Ang MRSA ay Lalong Karaniwan sa mga Pasilidad Pangkalusugan – Nagbigay na ba ng Kasangkapan ang AI upang Labanan ito?

Ang Unang Rebolusyong Medikal

Bago naimbento ang penicillin, ang unang antibiotic, maaaring ikamatay ang simpleng impeksiyon sa baga o kahit maliit na sugat. Isa lamang itong katotohanan ng buhay na kinaharap—at ikinamatay—ng mga tao.

Sa loob ng mahabang panahon, regular na natutuklasan ang mga bagong uri ng antibiotic kaya napipigil ang banta ng bacterial infection. Ngunit dahil sa paglitaw ng mga bakteryang lumalaban sa antibiotic, hindi na tiyak kung magpapatuloy pa ito nang matagal.

Direktang nagdulot ang antimicrobial resistance (AMR) ng 1.27 milyong pagkamatay noong 2019, at isa sa bawat limang biktima ay batang wala pang limang taong gulang. May 4.95 milyong taong namatay noong 2019 na nagkaroon ng drug-resistant infection, kabilang ang mga impeksiyon sa lower respiratory tract, dugo, at loob ng tiyan.

Lalong malubha ang suliraning ito sa mga ospital, kung saan ang mas madalas na paggamit ng antibiotic at mas mahinang immune system ay ginagawang pangunahing sanhi ng impeksiyon at pagkamatay ang antibiotic resistance.

Sa paligsahan sa pagitan ng mga bagong antibiotic at antibiotic resistance, nangunguna ang bakterya. Noong 1987 pa huling may natuklasang bagong uri ng antibiotic na umabot sa merkado. Hindi na gumagana ang tradisyonal na paraang walang pinipiling magsuri ng sampu-sampung libong kemikal upang humanap ng potensiyal na antibiotic.

Pinagmulan: ReAct Group

MRSA – Ang Papalapit na Kalamidad sa Pangangalagang Pangkalusugan

Ang Staphylococcus aureus ay bakteryang nabubuhay sa balat. Ang methicillin-resistant Staphylococcus aureus (MRSA) ay lumalaban sa karaniwang antibiotic gaya ng methicillin at madalas ding lumalaban sa iba pang paggamot o antibiotic.

Karamihan sa mga impeksiyong MRSA ay nangyayari sa mga ospital o pasilidad ng pangangalagang pangkalusugan, gaya ng dialysis center o nursing home. Maaari rin itong kumalat sa pamamagitan ng pagdikit ng balat.

Dahil nasa balat ang Staphylococcus aureus, malamang itong magdulot ng impeksiyon pagkatapos ng operasyon o sa bukas na sugat.

Sa Estados Unidos lamang, pumapatay ang mga impeksiyong MRSA ng mahigit 10,000 tao bawat taon at nagdudulot ng mahigit 80,000 impeksiyon. Nagsimula na ring lumaban ang ilang MRSA strain sa vancomycin, isa sa mga huling antibiotic na mabisa laban dito.

Dahil dito, lumilitaw ang banta ng malawakang pagkalat ng MRSA na hindi mapapatay at ng pagbabalik sa panahong bago ang antibiotic, kung kailan nakamamatay ang karaniwang bacterial infection.

AI sa Pagliligtas

Kung hindi na gumagana ang walang pinipiling pagsusuri sa libu-libong kandidatong antibiotic, bakit hindi matalinong suriin ang milyon-milyon? Ito ang gawaing tinututukan ng mga mananaliksik ng MIT na pinangungunahan ni James Collins.

Gumagamit ang mga mananaliksik ng MIT ng deep-learning AI model upang hulaan kung aling mga kemikal na molekula ang maaaring magkaroon ng antibacterial activity.

Una, itinuro nila sa AI model ang mga chemical pattern na kilalang may antibacterial activity. Pagkatapos, maaari nitong suriin ang milyon-milyong posibleng molekula upang maghanap ng kaparehong potensiyal.

Sinubukan muna ng mga mananaliksik ang antibiotic activity ng 39,000 molekula laban sa MRSA at ipinakita ang resulta sa AI, na ginamit iyon upang matutuhan kung ano ang mabisa.

Pagkatapos ay bumuo sila ng paraang tinatawag na Monte Carlo tree search upang gawing mas madaling maunawaan ng mga mananaliksik ang resulta ng AI. Ipinapakita nito kung aling bahagi ng posibleng bagong molekulang antibiotic ang inaasahang responsable sa medikal na epekto.

AI na Pagtutulungan

Hindi sapat na matukoy kung ano ang makapapatay sa mapaminsalang bakterya. Mahalaga ring tiyaking ligtas para sa mga pasyente ang mga kemikal na compound.

