Në mesin e viteve 2010, një mori kompanish të reja që shpresonin të transformonin procesin e mundimshëm të gjetjes së barnave të reja u shfaqën me premtime të mëdha. Inteligjenca artificiale do e zvogëlonte ndjeshëm kohën që duhej për të zbuluar barna të reja dhe do ulte mesataren prej 2 miliardë dollarësh që duhet për të zhvilluar një ilaç.
Bizneset në zhvillim tërhoqën vëmendjen e kompanive të mëdha farmaceutike si Bristol Myers Squibb dhe Sanofi, të cilat nënshkruan marrëveshje me vlerë miliarda dollarësh në pritje të miratimit përfundimtar të barnave. Njoftimet për shtyp u mburrën procesin për “rritjen e jashtëzakonshme të produktivitetit” dhe “bashkëpunimeve kërkimore inovative”.
Por tani, skeptikët po pyesin: ku janë barnat? Kanë kaluar më shumë se mesatarja 10 vjet që duhen për të zbuluar dhe zhvilluar një ilaç, megjithatë ka pak kandidatë të zbuluar nga Inteligjenca Artificiale (IA) në provat klinike në fazën e vonë, dhe asnjë nuk është miratuar. Pavarësisht premtimit për të ulur shkallën e lartë të dështimit të industrisë, shumë nga studimet fillestare të kompanive dështuan.
Disa startup-e kanë pasur vështirësi financiare, duke u hedhur në treg në një periudhë ku investitorët kanë tërhequr para nga sektori i bioteknologjisë në përgjithësi. BenevolentAI, një kompani britanike që tërhoqi shumë entuziazëm në fillim, pa aksionet e saj të binin më shumë se 99 përqind përpara se të hiqej nga bursa në mars, duke u bashkuar me një kompani japoneze. Recursion me seli në SHBA rrëmbeu lirë rivalen Exscientia vitin e kaluar, duke paguar 688 milionë dollarë – vetëm 180 milionë dollarë më shumë se paratë në bilancin e saj dhe shumë më pak se vlerësimi prej 2.9 miliardë dollarësh që u bë publike tre vjet më parë.
Alex Zhavoronkov, drejtor ekzekutiv i IA-së për kompaninë e zbulimit të barnave Insilico, thotë se kompanitë kanë qenë nën presion për të provuar pretendimet e tyre të mëdha në lidhje me transformimin e treguat të barnave, duke treguar se kishin barna të vërteta.
“Për të pretenduar se keni një patë të artë, duhet të siguroheni që keni bërë disa vezë të arta. Dhe nëse nuk keni vezë të arta, pata juaj e artë po zhvlerësohet shumë, shumë shpejt”, thotë ai.
Daphne Koller, drejtore ekzekutive e një tjetër startup-i të quajtur në të njëjtën mënyrë, Insitro, që synon zbulimin e ilaçeve me anë të Inteligjencës Artificiale, thotë se në thelb po përpiqemi të rregullojmë diçka që nuk e kuptojmë për shkak të ndwrlikimit të biologjisë njerëzore.
“Më parë thoja se ishim industria me shkallët më të larta të dështimit nga çdo gjë tjetër përveç eksplorimit të hapësirës. Dhe pastaj eksplorimi i hapësirës filloi të funksiononte”, thotë ajo.
Ideja e përdorimit të inteligjencës artificiale në zbulimin e barnave ka qenë kaq tërheqëse sepse investitorët e shohin sektorin farmaceutik si një fushë kyçe ku proceset e ngadalta dhe të shtrenjta janë të gatshme për ndërhyrje.
Kapitalistët sipërmarrës derdhën para në kompani që përpiqen të përdorin Inteligjencën Artificiale për të zbuluar ilaçe të reja, duke e parë industrinë si një fushë premtuese, veçanërisht ndërsa popullsitë në plakje rrisin kostot mjekësore në të gjithë botën. Financimi për kompanitë e zbulimit të ilaçeve me anë të Inteligjencës Artificiale u rrit nga 30 milionë dollarë në vitin 2013 në një kulm prej 1.8 miliardë dollarësh në vitin 2021, sipas të dhënave nga PitchBook.
