Multiomics at AI sa Pangangalagang Pangkalusugan: Isang Bagong Hangganan para sa Pagtuklas ng Gamot

Ang Precision Medicine ay ang Hinaharap ng Pangangalagang Pangkalusugan

Pagdating sa mga aplikasyon ng matitibay na agham, ang isang pinagmumulan ng pag-unlad ay ang mas tumpak na mga sukat at kasangkapan. Ito ay lalong totoo sa pisika at kimika, kung saan ang mga analytical tool ay ngayon kayang obserbahan ang reaksyon ng indibidwal na mga atom sa mga eksperimento, na nagdudulot ng mabilis na pag-unlad sa malinis na enerhiya, siyensiya ng materyales, nanoteknolohiya, paggawa, at kompyutasyon (sundan ang mga link para sa mga artikulo tungkol sa mga paksa na ito).

Gayunpaman, isang larangan ng agham ang napatunayang mas mahirap basahin nang tumpak: biyolohiya. Ito ay dahil ang mga buhay na organismo ay hindi “simpleng” materyales na binubuo ng iilang elemento kundi napaka-komplikadong molekular na makina na binubuo ng milyun-milyon, kung hindi bilyon, ng iba’t ibang bahagi.

Kaya, ang isang tunay na representasyon ng isang solong selula ng tao ay halos hindi masukat ang pagiging kumplikado, tulad ng ipinakita ng isang computer-generated na larawan ng isang solong selula ng tao na naging viral ilang taon na ang nakalilipas.

Pinagmulan: Newsweek

Ito ay nagdulot ng patuloy na hamon sa tunay na pag-unawa sa mga biyolohikal at biokimikal na phenomena.

Ang genomics ay naging mahalagang unang hakbang, sa pagpapaliwanag ng template/tagubilin na ginagamit ng mga selula upang buuin ang kanilang mga panloob na bahagi. Isa pang lumalaking salik ay ang paggamit ng AI, dahil ang mga advanced na neural network ay kayang pangasiwaan ang napakalaking dami ng datos nang mas mahusay kaysa sa isip ng tao.

Sama-sama, ito ay magtutulak ng pagbabago sa pangangalagang pangkalusugan, kasama ang pag-usbong ng tunay na personalized na precision medicine, na iniayon sa natatanging komposisyon ng genes, metabolismo, kasaysayang medikal, atbp. ng bawat indibidwal.

Sa kasalukuyan, ang precision medicine ay isang $500B na merkado, at kinabibilangan ng monoclonal antibodies, (isang $222B na merkado noong 2023), pati na rin ang pinaka-advanced na paggamot sa kanser tulad ng CAR-T therapies.

Ano ang Multiomics?

Ang napakalaking komplikasyon ng mga buhay na sistema ay nagdala sa pag-usbong ng multiomics, isang larangan na pinagsasama ang lahat ng -omics na sub-segment ng siyensiyang biyolohikal at itinuturing na susunod na hakbang sa biotechnology:

• Genomics: ang pagsusuri ng DNA sequence sa nucleus ng mga selula.
• Transcriptomics: ang pagsusuri ng mRNA na nagdadala ng mga tagubilin ng DNA.
• Epigenomics: ang pagbabago ng genome nang hindi naaapektuhan ang genetic sequence, o “epigenetics”.
• Proteomics: ang pagsusuri ng mga protina, kabilang ang pagbabago ng mga protina gamit ang asukal (“post-translational”).
• Metabolomics: ang pagsusuri ng mga kemikal na compound at metabolismo.
• Microbiomics: ang pagsusuri ng lahat ng mikrobyo na nabubuhay sa loob o sa ibabaw ng katawan.
• Single-cell multiomics: ang multiomics na pagsusuri sa indibidwal na mga selula.
• Spatial biology: pagsusuri sa 3D ng lokasyon ng tiyak na mRNA, protina, o mga selula.

Pinagmulan: Ark Research

Lumilitaw ang mga bagong larangan, tulad ng, halimbawa, Agrigenomics (genomics para mapabuti ang ani sa agrikultura), Ecological genomics (tumpak na pagsusuri ng kalusugan ng isang ekosistema at ang genetic diversity nito), o Synthetic Biology (paglikha ng mga bagong gene, katangian, o buong organismo na may tiyak na layunin).

