Bioteknik

Multiomics och AI inom sjukvården: En ny frontlinje för läkemedelsupptäckt

mm
Publicerad
Uppdaterad
Lägg till Securities.io bland dina föredragna källor på Google
Information: Securities.io kan få ersättning när du använder länkar till produkter vi granskar. Det påverkar inte våra redaktionella bedömningar. Vi är inte registrerad investeringsrådgivare; detta är inte investeringsråd. Läs vår affiliateinformation.

Precision Medicine är framtiden för sjukvården

När det gäller tillämpade naturvetenskaper har en källa till framsteg varit mer precisa mätningar och verktyg. Detta gäller särskilt fysik och kemi, där analytiska verktyg nu kan observera enskilda atomers reaktioner på experiment, vilket driver snabb utveckling inom ren energi, materialvetenskap, nanoteknik, tillverkning och databehandling (följ länkarna för artiklar om dessa ämnen).

Dock har ett vetenskapligt område visat sig vara en svårare nöt att knäcka för precisa mätningar: biologi. Detta beror på att levande organismer inte är “enkla” material bestående av några få element utan ultrakomplexa molekylära maskiner bestående av miljontals, om inte miljarder, olika delar.

Så en sann representation av en enskild mänsklig cell skulle vara nästan obegripligt komplex, vilket illustreras av en datorgenererad bild av en enskild mänsklig cell som gick viral för några år sedan.

Källa: Newsweek

Detta har gjort en sann förståelse av biologiska och biokemiska fenomen till en bestående utmaning.

Genomik har varit ett viktigt första steg, genom att förklara mallen/instruktionerna som cellerna använder för att bygga sina interna komponenter. En annan växande faktor är användningen av AI, eftersom avancerade neurala nätverk kan hantera den enorma mängden data bättre än den mänskliga hjärnan.

Tillsammans kommer detta att driva transformationen inom sjukvården, med framväxten av verkligt personlig precision medicine, skräddarsydd för varje individs unika sammansättning av gener, metabolism, medicinska historia osv.

För närvarande är precision medicine en marknad på 500 miljarder dollar, och inkluderar monoklonala antikroppar, (en marknad på 222 miljarder dollar 2023), samt de mest avancerade cancerbehandlingarna som CAR-T-terapier.

Vad är Multiomics?

Den enorma komplexiteten i levande system har lett till framväxten av multiomics, ett område som samlar alla -omics delsegment inom biovetenskaperna och framhålls som nästa steg inom bioteknik:

  • Genomik: analysen av DNA-sekvensen i cellens kärna.
  • Transcriptomics: analysen av mRNA som bär DNA:s instruktioner.
  • Epigenomics: modifieringen av genomet utan att påverka den genetiska sekvensen, eller “epigenetik”.
  • Proteomics: analysen av proteiner, inklusive modifiering av proteiner med sockerarter (“post‑translationell”).
  • Metabolomics: analysen av kemiska föreningar och metabolismen.
  • Microbiomics: analysen av alla mikrober som lever i eller på kroppen.
  • Single‑cell multiomics: multiomics‑analys på enskilda celler.
  • Spatial biology: analys i 3D av placeringen av specifik mRNA, proteiner eller celler.

Nya fält dyker upp, till exempel Agrigenomics (genomik för att förbättra jordbrukets avkastning), Ekologisk genomik (noggrann utvärdering av ett ekosystems hälsa och dess genetiska mångfald), eller Syntetisk biologi (skapa nya gener, egenskaper eller hela organismer med ett specifikt syfte).

Var och en av dessa fält har gjort enorma framsteg tack vare nya och förbättrade analytiska metoder, till stor del möjliggjorda av revolutionerande framsteg inom nanoteknik, optik, halvledarteknik och beräkningskraft.

Tyvärr har biovetenskaperna och medicinen börjat kämpa med att hantera all denna nya data, och ännu mer med att förstå de komplexa interaktionerna mellan alla möjliga -omics‑fält.

