritys ei vielä tuota tuloja, se ei ole kannattava, keskittyen laajentumiseen ja R&D‑menoihin teknologiansa parantamiseksi. Tämä ei ole lyhyellä aikavälillä vakava huolenaihe, sillä yrityksellä on useiden vuosien kassavarat taseessaan.

Se harkitsee myös laajentumista uusille segmenteille lääkekehityksen ulkopuolelle, kuten monimutkaiset biolääkkeet tai jopa materiaalit kuten kemikaalit, akut tai polymeerit.

Lähde: Schrodinger

Sijoittajat haluavat pitää silmällä uusia yhteistyökuvioita, sillä ne heijastavat Schrödinger‑teknologian edistysaskeleita, joita alan johtajat arvioivat, sekä mahdollisia menestyksiä ydinteknologian laajentamisessa uusille markkinoille.

2. Exscientia

Yritys käyttää tekoälyä kehittämään tarkkuuslääkkeitä.

Se käyttää “täyden pinon” tekoälypohjaista lääkekehitysteknologiaa, jossa on omistettu ohjelmisto jokaisessa lääkekehitysprosessin vaiheessa.

Lähde: Exscientia

Sen sijaan, että tarkasteltaisiin olemassa olevia molekyylejä, Exscientian Precision Design AI suunnittelee räätälöityjä molekyylejä vastaamaan sen Precision Target AI löytämää kohdetta.

Exscientian teknologia vähentää 70 % ajasta, joka tarvitaan biologisen kohteen löytämisestä vastaavan lääkkeen löytämiseen, ja tekee prosessista 80 % pääomatehokkaamman.

Tämä on johtanut 4 yhdisteeseen varhaisessa kliinisessä vaiheessa, keskittyen pääasiassa syöpään (onkologia) ja tulehduksellisiin sairauksiin. Yritys näyttää 4 miljardia dollaria pre‑kommersiaalisia milestonemahdollisuuksia.

Lähde: Exscientia

Yritys on vasta aloittelemassa tulojen kirjaamista, mutta sillä on pitkä kassavarat, jotka kattavat useita vuosia menoja taseessaan.

Asettumalla tekoäly‑lääkekehityksen ja tarkkuuslääkkeiden leikkauspisteeseen, Exscientia pyrkii kahteen lääketieteen mullistavimpaan alaan. Merkin perusteella yhteistyö Merckin, Sanofin ja BMI:n kanssa, muutkin vakiintuneet lääkeyhtiöt pitävät alustaa suurelta potentiaalilta.

3. Recursion Pharmaceuticals, Inc

RXRX Hintakaavio

Mitä enemmän tekoälyt osallistuvat lääkekehitykseen ja -kehittämiseen, sitä arvokkaampaa data tulee olemaan tekoälyjen kouluttamiseen.

Biologia on äärimmäisen monimutkainen ala, jossa integroitua ja varmennettua dataa on joskus niukasti. Tämä on vakava ongelma, kun jokainen virhe luo vinoutuneisuutta, rajoituksia ja virheitä tekoälyyn, jonka on sitten ehkä koulutettava alusta alkaen.

Toinen haaste on valtava datamäärä, joka ylittää ihmisten kyvyn tuottaa ja järjestää se manuaalisesti.

Vastaamaan näihin rajoitteisiin Recursion on rakentanut alustan, jonka missio on “muuttaa lääkekehitys hakuprobleemiksi”. Se yhdistää kuivan laboratorion (in silico) ja märän laboratorion (biologiset näytteet) seuraavasti:

• 1,7 miljoonaa pientä molekyyliä sisältävä kirjasto.
• Solukulttuureja, CRISPR‑geenieditointia, liukoisia tekijöitä, elävien virusten ym.
• Automaattinen laboratoriorobotiikan työnkulku, joka mahdollistaa jopa 2,2 miljoonaa kokeilua viikossa.
• Korkean läpimenon mikroskoopit ja sekvensointijärjestelmät.
• Jatkuvat videovirrat kameroista, jotka tallentavat eläinten käyttäytymisen kokonaisvaltaisia mittauksia.
• Edistyneet laskentaresurssit, jotka ovat tuottaneet >21 petatavua omistettua korkean‑dimensiotaalista dataa.
• ADMET‑data (imeytyminen, jakautuminen, metabolia, erittyminen ja toksikologia).

Tämä luo ainutlaatuisia (ja massiivisia) tietoaineistoja proteomiikasta (proteiinipitoisuudet), transkriptomiikasta (mRNA‑tasot), fenomiikasta (solujen morfologia), ADMET‑ ja “in‑vivonomics”‑tiedoista (eläinten käyttäytyminen). Yritys aikoo myös tulevaisuudessa lisätä metabolomiikkaa ja genomistiikkaa aineistoihinsa.

Tämä datarikkaus mahdollistaa laajemman ehdokasvalikoiman varhaisessa vaiheessa, mutta kapeamman suppilon myöhemmin. Sen pitäisi myös nopeuttaa korkean potentiaalin lääkekandidaattien kehittämistä.

Lähde: Recursion

Tämän lähestymistavan potentiaalia eivät ole huomaamatta jättiläislääkeyhtiöt, jotka ovat edistäneet yhteistyötä Fibrosis‑alueella (Bayer) ja Neurologiassa (Roche‑Genentech).

Yritys on myös saanut 50 miljoonan dollarin investoinnin NVIDIA:lta heinäkuussa 2023, uuden AI‑laskentahardware‑jättiläisen. Tämä tapahtui heti Recursionin hankkiessa toukokuussa 2023 lääkekemian‑keskeiset pre‑kliniset startupit Cyclica ja Valance, yhteensä 87,5 miljoonaa dollaria.

Yhteensä yritys näkee 13 miljardia dollaria mahdollisia milestonemahdollisuuksia yli 50 mahdollisen ohjelman lisäksi rojaltituloja.

Yhteistyöt teknologia‑ (NVIDIA) ja lääkeyhtiö‑ (Bayer, Roche) yritysten kanssa sekä pienempien AI‑lääkestartuppien hankinnat voivat osoittaa, että Recursion on muuttumassa alan kulmakivuksi ja mahdolliseksi sarjaiseksi ostajaksi, jonka tavoitteena on tulla yhdeksi ensimmäisistä yrityksistä, jotka skaalaavat biologista dataa aiemmin saavuttamattomaan mittakaavaan.