Bawat isa sa mga larangang ito ay nagkaroon ng napakalaking pag-unlad salamat sa mga bagong at pinahusay na analytical methods, na karamihan ay dala ng rebolusyonaryong pag-unlad sa nanoteknolohiya, optika, teknolohiya ng semiconductor, at kapangyarihan ng kompyutasyon.

Sa kasamaang palad, ang mga siyensiyang biyolohikal at medisina ay nagsimulang maghirap sa paghawak ng lahat ng bagong datos na ito, at lalo pang magpaliwanag ng kumplikadong interaksyon ng bawat posibleng -omics na larangan sa isa’t isa.

Sa malaking bahagi, ito ay dahil sa literal na trilyon o marahil quadrilyon ng posibleng cross-interactions sa pagitan ng indibidwal na mga gene, protina, biomolecule, bakterya, atbp.

At sa teorya, para sa tunay na personalized na medisina, ang datos na ito ay kokolektahin para sa bawat indibidwal, at iugnay sa mga rekord ng kanilang digital na datos pangkalusugan.

Pagbaba ng Gastos at Ang Daloy ng Datos

Ang teknolohikal na pag-unlad sa mga analytical tool ay nagbaba nang malaki sa gastos ng pagkolekta ng bagong datos. Halimbawa, ito ay totoo para sa pag-sequence ng buong human genome, kung saan ang gastos ay nabawasan ng higit sa isang milyong beses sa loob ng 30 taon, o ang DNA synthesis ay ngayon 10,000 beses na mas mura.

Pinagmulan: Ark Research

Ibig sabihin, noong una ay nagkakahalaga ng $450,000 para i-sequence ang isang genome noong 2001, ngayon ay maaari na nating i-sequence ang 1.4 bilyong genome sa parehong presyo, o 17% ng populasyon ng mundo.

Bilang resulta, ang genomics at iba pang -omics na datos ay bumabaha na sa mga biyologo.

Halimbawa, ang UK Biobank, ang pinakamalaking pampublikong magagamit na genomics database, ay naglalaman ng 27 beses na mas maraming datos kaysa sa pinapagana ang isa sa pinakamalaking LLM (Large Language Model), ang AI Llama 405b na binuo ng Meta (FB ).

Kung bawat bagong silang sa mundo ay ma-sequence ang kanilang genome, isang posibleng praktis sa mga susunod na taon, ito ay magbubuo ng 10,000 beses na datos kumpara sa ginagamit ng Llama bawat taon.

Pinagmulan: Ark Research

Sa kabutihang palad, habang ang dami ng datos ay lumalago ng libu-libong beses, ganoon din ang kahusayan ng mga digital analysis tool, lalo na ang AI, na nagiging 1,000 beses na mas makapangyarihan para sa parehong gastos.

Pinagmulan: Ark Research

Mga Aplikasyon sa Pagtuklas ng Gamot

Virtual na Selula

Hanggang kamakailan, upang malaman ang epekto ng isang potensyal na bagong gamot, o kung paano nakikipag-ugnayan ang isang protina sa isa pa, kinakailangan ng mga biyologo na isagawa ang eksperimento nang manu-mano, isang magastos at matagal na gawain.

Ito ay natural na nagpagaan ng pagbagal sa pagtuklas ng bagong gamot at nagtaas ng gastos sa pangangalagang pangkalusugan para sa mga makabagong paggamot. Maaari itong gawin in-vitro (sa laboratoryo) o in-vivo (sa isang buhay na organismo, karaniwang hayop).

Isang bagong opsyon ang kamakailan lamang lumitaw, ang in-silico na pamamaraan, kung saan isa o ilang virtual na selula ay sinisimula sa isang kompyuter. Ang mga virtual na selulang ito ay inilalantad sa potensyal na bagong paggamot at kinakalkula ng simulation kung paano sila tutugon.

Pinagmulan: Ark Research

Pinahusay na Simulation

Bukod sa buong genome at transcriptome na datos, isa pang kasangkapan ang unti-unting pumapasok sa in-silico simulation: mga protein folding simulator tulad ng AI AlphaFold ng Google (GOOGL ).