Rritja meteorike e IA-së gjeneruese që nga prezantimi i ChatGPT në fund të vitit 2022 ka nisur një bum të ri në përdorimin e teknologjive të fuqishme të IA-së për të hartuar ilaçe.
Mjetet e IA-së tashmë po tregojnë potencial në fusha të tjera shkencore, siç është parashikimi i motit. Investitorët po joshen përsëri nga shpresa se një grup i ri kompanish, përparimet teknologjike dhe mënyrat e reja për të mbledhur dhe kuptuar të dhëna biologjike më në fund mund të bëjnë një vezë të artë.
Basti pas këtij brezi të ri kompanish është se IA mund të revolucionarizojë procesin e zbulimit të barnave, por se mjetet fillestare që përdoren nuk ishin mjaftueshëm të fuqishme. Si rezultat, thonë mbështetësit, është shumë herët për të nxituar në gjykime.
Megjithatë, deri tani, problemi ka dalë të jetë përtej algoritmeve. Ne dimë çuditërisht pak për biologjinë tonë. Ka shumë mistere në mënyrën se si qelizat tona bashkëveprojnë dhe sfida në matjen e proceseve më të rëndësishme të trupit tonë, duke i lënë modelet pa të dhëna që u nevojiten për të bërë përparim më të shpejtë.
Darren Green, një kimist veteran i cili kaloi më shumë se 30 vjet në GlaxoSmithKline, thotë se zbulimi i barnave është “ndoshta gjëja më e vështirë që njerëzimi përpiqet të bëjë”.
“Ne kemi këto mjete të reja të shkëlqyera, gjë që është fantastike. Dhe pastaj thjesht del një problem tjetër”, thotë ai.
IA nuk ishte teknologjia e parë që industria farmaceutike parashikoi se do zbulonte sekretet e jetës. Shpresa të ngjashme u mbështetën në biologjinë strukturore në vitet 1950 dhe 1960, pasi shkencëtarët përdorën mjete si kristalografia me rreze X për të kuptuar proteinat në 3D; kimia kompjuterike, e cila simuloi eksperimente në vitet 1980; dhe zbulimi i gjenomit njerëzor në fillim të viteve 2000.
Në procesin e zbulimit të barnave, shkencëtarët zakonisht identifikojnë një objektiv në trup, siç është një mutacion në një tumor ose një receptor për një hormon të caktuar, dhe më pas kërkojnë një molekulë që mund të lidhet me të dhe të ndryshojë sjelljen e saj për të adresuar një simptomë ose një sëmundje. Studiuesit duhet ta projektojnë përbërjen në mënyrë që të godasë objektivin dhe të mos shkaktojë kaos në pjesë të tjera të trupit. Barnat që duken mirë në letër dështojnë rreth 90 përqind të kohës në sprovat klinike.
Apeli i IA-së është se mund të kalojë me shpejtësi nëpër bazat e të dhënave të molekulave, duke i përputhur përbërjet me objektivat. Megjithatë, ky është vetëm një element i zbulimit të barnave dhe shumë thonë se është një nga më të lehtët. Peter Coveney, profesor dhe drejtor i qendrës për shkencën kompjuterike në departamentin e kimisë në UCL, thotë se toksiciteti – efektet anësore nga një ilaç – mund të jetë veçanërisht i vështirë për t’u parashikuar.
“Është një pamje e gabuar të përfytyrosh se çdo teknikë e zgjuar me kompjuterë do zgjidhë të gjitha problemet”, thotë ai.
Kjo është arsyeja pse rregullatorët kërkojnë që barnat e reja t’i nënshtrohen fazave të shumëfishta të testimit – së pari te kafshët dhe pastaj te njerëzit – një proces që përbën pjesën më të gjatë të udhëtimit tipik dhjetëvjeçar drejt miratimit.
Koller thotë se shumë nga aplikimet e suksesshme të IA-së sot janë “pjesë të kompjuterit që lidhen me pjesë”, siç është mësimi i gjuhës në internet nga ChatGPT, ose AlphaGo që luan lojën strategjike kineze Go.