Gamit ang kaparehong prinsipyo ng pagtuklas ng antibiotic, nagsanay din ang mga mananaliksik ng tatlong magkakaibang deep-learning model upang hulaan ang toxicity sa tatlong uri ng selula ng tao.

Pinagsama ang mga resultang ito sa kinalabasan ng AI na nakatuon sa MRSA upang matukoy ang mga compound na mahusay na kandidato kapwa sa antibiotic activity at safety profile.

Malinaw nitong ipinapakita na ang AI-powered drug discovery ay hindi lamang umaasa sa paggabay ng tao sa AI, kundi lalo ring sa pakikipag-usap at pagtutulungan ng mga AI system sa isa’t isa.

Kahanga-hangang Resulta

Sinuri ng mga mananaliksik ng MIT ang hindi bababa sa 12 milyong kemikal na compound. Mahalaga, lahat ng ito ay mabibili na, kaya mas madaling gawing bagong antibiotic dahil nakahanda na ang supply chain para sa paggawa ng mga ito.

Sa tulong ng AI, nakabuo ng maikling listahan ng 280 compound. Sinubukan ang mga ito laban sa MRSA, at dalawang compound mula sa iisang uri ang napatunayang nakapagpababa ng MRSA nang sampung ulit. Gumagana ang mga antibiotic sa pamamagitan ng paggambala sa electrochemical gradient ng cell membrane ng bakterya.

Isa itong bagong tagumpay para sa research team, na dati nang nakahanap ng dalawang posibleng bagong antibiotic—ngunit hindi mabisa laban sa MRSA—ang halicin at aubicin.

Ano ang Kahulugan Nito para sa Hinaharap na Pagtuklas ng Gamot

Mula Pharma Patungo sa Biotech Pabalik sa Pharma?

Laging nasa sentro ng business model ng mga pharmaceutical company ang drug discovery. Mahalaga ito dahil nag-e-expire ang mga patent at kailangan ang mga bagong eksklusibong gamot upang mapanatili ang kita at pondohan ang karagdagang R&D at pag-unlad sa medisina.

Sa kasamaang-palad, bahagyang natigil ang paraang naghahanap sa kalikasan at sa mga artipisyal na molekula ng mga bagong active compound.

Ito ang nagtulak sa pag-usbong ng mga biotech company, na gumagamit ng mga biological molecule gaya ng antibody sa halip na kemikal. Dahil din dito, napilitang bumili ng mga biotech startup ang mga tradisyonal na pharmaceutical company, kaya marami sa kanila ang naging higit na marketing machine kaysa R&D-driven na negosyo tulad ng dati.

Kung magiging mas matagumpay ang pagtuklas ng mga kemikal na gamot, maaaring bumalik ang mas maraming pharmaceutical company sa mas malaking paggastos sa R&D at mas maliit na paggastos sa pagbili ng biotech company.

Maaari itong magkaroon ng malalawak na epekto sa industriya, kabilang ang:

• Pagbabalik sa paglago ng mga makabagong pharmaceutical company.
• Posibilidad ng mas mababang halaga ng mga bid para sa mga biotech startup.
• Posibilidad na makatuklas ng mga bagong blockbuster na kemikal na gamot para sa mga sakit na kulang ang kasalukuyang paggamot.

Ang Pagsasanib ng Teknolohiya at Pharma

Isa pang epekto ng matagumpay na AI-driven drug discovery ay ang unti-unting paglayo ng proseso sa medisina at chemistry at ang higit na pagtuon nito sa data at neural network.

Binubuksan nito ang mas malalim na ugnayan sa pagitan ng mga technology company at pharmaceutical company. Posibleng maging kasinglaki ng pag-usbong ng biotechnology noong dekada 1980 ang pagbabagong idudulot ng AI sa drug discovery.

Maaari ring lumitaw ang mga bagong joint venture sa pagitan ng malalaking pharmaceutical at AI company. Halimbawa, maaaring magkaroon ng drug-discovery company na kapwa pagmamay-ari ng Pfizer (PFE ) o Novartis sa panig ng pharmaceutical at Google o Microsoft (MSFT ) sa panig ng AI.

Kung magiging isa sa mga pangunahing pinagmumulan ng kita ng AI ang AI-based drug discovery, maaari ring bumili ang mga technology company ng mga pharmaceutical company.

Ang Kapangyarihan ng Datos

Nabubuo ang mga AI system sa tulong ng napakalalaking imbakan ng data. Hindi naiiba ang pananaliksik ng MIT at pangunahing umasa sa Mcule database. Nasa maagang yugto pa ang larangan ng mga digital data provider para sa drug discovery at nangingibabaw dito ang mga nonprofit at pribadong startup.

Sa pangmatagalan, malamang na magsama-sama ang industriya at maaaring lumitaw ang ilang pangunahing provider na kalaunan ay magiging publicly traded.