Maraming gamot na batay sa protina ay nakadepende sa interaksyon sa pagitan ng gamot at isang receptor sa mga selula ng katawan, o sa ibabaw ng target na bakterya o selula ng kanser.

Ang tamang prediksyon sa in-silico ng 3D na konfigurasyon (folding) ng protina ay magpapabuti nang malaki sa tagumpay at bilis ng pag-develop ng gamot, na magpapababa ng gastos.

Habang ang AlphaFold ay umuunlad ng hanggang 500 beses mula noong 2018, ang mga in-silico simulation ay magiging kailangang-kailangan na teknolohiya para sa karamihan ng mga biotech na kumpanya.

Pinagmulan: Ark Research

Ang ibang kumpanya ay nagtatrabaho rin sa katulad na teknolohiya sa AlphaFold ngunit para sa mga non-protein na molekula, tulad ng Schrödinger (SDGR ) , na tinalakay namin sa “Top 5 AI & Digital Biotech Companies”.

Pag-detect ng Kanser

Ang maagang pag-detect ng kanser, kahit na hindi ito nakikita sa MRI scanner, ay madalas na usapin ng buhay o kamatayan.

Isang bagong teknik na tinatawag na liquid biopsy ang nagdadala ng pangako ng maagang pag-detect ng mga hindi nakikitang kanser. Paano ito gumagana ay gamit nito ang mga genome sequencing tool upang matuklasan ang DNA sequences na tipikal ng kanser sa dugo ng pasyente, kahit na napakabihira ng mga sequences na ito.

Ang liquid biopsy ay mas hindi invasive kumpara sa aktwal na biopsy, nangangailangan lamang ng isang sample ng dugo. Maaari rin itong magamit upang maghanap ng maraming posibleng kanser nang sabay-sabay.

Pinagmulan: Ark Research

Noong Hunyo 2024, ang Guardant Health (GH ) ay nakakita ng pag-apruba ng FDA sa kanilang “Shield” colorectal cancer screening test. Ang Grail (GRAL ), ang kamakailang spin-off mula sa Illumina (ILMN ) ay isa ring kumpanya na nagde-develop ng ganitong test.

Bukod sa liquid biopsy, ang Minimal residual disease (MRD) testing ay nagiging mas karaniwan para suriin ang remission ng mga pasyenteng may kanser. Ang MRD ay maaaring matuklasan ang pagbalik ng kanser hanggang 20 buwan nang mas maaga kaysa sa tradisyonal na imaging.

Pinagmulan: Ark Research

Para sa parehong MRD at liquid biopsy, ang reimbursement mula sa mga pribado at pambansang health insurance system ay magiging susi sa pagpapabilis ng kanilang pag-aampon.

Awtomatikong Laboratoryo

Habang patuloy na dumarami ang pangangailangan ng datos, at bumababa ang presyo ng mga detection tool, ang paggawa ng mga tao na may PhD-level na kwalipikasyon ang nagiging limitasyon (pareho sa gastos at kapasidad) para sa paglikha ng mas maraming multiomics na datos.

Ito ay totoo kapwa sa mismong manu-manong trabaho, tulad ng pagkuha ng mga sample, at sa disenyo ng mga eksperimento.

Isang umuusbong na alternatibong pamamaraan ay ang self-driving lab (SDL). Pinagsasama nito ang robotics at automation upang palitan ang nakakapagod at mabagal na manu-manong paggawa, na lumilikha ng high-throughput experimentation. Nagdadagdag din ito ng LLMs upang suriin ang datos at magdisenyo ng susunod na hanay ng mga eksperimento.

Pinagmulan: Ark Research

Isang nangunguna sa bagong metodong ito ng pagtuklas ng gamot ay ang Recursion Pharmaceuticals (RXRX ) (karagdagang impormasyon tungkol sa kumpanyang ito sa ibaba).

Mga Pagsusuri sa Pamumuhunan

Bagaman maraming kumpanya ang nag-iinnovate sa intersection ng AI at multiomics, iilan lamang ang namumukod-tangi dahil sa kanilang kahalagahan o ambisyon.