Por zbulimi i barnave është një sfidë më e ndërlikuar, sepse funksionon aty ku “copat takohen me atomet”. Ajo e krahason atë me makinat vetëdrejtuese, ku miratimi nuk mund të përshpejtohet nga çipa më të shpejtë.
“Më në fund po arrijmë në një pikë ku kemi makina vetëdrejtuese…u desh shumë kohë, sepse këto gjëra kërkojnë shumë kohë”, thotë ajo.
Në vitin 2013, pothuajse në të njëjtën kohë kur u themeluan BenevolentAI dhe Exscientia, Chris Gibson bashkëthemeloi Recursion. Kompania ka katër barna të mundshme në fazat e hershme të provave në onkologji dhe sëmundje të rralla, por asgjë ende në fazën përfundimtare dhe më të rëndësishme që do t’i duhej për të marrë një miratim.
Ai është ende një besimtar i vërtetë në fuqinë e IA-së për të ndryshuar zbulimin e barnave, por është i zhgënjyer që fusha nuk ka përparuar më tej.
“Ato që ishin kur filluam ose janë zhdukur, ose i kemi blerë ne”, thotë ai.
Kenneth Mulvany, i cili themeloi BenevolentAI në vitin 2013 dhe së fundmi u rikthye për të drejtuar kompaninë, thotë se teknologjia në vitet e para po përparonte aq shpejt sa duket shumë ndryshe nga mënyra se si përdoret IA sot për zbulimin e barnave.
“Çdo vit, kur do ndërtonim diçka, do na duhej ta zëvendësonim atë me diçka tjetër”, thotë ai.
Kompania do shpenzonte një sasi të jashtëzakonshme kohe duke xhongluar mijëra baza të dhënash të ndryshme dhe duke përdorur algoritme për të analizuar dhe shpjeguar përmbajtjen e tyre.
“Marrja e të gjithë atij informacioni ishte në fakt një detyrë mjaft e vështirë”, thotë ai.
Grupet e të dhënave publike që ishin në dispozicion në atë kohë ishin kompani farmaceutike relativisht të vogla dhe madje edhe të mëdha, të cilat krenohen që kanë të dhëna të dekadave nga testimet dhe provat, shpesh i kishin të shpërndara në rrjete të ndara për të qenë të dobishme për algoritmet e IA-së.
Brezat e mëparshëm të kompanive do përdornin modele të të mësuarit automatik për të zhvilluar një mjet specifik për secilin problem, thotë Miles Congreve, drejtori shkencor kryesor i Isomorphic Labs, degës së dizajnit të barnave të njësisë së IA-së të Google, DeepMind.
“Ishte mjaft e vështirë për ato kompani të impresiononin vërtet njerëzit sepse e ke zgjidhur këtë problem me platformën tënde të IA-së, por nuk është i përgjithësueshëm për problemin tjetër”, thotë Congreve.
Brezi i hershëm i startup-eve të inteligjencës artificiale kishte gjithashtu zgjedhje strategjike të ndërlikuara. Idealisht, ata do investonin në shumë barna të mundshme në të njëjtën kohë, për të provuar se kishin një shkallë më të lartë suksesi sesa metodat tradicionale. Por pak prej tyre mund të kishin qasje në ato para dhe kështu zgjedhja e objektivit të parë ishte thelbësore.
Një drejtues i industrisë që dëshiron të mbetet anonim thotë se “prova përfundimtare” e fuqisë shndërruese të inteligjencës artificiale do ishte nëse këto kompani mund të tregonin sukses aty ku farmaceutika dështonte vazhdimisht, siç është trajtimi i sëmundjes së Alzheimerit ose trajtimi i tumoreve të trurit.
Por, shton ai, në vend të kësaj shumë zgjodhën objektiva të lehtë, nën presionin për të treguar sukses shpejt dhe për t’u bërë thirrje blerësve potencialisht të prirur ndaj rrezikut në Big Pharma. Ndonjëherë ato zgjodhën objektiva biologjike të njohura dhe e përqendruan inteligjencën e tyre artificiale në gjetjen e përbërësve të rinj.
