Bioteknologia

Multiomiikka ja tekoäly terveydenhuollossa: Uusi raja-alue lääketutkimuksessa

mm
Julkaistu
Päivitetty
Lisää Securities.io suosikkilähteisiisi Google-palvelussa
Ilmoitus: Securities.io voi saada korvauksen, kun käytät arvioimiemme tuotteiden linkkejä. Tämä ei vaikuta toimituksellisiin arvioihimme. Emme ole rekisteröity sijoitusneuvoja; tämä ei ole sijoitusneuvontaa. Lue kumppanuusilmoituksemme.

Tarkkuuslääketiede on terveydenhuollon tulevaisuus

Kun tarkastellaan soveltavia kovia tieteitä, edistystä on saanut tarkemmat mittaukset ja työkalut. Tämä pätee erityisesti fysiikkaan ja kemiaan, joissa analyyttiset työkalut pystyvät nyt havainnoimaan yksittäisten atomien reaktioita kokeisiin, vauhdittaen nopeaa kehitystä puhdas energia, materiaalitiede, nanoteknologia, valmistus ja laskenta (seuraa linkkejä näihin aiheisiin).

Kuitenkin yksi tieteellinen ala on osoittautunut vaikeammaksi tarkkojen mittausten kannalta: biologia. Tämä on siksi, että elävät organismit eivät ole “yksinkertaisia” materiaaleja, jotka koostuvat muutamasta alkuaineesta, vaan äärimmäisen monimutkaisia molekyylikoneita, jotka koostuvat miljoonista, ellei jopa miljardeista eri osasta.

Joten todellinen esitys yhdestä ihmissolusta olisi lähes käsittämättömän monimutkainen, kuten muutama vuosi sitten viraaliksi mennyt tietokoneella luotu kuva yhdestä ihmissolusta osoitti.

Lähde: Newsweek

Tämä on tehnyt biologisten ja biokemiallisten ilmiöiden todellisen ymmärtämisen jatkuvaksi haasteeksi.

Genomiikka on ollut tärkeä ensimmäinen askel selittäessä solujen sisäisten komponenttien rakentamiseen käytettyä mallia/ohjeistusta. Toinen kasvava tekijä on tekoälyn käyttö, sillä kehittyneet neuroverkot pystyvät käsittelemään valtavan datamäärän paremmin kuin ihmismieli.

Yhdessä nämä ajavat terveydenhuollon murrosta, kun syntyy todellisesti henkilökohtaista tarkkuuslääketiedettä, joka on räätälöity jokaisen yksilön ainutlaatuiseen geenien, aineenvaihdunnan, sairaushistorian jne. koostumukseen.

Nykyään tarkkuuslääketiede on 500 miljardia dollarin markkina, ja siihen sisältyvät monoklonaaliset vasta-aineet, (222 miljardin dollarin markkina vuonna 2023), sekä edistyksellisimmät syöpähoidot kuten CAR-T-terapiat.

Mitä on multiomiikka?

Elävien järjestelmien valtava monimutkaisuus on johtanut multiomiikan syntyyn, alaan, joka yhdistää kaikki biologian -omiikka-alasegmentit ja jota pidetään bioteknologian seuraavana askeleena:

  • Genomiikka: DNA:n sekvenssin analyysi solun tumassa.
  • Transkriptomiikka: mRNA:n analyysi, joka kantaa DNA:n ohjeita.
  • Epi-genomiikka: geenin muokkaus ilman geneettisen sekvenssin muutosta, eli epigenetiikka.
  • Proteomiikka: proteiinin analyysi, mukaan lukien proteiinien sokerimuokkaukset (post-translationaalinen).
  • Metabolomiikka: kemiallisten yhdisteiden ja aineenvaihdunnan analyysi.
  • Microbiomiikka: kaikkien kehon sisällä tai pinnalla elävien mikrobien analyysi.
  • Yksittäissolun multiomiikka: multiomiikan analyysi yksittäisissä soluissa.
  • Spatiaalinen biologia: 3D-analyysi tiettyjen mRNA:n, proteiinien tai solujen sijainnista.