Recursion Pharmaceuticals

Ang Recursion ay isang kumpanya na, mula pa sa simula, nakatuon sa paggamit ng AI upang pabilisin ang pagtuklas ng bagong gamot. Upang magawa ito, pinagsasama nito ang dry lab (in-silico) at wet lab (mga biological sample) kasama ang:

• Isang library ng 1.7 milyong maliliit na molekula.
• Cell cultures, CRISPR gene editing, soluble factors, live viruses, atbp.
• Isang automated laboratory robotics workflow na nagpapahintulot ng hanggang 2.2 milyong eksperimento bawat linggo.
• High-throughput microscopes at sequencing systems.
• Patuloy na video feed mula sa mga kamera, na nagrerecord ng holistic na sukat ng pag-uugali ng hayop.
• Advanced computational resources, na nakalikha ng >21 petabytes ng proprietary high-dimensional data.
• ADMET (absorption, distribution, metabolism, excretion, at toxicology) data.

Ang Recursion ay nagmamay-ari rin ng isa sa pinakamabilis na supercomputer sa mundo upang sanayin ang kanilang mga LLM at AI para sa pagtuklas ng gamot. Ang mga AI model ay sinanay sa isang library na may higit sa 2 bilyong larawan at nag-derive ng 6 trilyong relasyon sa pagitan ng lahat ng posibleng kombinasyon ng mga gene at compound.

Pinagmulan: Ark Research

Noong Agosto 2024, ang Recursion ay nagsanib sa Exscientia, isang kumpanya na nakatuon sa precision therapies at gumagamit ng sarili nitong “comprehensive robotic automation across the entire experimentation cycle”. Ang Recursion ay nakuha rin noong Mayo 2023 ang mga preclinical startup na nakatutok sa kimika ng gamot, ang Cyclica at Valance, para sa kabuuang $87.5M.

Sa pagsasama ng mga bagong nakuha nitong kumpanya, ang Recursion ay ngayon isang ganap na integrated na biotech company, na humahawak ng lahat mula sa target identification, in-silico predictions, in-vivo validation, at clinical trials.

Pinagmulan: Recursion

Ang Recursion ay may higit sa 20 na molekula sa iba’t ibang yugto ng pag-unlad sa kanilang R&D pipeline, kung saan 7 ang nasa stage 1/2 ng clinical trials, karamihan ay sa oncology (kanser) at mga rare disease.

Pinagmulan: Recursion Pharmaceuticals

Kasama sa mga programang ito ang higit sa 10 na partnered programs na may potensyal na bayad na hanggang $20B para sa mga R&D milestone, kung saan $450M na ang nabayaran.

Pinagmulan: Recursion Pharmaceuticals

Sa kabuuan, ang bagong Recursion, na lumago sa pamamagitan ng mga acquisition at maagang paggamit ng AI para sa pagtuklas ng gamot, ay humuhulma upang maging pangunahing kasosyo para sa malalaking pharmaceutical na kumpanya na naghahanap na punan muli ang kanilang R&D pipeline.

Illumina

Habang ang ibang -omics ay mahalaga, halos lahat ay umiikot sa genomics, ang pangunahing “instruction manual” ng bawat buhay na selula.

At higit sa lahat, ang pinakamalaking tagagawa ng mga genome sequencing machine ay ang Illumina. Ang kumpanya ay nakatuon sa pagbabasa ng maikling genetic sequence, na ginagamit para sa pag-detect ng kanser. Sa kasalukuyan, mayroon itong higit sa 22,000 na naka-install na sequencer sa 165 bansa.

Halos kalahati ng mga consumable ng sequencing machine ng Illumina ay ginagamit sa clinical applications, habang ang kalahati ay ginagamit sa pampublikong at pribadong research labs. Sa clinical applications, kalahati ng demand ay nagmumula sa oncology.

Pinagmulan: Illumina

Habang ang genomics at multiomics ay nagiging sentro ng proseso ng pagtuklas ng gamot, pati na rin ng cancer diagnostics, inaasahan na mataas ang demand para sa kagamitan ng Illumina. Inaasahan ng kumpanya na ang demand para sa NGS (Next Generation Sequencing) ay tataas ng 18% CAGR para sa clinical applications at 6% CAGR para sa research, na magpapalaki sa kabuuang addressable market (TAM) ng sektor mula $100B para sa clinical at $25B para sa research pagsapit ng 2033.