Till stor del beror detta på bokstavligen biljoner eller kanske kvadrillioner av potentiella korsinteraktioner mellan enskilda gener, proteiner, biomolekyler, bakterier osv.

Och i teorin, för verkligt personlig medicin, skulle dessa data samlas in för varje enskild individ och kopplas till deras digitala hälsodata.

Sjunkande kostnader och en flod av data

Den teknologiska förbättringen av analytiska verktyg har kollapsat kostnaderna för att samla in ny data. Detta är till exempel sant för sekvensering av ett fullständigt mänskligt genom, vars kostnad har minskat med mer än en miljon på 30 år, eller DNA‑syntes som nu är 10 000 gånger billigare.

Det betyder att när det ursprungligen kostade 450 000 $ att sekvensera bara ett genom år 2001, kan vi nu sekvensera 1,4 miljarder genom för samma pris, eller 17 % av världens befolkning.

Som ett resultat har genomik och annan -omics‑data översvämmat biologer.

Till exempel innehåller UK Biobank, den största offentligt tillgängliga genomikdatabasen, 27 gånger så mycket data som driver en av de största LLM (Large Language Model), AI Llama 405b byggd av Meta (FB ).

Om varje nyfödd i världen fick sitt genom sekvenserat, en sannolik praxis under de kommande åren, skulle detta generera 10 000 gånger den data som Llama använder varje år.

Lyckligtvis, medan mängden data multipliceras med tusental, ökar även effektiviteten hos digitala analysverktyg, särskilt AI, som blir 1 000 gånger kraftfullare för samma kostnad.

Tillämpningar inom läkemedelsupptäckt

Virtuella celler

Tills nyligen, för att veta effekten av ett potentiellt nytt läkemedel, eller hur ett protein interagerar med ett annat, behövde biologer köra experimentet manuellt, en dyr och tidskrävande uppgift.

Detta saktade naturligtvis ner ny läkemedelsupptäckt och ökade sjukvårdskostnaderna för innovativa behandlingar. Det kunde antingen göras in‑vitro (i ett laboratorium) eller in‑vivo (i en levande organism, vanligtvis ett djur).

Ett nytt alternativ har nyligen dykt upp, den in‑silico‑metoden, där en eller flera virtuella celler simuleras i en dator. Dessa virtuella celler utsätts sedan för den potentiella nya behandlingen och simuleringen beräknar hur de skulle reagera.

Förbättrad simulering

Förutom fullständiga genom‑ och transkriptomdata, gör ett annat verktyg nu sitt intåg i in‑silico‑simulering: proteinfällningssimulatorer som Googles AI AlphaFold (GOOGL ).

Många läkemedel baserade på proteiner är beroende av interaktionerna mellan läkemedlet och en receptor i kroppens celler, eller ytan på riktade bakterier eller cancerceller.

Att korrekt förutsäga in‑silico proteinets 3D‑konfiguration (veckling) kommer radikalt förbättra framgångsfrekvensen och hastigheten för läkemedelsutveckling, vilket sänker kostnaderna.

Eftersom AlphaFold har förbättrats med upp till 500 gånger sedan 2018, kommer in‑silico‑simulationer att bli en nödvändig teknik för de flesta biotech‑företag.

Andra företag arbetar också med liknande teknik som AlphaFold men för icke‑proteinmolekyler, som Schrödinger (SDGR ) , som vi täckte i “Top 5 AI & Digital Biotech Companies”.

Cancerupptäckt

Den tidiga upptäckten av cancer, även när den inte syns i en MR‑skanner, kan ofta vara en fråga om liv eller död.

En ny teknik kallad flytande biopsi bär löftet att tidigt upptäcka sådana osynliga cancertumörer. Så fungerar den: den använder genomsekvenseringsverktyg för att upptäcka DNA‑sekvenser som är typiska för cancer i patientens blod, även om dessa sekvenser är extremt sällsynta.

Flytande biopsier är mycket mindre invasiva än faktiska biopsier och kräver bara ett blodprov. De kan också användas för att söka efter flera potentiella cancertumörer samtidigt.