Uusia aloja syntyy, kuten esimerkiksi Agrigenomiikka (genomiikka maatalouden satojen parantamiseksi), Ekologinen (ekosysteemin terveyden ja sen geneettisen monimuotoisuuden tarkka arviointi) tai Synteettinen biologia (uusien geenien, ominaisuuksien tai kokonaan uusien organismien luominen tiettyä tarkoitusta varten).

Jokainen näistä aloista on saavuttanut valtavia edistysaskeleita uusien ja parannettujen analyysimenetelmien ansiosta, suurelta osin kiitos vallankumouksellisen kehityksen nanoteknologiassa, optiikassa, puolijohdeteollisuudessa ja laskentatehossa.

Valitettavasti biologiset tieteet ja lääketiede ovat alkaneet kamppailla näiden uusien datamäärien kanssa, ja vielä enemmän ymmärtääkseen monimutkaiset vuorovaikutukset kaikkien mahdollisten -omiikka-alueiden välillä.

Suuri osa tästä johtuu kirjaimellisesti biljoonista tai ehkä kvadriljoonista mahdollisista ristiinvuorovaikutuksista yksittäisten geenien, proteiinien, biomolekyylien, bakteerien jne. välillä.

Ja teoriassa, todellista henkilökohtaista lääketiedettä varten, nämä tiedot kerättäisiin jokaiselta yksilöltä ja yhdistettäisiin heidän digitaalisiin terveysrekistereihinsä.

Kustannusten lasku ja datamyrsky

Teknologinen kehitys analyysityökaluissa on romaottanut uusien tietojen keräämisen kustannukset. Tämä pätee esimerkiksi täyden ihmisen genomin sekvensointiin, jonka kustannukset ovat pudonneet yli miljoonaan kertaan 30 vuodessa, tai DNA-synteesi on nyt 10 000‑kertaisesti halvempaa.

Tämä tarkoittaa, että kun vuonna 2001 yhden genomin sekvensointi maksoi alun perin 450 000 dollaria, voimme nyt sekvensoida 1,4 miljardia genomia samalla hinnalla, eli 17 % maailman väestöstä.

Tuloksena genomiikka ja muut -omiikka‑tiedot ovat tulvaneet biologeja.

Esimerkiksi UK Biobank, suurin julkisesti saatavilla oleva genomiikkatietokanta, sisältää 27‑kertaisesti enemmän dataa kuin yksi suurimmista LLM:istä (Large Language Model), AI Llama 405b, jonka on rakentanut Meta (FB ).

Jos jokaisella maailman vastasyntyneellä sekvensoitaisiin genomi, mikä on todennäköinen käytäntö tulevina vuosina, se tuottaisi 10 000‑kertaisesti enemmän dataa kuin Llama käyttää vuodessa.

Onneksi, kun datamäärä moninkertaistuu tuhansilla, myös digitaalisten analyysityökalujen, erityisesti tekoälyn, tehokkuus kasvaa 1 000‑kertaisesti samalla kustannuksella.

Sovellukset lääketutkimuksessa

Virtuaalisolut

Kunnes äskettäin, potentiaalisen uuden lääkkeen vaikutuksen tai proteiinin vuorovaikutuksen toisen kanssa selvittämiseksi biologeiden täytyi suorittaa kokeet manuaalisesti, mikä oli kallista ja aikaa vievää.

Tämä hidasti luonnollisesti uusien lääkkeiden löytämistä ja nosti terveydenhuollon kustannuksia innovatiivisille hoidoille. Se saattoi toteutua joko in-vitro (laboratoriossa) tai in-vivo (elävässä organismissa, yleensä eläimessä).

Uusi vaihtoehto on äskettäin ilmestynyt, in-silico‑lähestymistapa, jossa yksi tai useampi virtuaalisolu simuloidaan tietokoneessa. Nämä virtuaalisolut altistetaan potentiaaliselle uudelle hoitomuodolle, ja simulointi laskee, miten ne reagoisivat.

Parannettu simulointi

Täydellisen genomin ja transkriptomin datan lisäksi toinen työkalu on nyt tulossa in-silico‑simulointiin: proteiinirakenteen (folding) simulaattorit kuten Googlen tekoäly AlphaFold (GOOGL ).