Pagpapa-tingin sa Toxicity “In-silico”

Isa pang huling epekto ng tuklas ng MIT ang muling pag-iisip kung paano huhulaan ang chemical toxicity at tagumpay ng clinical trial.

Hanggang kamakailan, karanasan at intuwisyon ng tao, kasama ang animal at in vitro model, ang pangunahing paraan ng pagtatasa sa panganib ng isang bagong molekula.

Maaaring makatulong ang AI deep learning hindi lamang sa paghahanap ng bagong uri ng antibiotic kundi pati sa paghula kung aling mga kandidato ang malamang na hindi toxic. Binubuksan nito ang paggamit ng AI upang mabawasan ang mga gamot na bumabagsak sa phase I clinical trial, na idinisenyo upang subukan ang toxicity sa tao.

Humigit-kumulang 35% ng mga kemikal na kandidato ang bumabagsak sa phase I ng clinical trial. Ang pagpapababa sa bilang na ito ay magpapabilis sa drug development at magpapababa sa karaniwang gastos sa R&D.

Pinagmulan: Duxin Sun et al

Top 3 na Kumpanya na Nakikinabang Mula sa AI Drug Discovery

Pinondohan ng mga foundation, nonprofit, at pampublikong pondo ang tuklas na ito ng MIT. Gayunman, maaaring magkaroon ang mga investor ng exposure sa AI-driven drug discovery sa pamamagitan ng ilang publicly traded stock.

Sa pangkalahatan, maaaring ayusin sa dalawang sukatan ang mga kumpanyang gumagawa ng digital at AI system para sa drug discovery:

1. Purong computational na paraan kumpara sa pagsasama ng wet o biological data.
2. Yugto ng development, mga partnership, at computational o data resource.

Pinagmulan: Recursion

(Ang mga kumpanya sa listahang ito ay gagamit ng AI tools, tulad halimbawa ng NVIDIA (NVDA ) hardware. Gayunpaman, nakatuon kami dito sa mga purong drug-discovery na kumpanya at hindi sa AI sa pangkalahatan).

1. Schrödinger, Inc.

SDGR Tsart ng Presyo

Dalubhasa ang kumpanya sa mga physics-based model upang mahanap ang pinakamahusay na molekula para sa isang partikular na layunin habang binabalanse ang magkakasalungat na sukatan gaya ng potency, solubility, half-life, at kakayahang ma-synthesize.

Gumagamit din ito ng machine learning, ngunit dahil may physics-based model ay maaari itong subukan sa mga ganap na bagong larangang walang dataset na magagamit sa pagsasanay ng AI. Dahil dito, kayang bawasan ng Schrödinger (SDGR ) ang isang bilyong posibleng molekula tungo sa walong matibay na kandidato sa loob lamang ng ilang araw gamit ang purong digital calculation.

Pinagmulan: Schrodinger

Ang Schrödinger ay pumirma ng 5-taong kasunduan sa pakikipagtulungan sa Bayer noong 2020 para sa kita na $10M. The idea of the agreement is to use Schrödinger technology together with Bayer in-silico prediction models.

Another recent partnership is kasama ang Lilly noong 2022, with up to $425M in total milestone payments for successful discovery.

Kabilang sa mga nakaraang collaboration ang Takeda, Sanofi (SNW.DE ) (SNY ), Bristol Myers Squibb, at iba pang mas maliliit na pharmaceutical company.

Sa kabuuan, bumubuo ang Schrödinger ng lumalaking portfolio na may dumaraming proprietary at ganap na pag-aari nitong molekula. Mayroon itong walong produkto sa sarili nitong pipeline, dalawa sa mga ito ang nasa phase I clinical trial. Mayroon din itong 23 produkto sa mga partner program at collaboration, na may lima sa phase I at tatlo sa phase II.

Pinagmulan: Schrodinger

Bagama’t mayroon nang revenue, hindi pa kumikita ang kumpanya dahil nakatuon ito sa expansion at paggastos sa R&D upang mapahusay ang teknolohiya. Hindi ito dapat maging malaking alalahanin sa maikling panahon sapagkat may sapat itong cash sa balance sheet para sa ilang taon ng operasyon.

Tinitingnan din nitong lumawak sa mga segment sa labas ng drug discovery, gaya ng komplikadong biopharmaceutical at mga material tulad ng kemikal, baterya, o polymer.

Pinagmulan: Schrodinger

Dapat bantayan ng mga investor ang mga bagong collaboration dahil ipinapakita ng mga ito kung paano sinusuri ng mga lider ng industriya ang pag-unlad ng teknolohiya ng Schrödinger at kung magtatagumpay ang core technology nito sa mga bagong market.

2. Exscientia

Gumagamit ang kumpanya ng AI upang bumuo ng precision therapy.