Barnat e mundshme që kompanitë gjetën shpesh nuk ishin shumë më të mira se ato që ishin tashmë në treg, shton ai.
Sanjiv Patel, drejtor ekzekutiv i Relay Therapeutics, e cila po përpiqet të zhvillojë ilaçe për sëmundje të vështira për t’u trajtuar, thotë se shumë rivalë falimentuan pasi dështuan të çonin një ilaç në një provë klinike.
“Kompanitë që prodhuan ‘meetoo’ e kuptuan shumë shpejt se nuk ka asnjë vlerë në këtë”, thotë ai. “Prandaj, kjo i kthen përsëri në fillim dhe u mbarojnë paratë.”
Disa nga investitorët e teknologjisë të tërhequr në këtë fushë nuk ishin të gatshëm të merrnin rrezikun binar të kërkuar duke mbështetur një ilaç në një provë klinike të shtrenjtë që mund të dështonte. Kompani të tjera që dominoheshin nga investitorë të bioteknologjisë u inkurajuan të investonin vetëm në barnat e tyre të mundshme.
Mulvany thotë se BenevolentAI përfundoi duke u udhëhequr nga njerëz me përvojë në industrinë farmaceutike të cilët nuk i dhanë përparësi investimit në teknologji.
“Ata ishin si basketbollistë profesionistë. Ata dinë të punojnë si ekip. Ata kanë qëndrueshmëri. Ata dinë të përdorin topin”, thotë ai.
“Dhe thjesht i merr këta njerëz dhe i vendos në një fushë basketbolli dhe u thua: ‘Ju jeni një ekip, ky është një top’. Por ka objektiva dhe role të ndryshme për të luajtur.”
Ndërsa brezi i vjetër i kompanive ka luftuar për të mbajtur premtimet e tyre, shumë në industri thonë se koha rinisi me dy pika të rëndësishme.
Njëra ishte publikimi i motorit të parashikimit të palosjes së proteinave, AlphaFold2, fitues i Çmimit Nobel, në vitin 2021 nga Google DeepMind dhe Isomorphic Labs. I dyti ishte shpërthimi i inteligjencës artificiale gjeneruese duke filluar nga viti 2022. Do duhen ende shumë vite derisa ilaçet e dizajnuara pas këtyre dy përparimeve të jenë gati për miratim.
Gibson nga Recursion thotë se sektori farmaceutik po mbetet prapa të tjerëve në miratimin e inteligjencës artificiale. Por ai po fillon të shohë shenja të një ndryshimi që mund të bëhet një ndryshim “vërtet i rëndësishëm” për industrinë.
“Kur të ndodhë më në fund, do jetë një nga ato momente ngadalë dhe pastaj menjëherë, kur kjo është mënyra se si të gjithë duhet të fillojnë vërtet të bëjnë zbulime dhe zhvillime”, thotë ai.
Një përparim i rëndësishëm është se ka më shumë të dhëna të disponueshme se më parë. Një nga gjërat kryesore që e bëri të mundur AlphaFold ishte një bazë të dhënash e gjerë dhe e etiketuar mirë e proteinave që ekzistonin tashmë.
Tani shumë nga startup-et që mbijetojnë dhe gjenerata e re e kompanive po dyfishojnë krijimin e të dhënave. Insitro ka krijuar “fabrika qelizash”, ku përdor makineri laboratorike për të ndryshuar dhe modifikuar qelizat dhe për të regjistruar gjithçka që ndodh brenda. Recursion përdor vizionin kompjuterik në pamjet e qelizave njerëzore dhe beson se ka një grup të dhënash të brendshme një mijë herë më të madh se baza e të dhënave më e madhe publike. Lila Sciences, e themeluar në vitin 2023, po përdor atë që e quan “fabrika shkencore të IA-së” – laboratorë autonomë që shpreson se do të prodhojnë njohuri të reja shkencore – për të nxitur platformën e saj të zbulimit.