I juni 2024 fick Guardant Health (GH ) sitt “Shield”-test för kolorektalcancer godkänt av FDA. Grail (GRAL ), den senaste avknoppningen från Illumina (ILMN ), är också ett företag som utvecklar ett sådant test.

Förutom flytande biopsi blir Minimal residual disease (MRD)-testning också allt vanligare för att kontrollera remission hos cancerpatienter. MRD kan upptäcka återfall av cancer upp till 20 månader tidigare än traditionell avbildning.

För både MRD och flytande biopsi kommer ersättning från privata och nationella sjukförsäkringssystem att vara avgörande för att påskynda deras antagande.

Automatiserat laboratorium

När allt mer data behövs och detekteringsverktygen blir billigare, blir det i allt högre grad den arbetskraft från människor med PhD‑nivå som blir den begränsande faktorn (både i kostnad och kapacitet) för att generera mer multiomics‑data.

Detta gäller både för det manuella arbetet i sig, såsom att extrahera prover, och för designen av experimenten.

En framväxande alternativ metod är det självkörande laboratoriet (SDL). Detta kombinerar robotik och automatisering för att ersätta tråkigt och långsamt manuellt arbete, vilket skapar högkapacitets‑experimentering. Det lägger också till LLM‑modeller för att analysera data och designa nästa uppsättning experiment.

En ledare inom denna nya metod för läkemedelsupptäckt är Recursion Pharmaceuticals (RXRX ) (mer om detta företag nedan).

Investeringsinsikter

Medan det finns många företag som innoverar i skärningspunkten mellan AI och multiomics, sticker några ut antingen på grund av deras betydelse eller deras ambitioner.

Recursion Pharmaceuticals

RXRX Prisdiagram

Recursion är ett företag som från sin start har fokuserat på att använda AI för att påskynda ny läkemedelsupptäckt. För att göra detta kombinerar de torrt laboratorium (in‑silico) och vått laboratorium (biologiska prover) med:

  • Ett bibliotek med 1,7 miljoner små molekyler.
  • Cellkulturer, CRISPR‑genredigering, lösliga faktorer, levande virus osv.
  • Ett automatiserat laboratorierobotik‑arbetsflöde som möjliggör upp till 2,2 miljoner experiment varje vecka.
  • Högkapacitets‑mikroskop och sekvenseringssystem.
  • Kontinuerliga videoströmmar från kameror som registrerar holistiska mätningar av djurs beteenden.
  • Avancerade beräkningsresurser, som har genererat >21 petabyte av proprietär högdimensionell data.
  • ADMET‑data (absorption, distribution, metabolism, exkretion och toxicitet).

Recursion äger också en av världens snabbaste superdatorer för att träna sina LLM‑ och AI‑modeller för läkemedelsupptäckt. AI‑modellerna tränades på ett bibliotek med mer än 2 miljarder bilder och härledde 6 biljoner relationer mellan alla möjliga kombinationer av gener och föreningar.

I augusti 2024 gick Recursion samman med Exscientia, ett företag fokuserat på precisionsterapier och som använder sin egen “omfattande robotautomatisering över hela experimenteringscykeln”. Recursion förvärvade också i maj 2023 de läkemedelskemi‑fokuserade prekliniska startup‑företagen Cyclica och Valance, för totalt 87,5 miljoner dollar.

Med dessa nyförvärvade företag som integreras med Recursions kärndatamängder är företaget nu ett fullt integrerat biotech‑företag som hanterar allt från målidentifiering, in‑silico‑förutsägelser, in‑vivo‑validering och kliniska prövningar.

Källa: Recursion

Recursion har över 20 molekyler i olika utvecklingsstadier i sin FoU‑pipeline, varav 7 är i fas 1/2 av kliniska prövningar, främst inom onkologi (cancer) och sällsynta sjukdomar.

Dessa program inkluderar över 10 partnerskapsprogram med upp till 20 miljarder dollar i potentiella betalningar för FoU‑milstenar, varav 450 miljoner dollar redan har betalats.