Nagpapatakbo ito ng full-stack AI drug-discovery technology na may nakalaang software sa bawat yugto ng proseso.

Pinagmulan: Exscientia

Sa halip na tumingin lamang sa mga umiiral na molekula, ang Precision Design AI ng Exscientia ay nagdidisenyo ng mga pasadyang molekula upang tumugma sa target na natukoy ng Precision Target AI nito.

Binabawasan ng teknolohiya ng Exscientia nang 70% ang oras mula sa biological target hanggang sa pagtukoy ng katumbas na gamot at ginagawang 80% na mas capital-efficient ang proseso.

Nagresulta ito sa apat na compound sa maagang yugto ng clinical trial, na pangunahing nakatuon sa oncology o cancer at inflammatory disease. Nagpapakita ang kumpanya ng potensiyal na $4 bilyon sa pre-commercial milestone.

Pinagmulan: Exscientia

Nagsisimula pa lamang magtala ng revenue ang kumpanya, ngunit may sapat na cash runway sa balance sheet para sa ilang taon ng paggastos.

Dahil nasa tagpuan ng AI drug discovery at precision therapy, tinututukan ng Exscientia ang dalawa sa pinakamakapangyarihang larangan ng medical science. Batay sa mga naitatag na partnership nito sa Merck, Sanofi, at BMI, naniniwala rin ang iba pang matatag na pharmaceutical company na malaki ang potensiyal ng platform.

3. Recursion Pharmaceuticals, Inc

RXRX Tsart ng Presyo

Habang dumarami ang paggamit ng AI sa drug discovery at development, lalo ring nagiging mahalaga ang data para sa pagsasanay ng mga AI system.

Napakakomplikado ng biology at kung minsan ay kulang ang pinagsama at napatunayang data. Malubhang problema ito dahil ang anumang pagkakamali ay maaaring magdulot ng bias, limitasyon, at iba pang error sa AI, na maaaring mangailangang sanayin muli mula sa simula.

Isa pang suliranin ang napakalaking dami ng kinakailangang data, na higit sa kakayahan ng tao na likhain at ayusin nang mano-mano.

Upang tugunan ang mga limitasyong ito, itinayo ng Recursion ang platform nito na may misyong gawing search problem ang drug discovery. Pinagsasama nito ang dry lab o in silico work at wet lab o biological sample sa pamamagitan ng:

• Library ng 1.7 milyong maliliit na molekula.
• Mga cell culture, CRISPR gene editing, soluble factor, live virus, at iba pa.
• Automated laboratory robotics workflow na nagbibigay-daan sa hanggang 2.2 milyong eksperimento bawat linggo.
• High-throughput microscope at sequencing system.
• Tuluy-tuloy na video feed mula sa mga camera na nagtatala ng kabuuang sukatan ng kilos ng hayop.
• Advanced computational resource na nakalikha ng mahigit 21 petabyte ng proprietary high-dimensional data.
• ADMET data para sa absorption, distribution, metabolism, excretion, at toxicology.

Lumilikha ito ng natatangi at napakalalaking dataset sa proteomics o antas ng protein, transcriptomics o antas ng mRNA, phenomics o hugis ng selula, ADMET, at in-vivonomics o kilos ng hayop. Nais din ng kumpanya na magdagdag ng metabolomics at genomics sa mga dataset nito sa hinaharap.

Dahil sa yaman ng data, mas marami ang maaaring kandidato sa maagang yugto ngunit mas makitid ang funnel habang sumusulong. Dapat din nitong mapabilis ang development ng mga drug candidate na may mataas na potensiyal.

Pinagmulan: Recursion

Napansin ng malalaking pharmaceutical company ang potensiyal ng paraang ito, gaya ng lumalawak na collaboration sa fibrosis kasama ang Bayer at sa neuroscience kasama ang Roche-Genentech.

Nakatanggap din ang kumpanya ng $50 milyong investment mula sa NVIDIA noong Hulyo 2023, ang bagong higante sa AI computing hardware. Nangyari ito matapos bilhin ng Recursion noong Mayo 2023 ang mga preclinical startup na Cyclica at Valance, na nakatuon sa drug chemistry, sa kabuuang halagang $87.5 milyon.

Sa kabuuan, tinatarget ng kumpanya ang $13 bilyon sa posibleng milestone mula sa mahigit 50 programa, bukod pa sa royalty.

Ang mga partnership sa technology company na NVIDIA at pharmaceutical company na Bayer at Roche, kasama ang pagbili sa mas maliliit na AI-drug startup, ay maaaring palatandaan na nagiging pangunahing bahagi ng industriya at posibleng sunod-sunod na buyer ang Recursion. Layunin nitong maging isa sa mga unang kumpanyang makapag-scale ng biological data sa dati’y hindi pa naaabot na dami.