Monet proteiinipohjaiset lääkkeet riippuvat lääkkeen ja kehon solujen reseptorin tai kohdistettujen bakteerien tai syöpäsolujen pinnan välisistä vuorovaikutuksista.

Oikein ennustamalla in-silico proteiinin 3D‑rakenteen (folding) radikaalisti parannetaan lääkekehityksen onnistumisprosenttia ja nopeutta, mikä laskee kustannuksia.

Koska AlphaFold on parantunut jopa 500‑kertaisesti vuodesta 2018, in-silico‑simulaatiot tulevat olemaan pakollinen teknologia suurimmalle osalle biotekniikkayrityksiä.

Muut yritykset työskentelevät myös samanlaisen teknologian parissa kuin AlphaFold, mutta ei‑proteiini‑molekyyleille, kuten Schrödinger (SDGR ) , jonka esittelimme artikkelissa “Top 5 AI & Digital Biotech Companies”.

Syövän havaitseminen

Syövän varhainen havaitseminen, vaikka se ei olisi näkyvissä MRI‑kuvauksessa, voi usein olla elämän ja kuoleman välinen kysymys.

Uusi tekniikka, nimeltään nestebioseja, lupaa havaita varhaisessa vaiheessa tällaisia näkymättömiä syöpiä. Se toimii siten, että se käyttää genomin sekvensointityökaluja havaitakseen potilaan veressä syöpään tyypillisiä DNA‑sekvenssejä, vaikka ne olisivatkin äärimmäisen harvassa.

Nestebioseja on paljon vähemmän invasiivisia kuin perinteiset bioprospektit, ja ne vaativat vain verinäytteen. Niitä voitaisiin myös käyttää useiden mahdollisten syöpien etsimiseen samanaikaisesti.

Kesäkuussa 2024 Guardant Health (GH ) sai FDA:n hyväksynnän “Shield” -paksusuolen syövän seulontatestilleen. Grail (GRAL ), Illumina (ILMN ):n äskettäinen spin-off, on myös yritys, joka kehittää tällaista testiä.

Nestebiosejen lisäksi Minimal Residual Disease (MRD) -testaus yleistyy myös syöpäpotilaiden remissioiden tarkistamisessa. MRD:t voivat havaita syövän uusiutumisen jopa 20 kuukautta aikaisemmin kuin perinteinen kuvantaminen.

Sekä MRD- että nestebioseiden osalta korvaus yksityisiltä ja kansallisilta terveysvakuutusjärjestelmiltä on avainasemassa niiden käyttöönoton nopeuttamisessa.

Automatisoitu laboratorio

Kun tarvitaan yhä enemmän dataa ja havaitsemistyökalut tulevat halvemmiksi, yhä enemmän ihmisten, erityisesti tohtorintutkinnon omaavien, työvoima muodostuu rajoittavaksi tekijäksi (sekä kustannuksissa että kapasiteetissa) monien multiomiikka‑datan tuottamisessa.

Tämä pätee sekä itse manuaaliseen työhön, kuten näytteiden poimintaan, että kokeiden suunnitteluun.

Nouseva vaihtoehtoinen menetelmä on itseajava laboratorio (SDL). Se yhdistää robotiikan ja automaation korvatakseen tylsän ja hitaamman manuaalisen työn, luoden korkean läpimenoasteen kokeita. Se lisää myös LLM:itä datan analysointiin ja seuraavien kokeiden suunnitteluun.

Tämä uusi lääketutkimusmenetelmässä johtava yritys on Recursion Pharmaceuticals (RXRX ) (lisätietoa tästä yrityksestä alla).

Sijoitusnäkökulmat

Vaikka monia yrityksiä innovoi tekoälyn ja multiomiikan risteyskohdassa, muutama erottuu joko merkityksensä tai tavoitteidensa perusteella.