Sammanfattningsvis, den nya Recursion, som vuxit genom förvärv och ett tidigt steg i att utnyttja AI för läkemedelsupptäckt, är på väg att bli en nyckelpartner för stora läkemedelsföretag som söker fylla på sin FoU‑pipeline.

Illumina

Medan de andra -omics är viktiga, kretsar nästan alla på något sätt kring genomik, den centrala “instruktionsmanualen” för varje levande cell.

Och med hela tiden den största producenten av genomsekvenseringsmaskiner är Illumina. Företaget fokuserar på korta genetiska sekvensavläsningar, den som används för cancerupptäckt. Det har för närvarande över 22 000 installerade sekvenserare i 165 länder.

Ungefär hälften av Illuminas förbrukningsmaterial för sekvenseringsmaskiner används i kliniska tillämpningar, medan den andra hälften används i offentliga och privata forskningslaboratorier. I kliniska tillämpningar kommer hälften av efterfrågan från onkologi.

Källa: Illumina

När genomik och multiomics blir centrum för läkemedelsupptäcktsprocessen samt cancerdiagnostik, förväntas Illuminas utrustning vara starkt efterfrågad. Företaget förväntar sig att efterfrågan på NGS (Next Generation Sequencing) ska växa med 18 % CAGR för kliniska tillämpningar och 6 % CAGR för forskning, vilket ökar sektorns totala adresserbara marknad (TAM) från 100 miljarder dollar för kliniska till 25 miljarder dollar för forskning år 2033.

Källa: Illumina

Illumina har en komplicerad historia med flytande biopsiföretaget Grail (GRAL ), som var en avknoppning från Illumina, senare återköpt, och nu tvingas åter bli en avknoppning av konkurrensmyndigheter i USA och EU.

Med detta problem ur vägen kan Illumina återuppta sin långsiktiga tillväxt och aktiekursökning, särskilt eftersom Grails flytande biopsitester sannolikt kommer att förlita sig på Illumina‑sekvenserare.

Ginkgo Bioworks

De flesta multiomics‑fokuserade företag finns inom läkemedels‑/biotech‑sektorn på grund av den potentiella lönsamheten för blockbuster‑cancert behandlingar eller botande av sällsynta sjukdomar.

Men detta skulle ignorera den otroliga potentialen hos biosystem för otaliga andra tillämpningar, inklusive kemiproduktion, jordbruk, material, biobränslen osv.

Detta är exakt fokuset för Ginkgo Bioworks , med en innovativ modell för att bygga ”organismer på begäran” för att svara på specifika industriella behov, vilket gör dem till en ledare inom det framväxande området syntetisk biologi (se “Top 5 Synthetic Biology Public Companies”).

På så sätt kan Ginkgo erbjuda alla nivåer av samarbete, från att helt enkelt sälja verktygen för att producera nya organismer till att kontraktera sina lösningar till fullskaliga partnerskap.

Bland Ginkgos olika forskningsprogram och partnerskap kan nämnas:

Ginkgos expertis demonstreras av den mycket diversifierade kund- och partnerbasen företaget har haft de senaste åren, från globala industri‑ och jordbruksföretag till ledande läkemedelsbolag.

Företagets forskningsutrustning är strukturerad kring Reconfigurable Automation Carts (RACs), som bildar moduler som kan integreras till hela forskningslaboratorier för högkapacitetsgenerering av biologisk data.

Ginkgo var tvungen att reformera sin affärsmodell 2024, efter en period av expansion och för många geografiska platser. Detta har gjort det möjligt för företaget att minska sina driftskostnader (opex) från 515 miljoner dollar per kvartal till 375 miljoner dollar, främst genom att halvera overheadkostnaderna.

Detta bör föra dem närmare lönsamhet, samt ytterligare framsteg i forskningsavtal med motsvarande betalningsmilstenar.

Utmaningar

Integritet

Om epoken av multiomics‑analyser och personlig medicin närmar sig snart, är den inte utan utmaningar. Den allra första är frågan om dataintegritet, ett särskilt känsligt ämne när data inte bara är vårt digitala liv utan våra egna kroppar.