Pinagmulan: Illumina

Ang Illumina ay may komplikadong kasaysayan sa kumpanya ng liquid biopsy na Grail, na isang spin-off mula sa Illumina, na kalaunan ay muling nakuha, at ngayon ay pinilit na muling mag-spin-off ng mga awtoridad sa kompetisyon sa US at EU.

Sa pag-alis ng problemang ito, maaaring ipagpatuloy ng Illumina ang pangmatagalang paglago at pagtaas ng presyo ng stock, lalo na dahil sa huli, ang mga liquid biopsy test ng Grail ay malamang na umasa sa mga sequencer ng Illumina.

Ginkgo Bioworks

Karamihan sa mga kumpanyang nakatuon sa multiomics ay nasa pharmaceutical/biotech na espasyo dahil sa potensyal na kita mula sa mga blockbuster na paggamot sa kanser o pag-galing ng mga rare disease.

Ngunit ito ay magpapabaya sa kamangha-manghang potensyal ng mga biosystem para sa hindi mabilang na iba pang aplikasyon, kabilang ang produksyon ng kemikal, agrikultura, materyales, biofuels, atbp.

Ito mismo ang pokus ng Ginkgo Bioworks , na may inobatibong modelo ng pagbuo ng “organisms on demand” upang tugunan ang tiyak na pangangailangan ng industriya, na ginagawa itong lider sa umuusbong na larangan ng synthetic biology (tingnan ang “Top 5 Synthetic Biology Public Companies”).

Sa ganitong paraan, maaaring mag-alok ang Ginkgo ng anumang antas ng kolaborasyon, mula sa simpleng pagbebenta ng mga tool para gumawa ng bagong organismo hanggang sa pagkontrata ng kanilang mga solusyon sa ganap na pakikipagsosyo.

• Mga Cannabinoid
• Produksyon ng mRNA vaccine at gamot na nucleic acid
• Mga protina sa pagkain
• Produksyon ng biological fertilizer sa pakikipagtulungan sa Bayer
• Programmable microbes para sa mga sakit sa bituka
• Bioremediation ng microplastics
• Biosecurity at detection ng mga pathogen
• Pag-recycle ng basura at kontaminante

Ang kadalubhasaan ng Ginkgo ay ipinapakita ng napaka-diverse na hanay ng mga kliyente at kasosyo na nakuha ng kumpanya sa nakaraang ilang taon, mula sa mga pandaigdigang industriyal at agrikultural na kumpanya hanggang sa nangungunang pharmaceutical.

Pinagmulan: Gingko Bioworks

Ang hardware ng pananaliksik ng kumpanya ay nakabalangkas sa paligid ng Reconfigurable Automation Carts (RACs), na bumubuo ng mga module na maaaring pagsamahin sa buong research labs para sa high-throughput na pagbuo ng biological data.

Kinailangan ng Ginkgo na baguhin ang modelo ng negosyo nito noong 2024, matapos ang isang yugto ng pagpapalawak at sobrang dami ng mga lokasyon. Ito ay nagbigay-daan sa kumpanya na bawasan ang operation expenditure (opex) mula $515M kada quarter sa $375M, karamihan sa pamamagitan ng paghahati ng overhead costs.

Dapat itong magdala sa kanila nang mas malapit sa pagiging kumikita, pati na rin sa karagdagang pag-unlad sa research agreement kasama ang mga kaukulang payment milestones.

Mga Hamon

Pagkapribado

Kung ang panahon ng multiomics analyses at personalized medicine ay paparating na, hindi ito walang hamon. Ang pinakaunang hamon ay ang tanong ng pagkapribado ng datos, isang labis na sensitibong paksa kapag ang datos ay hindi lamang ating digital na buhay kundi ang ating mismong mga katawan.

Malinaw na ang maayos na seguridad, pag-access lamang sa mga awtorisadong tauhan, at anonymization ng datos, pati na rin ang pag-iwas na magamit ang datos upang tanggihan ang medikal na pangangalaga o insurance ay magiging kinakailangan para tanggapin ng mga tao ang rebolusyong teknolohikal na ito.