Recursion Pharmaceuticals

RXRX Hintakaavio

Recursion on yritys, joka alusta lähtien on keskittynyt käyttämään tekoälyä nopeuttamaan uutta lääketutkimusta. Tätä varten se yhdistää kuiva‑laboratorion (in-silico) ja märkä‑laboratorion (biologiset näytteet) seuraavien kanssa:

  • 1,7 miljoonaa pientä molekyyliä sisältävä kirjasto.
  • Solukulttuureja, CRISPR‑geenieditointia, liukoisia tekijöitä, elävien virusten jne.
  • Automaattinen laboratoriorobotiikkatyönkulku, joka mahdollistaa jopa 2,2 miljoonaa koetta viikossa.
  • Korkean läpimenoasteen mikroskoopit ja sekvensointijärjestelmät.
  • Jatkuvat videolähteet kameroista, jotka tallentavat kokonaisvaltaisia mittauksia eläinten käyttäytymisestä.
  • Edistyneet laskentaresurssit, jotka ovat tuottaneet yli 21 petatavua omaa korkeanulotteista dataa.
  • ADMET‑ (imeytyminen, jakautuminen, aineenvaihdunta, erittyminen ja toksikologia) data.

Recursion omistaa myös yhden maailman nopeimmista supertietokoneista kouluttaakseen LLM‑mallejaan ja tekoälyjään lääketutkimusta varten. AI‑mallit koulutettiin yli kahden miljardin kuvan kirjastolla ja ne pystyivät päättelemään 6 triljoonaa suhdetta kaikkien mahdollisten geenien ja yhdisteiden yhdistelmien välillä.

Elokuussa 2024 Recursion yhdistyi Exscientian, yrityksen, joka keskittyy tarkkuushoitoihin ja käyttää omaa “kattavaa robottiautomaatiota koko kokeellisessa prosessissa”. Recursion myös hankki toukokuussa 2023 lääke‑kemiaan keskittyvät esikliiniset startupit Cyclica ja Valance, yhteensä 87,5 miljoonaa dollaria.

Nämä äskettäin hankitut yritykset yhdistyvät Recursionin ydindataan, ja yritys on nyt täysin integroidut biotekniikkayritys, joka hoitaa kaiken kohteiden tunnistamisesta, in-silico‑ennusteista, in-vivo‑vahvistuksesta ja kliinisistä kokeista.

Lähde: Recursion

Recursionilla on yli 20 molekyyliä eri kehitysvaiheissa R&D‑putkessa, joista 7 on kliinisen tutkimuksen vaiheessa 1/2, pääasiassa onkologiassa (syöpä) ja harvinaisissa sairauksissa.

Nämä ohjelmat sisältävät yli 10 kumppanuusohjelmaa, joiden potentiaalinen maksua R&D‑virstanpylväistä on jopa 20 miljardia dollaria, joista 450 miljoonaa dollaria on jo maksettu.

Kokonaisuudessaan uusi Recursion, joka on kasvanut yritysostojen ja varhaisessa tekoälyn hyödyntämisessä lääketutkimuksessa, on muotoutumassa keskeiseksi kumppaniksi suurille lääketeollisuusyrityksille, jotka etsivät tapoja täydentää R&D‑putkeaan.

Illumina

Vaikka muut -omiikat ovat tärkeitä, lähes kaikki viittaavat jollain tavalla genomiikkaan, joka on jokaisen elävän solun perus “ohjekirja”.

Ja selvästi suurin genomin sekvensointilaitteiden tuottaja on Illumina. Yritys keskittyy lyhyiden geneettisten sekvenssien lukemiseen, jota käytetään syövän havaitsemiseen. Sillä on tällä hetkellä yli 22 000 asennettua sekvensseriä 165 maassa.

Noin puolet Illumina‑sekvensointilaitteiden kulutustarvikkeista käytetään kliinisissä sovelluksissa, ja toinen puoli julkisissa ja yksityisissä tutkimuslaboratorioissa. Kliinisissä sovelluksissa puolet kysynnästä tulee onkologiasta.

Lähde: Illumina

Kun genomiikka ja multiomiikka nousevat lääketutkimuksen ja syöpädiagnostiikan keskiöön, Illumina‑laitteiden kysyntä odotetaan olevan korkea. Yritys odottaa NGS‑ (Next Generation Sequencing) kysynnän kasvavan 18 % CAGR kliinisissä sovelluksissa ja 6 % CAGR tutkimuksessa, mikä nostaa sektorin kokonaismarkkinakoon (TAM) 100 miljardiin dollariin kliinisissä sovelluksissa ja 25 miljardiin dollariin tutkimuksessa vuoteen 2033 mennessä.