Det är tydligt att god säkerhet, åtkomst endast för behörig personal och anonymisering av data, samt att undvika att sådana data används för att neka medicinsk vård eller försäkring, kommer att vara ett måste för att människor ska omfamna denna teknologiska revolution.

Oro över universellt insamlade genetiska data, särskilt om de är tillgängliga för icke‑medicinska specialister (till exempel polis eller statliga organ) måste också tas upp.

Regleringar

På grund av den känsliga naturen hos biologiska data kan ökade regleringar förväntas. Detta omfattar först frågan om integritet, men även andra ämnen såsom:

  • Riskerna för att monopol uppstår, där ett eller några få företag gradvis tar kontroll över all vår biologiska data, eftersom mer data gör AI‑baserade analyser mer effektiva.
  • Att hantera en balans mellan att förstå risker för individer eller hela populationer, och att undvika diskriminering eller orättvisa kommersiella metoder.
  • Rättvis behandling avseende personlig medicin oavsett din förmögenhet, men också hantera de potentiella kollektiva kostnaderna.

Tillgänglighet

Eftersom personlig medicin och multiomics‑data är extremt komplexa kommer de att vara svåra att förklara för icke‑vetenskapsmän eller läkare. Kombinerat med riskerna för orättvisa och integritetsfrågor är det sannolikt att viss motstånd eller till och med motreaktion kommer att uppstå.

På samma sätt som policyn för massvaccination med mRNA‑vaccin mot Covid var starkt politiserad, är ett sådant resultat inte osannolikt för multiomics och AI‑driven medicin.

På liknande sätt kan sådan teknik initialt vara kostsam, och det blir viktigt att undvika att förmögenhetsklyftor blir en biologisk och hälsomässig klyfta.

Framtiden för AI‑driven sjukvård

Kombinationen av en växande volym av medicinsk data, kraftfull AI, automatiserade biologiska laboratorier, in‑silico‑simulationer av proteiner och till och med hela celler skapar helt nya områden inom medicin och medicinsk forskning.

Det är också troligt att detta bara är början, eftersom mer framsteg samlas för att påskynda innovationer ännu mer:

  • Bättre AI, med den radikala förbättringen i beräkning av den öppna källkoden DeepSeek som det senaste exemplet, samt AlphaFold och open‑course OpenCRISPR‑1.
  • Förbättrad beräkningskapacitet, där kvantdatorer sannolikt blir ett kraftfullt verktyg för att lösa problem som proteiners 3D‑konfiguration.
  • Bättre analytiska verktyg, från Next‑Generation Sequencing (NGS) till spatial biologi.
  • Mer precisa och säkrare verktyg för genmanipulation, inklusive CRISPR, riktad evolution och syntetisk & programmerbar biologi.
  • Nya tillämpningar skapar nya stordriftsfördelar för multiomics‑analyser, som flytande biopsi och tidig cancerupptäckt.

I slutändan, inom en inte så avlägsen framtid, kan det mesta av medicinen skräddarsys efter vår individuella genetiska sammansättning, vi kan genomföra en årlig idiotsäker cancerkontroll via ett blodprov, och vara hälsosammare och energiskare tack vare den perfekta balansen mellan vår metabolism, mikrobiom och genom.

Ur ett investeringsperspektiv är det sannolikt att de främsta vinnarna i AI‑biotech‑kapplöpningen blir företag som kan skapa stora biologiska datamängder, snarare än att ha en unik proprietär algoritm eller beräkningskraft, eftersom AI‑teknologin rör sig mycket snabbt bort från ultra‑stora datacenter som ger en hållbar fördel, och mer mot en decentraliserad öppen källkodsmodell.

mm

Jonathan är en tidigare biokemistforskare som arbetade med genetisk analys och kliniska prövningar. Han är nu en aktieanalytiker och finansskribent med fokus på innovation, marknadscykler och geopolitik i sin publikation 'The Eurasian Century'.