Ang pag-aalala tungkol sa pangkalahatang pagkolekta ng genetic data, lalo na kung ito ay maa-access ng mga hindi medikal na espesyalista (halimbawa, mga miyembro ng pulisya o ng estado) ay kailangang tugunan din.

Regulasyon

Dahil sa sensitibong kalikasan ng biological data, inaasahan ang pagtaas ng regulasyon. Ito ay sumasaklaw una sa tanong ng pagkapribado, ngunit pati na rin sa iba pang paksa tulad ng:

• Ang panganib ng pag-usbong ng monopolyo, kung saan isa o ilang kumpanya ang unti-unting magkakaroon ng kontrol sa lahat ng ating biological data, dahil habang dumarami ang datos, lalong nagiging epektibo ang AI-based na pagsusuri.
• Pagsasaayos ng balanse sa pagitan ng pag-unawa sa mga panganib para sa indibidwal o buong populasyon, at pag-iwas sa diskriminasyon o hindi patas na komersyal na praktis.
• Makatarungang pagtrato sa personalized medicine anuman ang kayamanan, ngunit pati na rin ang pamamahala sa posibleng kolektibong gastos.

Pag-access

Dahil ang personalized medicine at multiomics data ay napaka-komplikado, mahihirapan itong ipaliwanag sa mga hindi siyentipiko o doktor. Kasama ng mga panganib ng hindi patas na pagtrato at pagkapribado, malamang na magkaroon ng ilang pagtutol o kahit pagkontra.

Sa parehong paraan na ang patakaran ng mass vaccination gamit ang mRNA vaccine laban sa Covid ay lubhang napolitikal, hindi ito malayong mangyari para sa multiomics at AI-driven na medisina.

Gayundin, maaaring maging magastos ang teknolohiyang ito sa simula, at magiging mahalaga na maiwasan ang paglala ng hindi pagkakapantay-pantay sa kayamanan na maging isang biological at health divide.

Ang Hinaharap ng AI-driven na Pangangalagang Pangkalusugan

Ang kombinasyon ng lumalaking dami ng medikal na datos, makapangyarihang AI, awtomatikong biological labs, in-silico na simulation ng mga protina, at kahit buong selula ay lumilikha ng ganap na mga bagong larangan ng medisina at pananaliksik medikal.

Malamang na ito ay simula pa lamang, habang patuloy na dumarami ang pag-unlad upang mas mapabilis pa ang mga inobasyon:

• Mas mahusay na AI, kasama ang radikal na pagbuti sa computation ng open source na DeepSeek bilang pinakabagong halimbawa, pati na rin ang AlphaFold at open-course na OpenCRISPR-1.
• Pinahusay na kakayahan sa computation, kung saan ang quantum computing ay malamang na maging makapangyarihang kasangkapan para lutasin ang mga problema tulad ng 3D configuration ng mga protina.
• Mas mahusay na analytical tools, mula sa Next-Generation Sequencing (NGS) hanggang sa spatial biology.
• Mas tumpak at mas ligtas na mga kasangkapan sa gene manipulation, kabilang ang CRISPR, directed evolution, at synthetic & programmable biology.
• Ang mga bagong aplikasyon ay lumilikha ng bagong ekonomiya ng sukat para sa multiomics analyses, tulad ng liquid biopsy at maagang pag-detect ng kanser.

Sa huli, sa hindi kalayuang hinaharap, karamihan ng medisina ay maaaring iayon sa ating indibidwal na genetic makeup, maaari tayong magsagawa ng taunang foolproof na cancer checkup mula sa isang blood test, at maging mas malusog at mas masigla dahil sa perpektong balanse ng ating metabolismo, microbiome, at genome.

Mula sa pananaw ng pamumuhunan, malamang na ang mga pangunahing mananalo sa AI-biotech na karera ay mga kumpanya na may kakayahang lumikha ng malalaking biological dataset, higit pa sa pagkakaroon ng natatanging proprietary algorithm o computation power, dahil ang teknolohiyang AI ay mabilis na umuusad lampas sa ultra-large datacenters na nagbibigay ng matatag na kalamangan, at patungo na sa isang desentralisadong open-source na modelo.