Lähde: Illumina

Illumina on käynyt monimutkaista historiaa nestebioseja kehittävän Grail‑yrityksen kanssa (GRAL ), joka oli Illumina‑spinoff, myöhemmin takaisinostettu, ja nyt pakotettu spin‑offiksi kilpailuviranomaisten Yhdysvalloissa ja EU:ssa.

Nyt kun tämä ongelma on ratkaistu, Illumina saattaa jatkaa pitkän aikavälin kasvuaan ja osakekurssin nousua, erityisesti koska Grailin nestebioseja todennäköisesti luottavat Illumina‑sekvensereihin.

Ginkgo Bioworks

Useimmat multiomiikkaan keskittyvät yritykset toimivat lääke‑/biotekniikkasektorilla potentiaalisen kannattavuuden vuoksi, joka liittyy läpimurtosyöpähoitoihin tai harvinaisten sairauksien parantamiseen.

Mutta tämä jättäisi huomiotta biosysteemien uskomattoman potentiaalin lukemattomiin muihin sovelluksiin, kuten kemianteollisuuteen, maatalouteen, materiaaleihin, biopolttoaineisiin jne.

Tämä on juuri Ginkgo Bioworks :n keskeinen tavoite, jonka innovatiivinen malli “organismien tilauksesta” vastaa erityisiin teollisiin tarpeisiin, tehden siitä johtajan nousevalla synteettisen biologian alalla (katso “Top 5 Synthetic Biology Public Companies”).

Tällä tavoin Ginkgo voi tarjota mitä tahansa yhteistyön tasoa, yksinkertaisesti myymällä työkaluja uusien organismien tuottamiseen, sopimalla ratkaisujaan tai täysimittaisiin kumppanuuksiin.

Ginkgon erilaisista tutkimusohjelmista ja kumppanuuksista voidaan mainita:

Ginkgon asiantuntemus näkyy erittäin monipuolisessa asiakas- ja kumppanijoukossa, jonka yritys on saanut viime vuosina, globaalien teollisuus- ja maatalousyritysten sekä johtavien lääketeollisuuden yritysten kanssa.

Yrityksen tutkimuslaitteisto perustuu uudelleenkonfiguroitaviin automaatiosäiliöihin (RACs), jotka muodostavat moduuleja, jotka voidaan integroida kokonaisiksi tutkimuslaboratorioiksi korkean läpimenoasteen biologisen datan tuottamiseksi.

Ginkgon täytyi uudistaa liiketoimintamallinsa vuonna 2024 laajentumisjakson ja liian monien maantieteellisten sijaintien jälkeen. Tämä on mahdollistanut yrityksen leikkaavan toimintakustannuksensa (opex) 515 miljosta dollaria neljännesvuosittain 375 miljoon dollariin, pääosin jakamalla kiinteät kulut puoliksi.

Tämän pitäisi viedä se lähemmäs kannattavuutta sekä edistää tutkimussopimuksia vastaavien maksuvirstanpylväiden kanssa.

Haasteet

Yksityisyys

Jos multiomiikka‑analyysien ja henkilökohtaisen lääketieteen aikakausi on tulossa pian, se ei ole ilman haasteita. Ensimmäinen on tietojen yksityisyyskysymys, erityisen herkkä aihe, kun tiedot eivät ole pelkästään digitaalista elämäämme vaan myös omia kehojamme.

On selvää, että hyvä turvallisuus, pääsy vain valtuutetuille henkilöille ja tietojen anonymisointi, sekä estäminen, että näitä tietoja käytetään hoidon tai vakuutuksen kieltämiseen, ovat välttämättömiä, jotta ihmiset omaksuvat tämän teknologisen vallankumouksen.

Huoli yleisesti kerätyistä geneettisistä tiedoista, erityisesti jos ne ovat saatavilla ei‑lääketieteellisille asiantuntijoille (esimerkiksi poliisin tai valtion virastojen jäsenille), on myös käsiteltävä.

Sääntely

Biologisten tietojen herkän luonteen vuoksi odotetaan tiukempaa sääntelyä. Tämä kattaa ensinnäkin yksityisyyskysymyksen, mutta myös muita aiheita, kuten:

  • Monopoliriski, jossa yksi tai muutama yritys ottaa vähitellen hallintaansa kaikki biologiset datamme, sillä mitä enemmän dataa, sitä tehokkaampia AI‑pohjaiset analyysit ovat.
  • Riskien tasapainottaminen yksilöiden tai koko väestön osalta sekä syrjinnän ja epäreilujen kaupallisten käytäntöjen välttäminen.
  • Oikeudenmukainen kohtelu henkilökohtaisessa lääketieteessä riippumatta varallisuudesta, sekä mahdollisten yhteiskunnallisten kustannusten hallinta.

Saavutettavuus

Koska henkilökohtainen lääketiede ja multiomiikka‑data ovat äärimmäisen monimutkaisia, niiden selittäminen ei‑tieteilijöille tai lääkäreille on vaikeaa. Yhdistettynä epäreiluuden ja yksityisyysongelmien riskeihin, on todennäköistä, että syntyy vastustusta tai jopa takaiskuja.

Samoin kuin massarokotuskäytäntö mRNA‑rokotteella Covidia vastaan oli voimakkaasti politisoitu, tällainen lopputulos ei ole epätodennäköinen multiomiikka‑ ja tekoälypohjaisessa lääketieteessä.

Vastaavasti tällainen teknologia voi aluksi olla kallista, ja on tärkeää estää varallisuuserojen muuttuminen biologiseksi ja terveysjakautumaksi.

Tulevaisuus AI‑ohjatussa terveydenhuollossa

Yhdistelmä kasvavaa lääketieteellistä dataa, voimakasta tekoälyä, automatisoituja biologisia laboratorioita, in-silico‑simulaatioita proteiineista ja jopa kokonaisista soluista luo täysin uusia lääketieteen ja lääketutkimuksen aloja.

Tämä on todennäköisesti vasta alkua, kun yhä enemmän edistysaskelia kerääntyy nopeuttamaan innovaatioita entisestään:

  • Parempi tekoäly, esimerkiksi avoimen lähdekoodin DeepSeek‑laskennan radikaali parannus, sekä AlphaFold ja avoimen kurssin OpenCRISPR‑1.
  • Parantunut laskentakyky, jossa kvanttilaskenta on todennäköisesti voimakas työkalu ratkaisemaan ongelmia, kuten proteiinien 3D‑rakenteet.
  • Paremmat analyysityökalut, Next‑Generation Sequencing (NGS) -tekniikasta spatiaalibiologiaan.
  • Tarkemmat ja turvallisemmat geenimanipulaatiotyökalut, mukaan lukien CRISPR, ohjattu evoluutio ja synteettinen sekä ohjelmoitava biologia.
  • Uudet sovellukset luovat mittakaavaetuja multiomiikka‑analyyseille, kuten nestebioseja ja varhaista syövän havaitsemista.

Lopulta, lähitulevaisuudessa suurin osa lääketieteestä saattaa olla räätälöityä yksilöllisen geneettisen koostumuksemme mukaan, voimme tehdä vuosittaisen varman syöpätestin verinäytteestä, ja olla terveempiä ja energisempiä täydellisen aineenvaihdunnan, mikrobiomin ja genomin tasapainon ansiosta.

Sijoitusnäkökulmasta on todennäköistä, että AI‑biotekniikkakilpailun päävoittajat ovat yritykset, joilla on kyky luoda suuria biologisia tietoaineistoja, enemmän kuin ainutlaatuisella omistusoikeudellisella algoritmilla tai laskentateholla, sillä tekoälyteknologia kehittyy nopeasti ultra‑suurten datakeskusten tarjoaman kestävän edun ohi kohti hajautettua avoimen lähdekoodin mallia.

mm

Jonathan on entinen biokemian tutkija, joka on työskennellyt geneettisen analyysin ja kliinisten kokeiden parissa. Hän on nyt osakeanalyytikko ja rahoituskirjoittaja, jonka keskittyminen on innovaatioihin, markkisykleihin ja geopoliittisiin asioihin julkaisussaan 'The Eurasian Century'.