Kompanitë dhe akademikët po bashkëpunojnë gjithashtu për të mbledhur të dhëna më të mira, siç është konsorciumi OpenBind i Mbretërisë së Bashkuar i nisur këtë vit për të përdorur teknologjinë eksperimentale për të krijuar koleksionin më të madh në botë të të dhënave se si ilaçet bashkëveprojnë me proteinat në trup.
Ardhja e AlphaFold 2, i cili i lejon kompanitë të parashikojnë se si sillen proteinat dhe i ndihmon shkencëtarët të përmirësojnë kuptimin e tyre të objektivave për ilaçet, ishte një “çast vendimtar”, thotë Max Jaderberg, drejtor i IA-së në Isomorphic. AlphaFold2 tregoi se mund të kesh algoritme që mund të përgjithësohen në gjithë biologjinë. Kompania e ka bërë atë të disponueshëm falas për kërkime.
Bumi i inteligjencës artificiale gjeneruese i ka sjellë dobi edhe projektimit të barnave, ku shkencëtarët përpiqen të përmirësojnë një zbulim fillestar për të siguruar që një përbërës të jetë sa më i sigurt dhe efektiv të jetë e mundur. Bizneset e reja tani po shfrytëzojnë teknologjitë gjeneruese, siç është prodhimi i imazheve, në projektimin e tyre të barnave.
Laboratorët Isomorphic përdorin mjete të inteligjencës artificiale që mund të parashikojnë strukturën përtej proteinave. Modelet e fuqishme gjeneruese, si ato të përdorura për krijimin e imazheve, projektojnë molekula shumë specifike – një detyrë më parë e ngadaltë dhe e mundimshme. Kjo gjithashtu do të thotë që në vend që të krijojnë një model të ri për secilin problem të ri specifik, studiuesit mund të kenë një që mund të përdoret në shumë objektiva të ndryshëm.
“Mund të merrni një model që është trajnuar në një pjesë të të dhënave, por pastaj mund ta përdorni atë në çdo gjë tjetër atje në univers që mund të shfaqet, dhe kjo ju jep përgjigje kuptimplote”, thotë Jaderberg.
Ai mendon se ky është vetëm fillimi. Për të krijuar një motor të vërtetë zbulimi të barnave, ai beson se na duhen gjysmë duzine përparimesh të nivelit AlphaFold. Këto mund të përfshijnë të kuptuarit jo vetëm të strukturës së proteinave, por edhe të fuqisë së lidhjes së molekulave me objektivat, të mënyrës se si ilaçet bashkëveprojnë me pjesë të ndryshme të trupit ose të parashikimit të dozës së ilaçeve për pacientët.
Ndërsa Isomorphic po e mban të fshehtë pjesën më të madhe të punës së saj, Jaderberg përshkruan një ambicie shumë larg barnavetë brezit të mëparshëm. Prodhuesi zviceran i barnave Novartis, i cili po bashkëpunon me Isomorphic, i dha kompanisë objektiva “shumë të vështira” për të punuar, sipas Congreve. Brenda kompanisë, kompania e ka përqendruar punën e saj në kancer dhe imunologji.
E themeluar në vitin 2021, Isomorphic ende nuk ka ndonjë ilaç të mundshëm në provat klinike. Por nuk ka pse të shqetësohet se financuesit e saj do ebraktisin atë pas një projekti të dështuar, duke qenë se kompania është pjesë e Alphabet, pronarit të Google. Këtë vit ajo mblodhi 600 milionë dollarë në një raund të udhëhequr nga firma amerikane e kapitalit sipërmarrës Thrive Capital.
Congreve, i cili më parë ka punuar për GSK dhe në bioteknologji, thotë se u tërhoq nga ambicia e Isomorphic dhe arkat e saj të shëndetshme.
“Financimi nuk është i gjithi i drejtuar në projekte. Ai është i drejtuar në krijimin e një motori të përgjithësueshëm të projektimit të barnave, i cili kërkon të dhëna, që kërkon shumë fuqi llogaritëse”, thotë ai.
“Shumica e kompanive më të vogla të inteligjencës artificiale nuk do e kishin fuqinë llogaritëse për të ndërtuar llojet e modeleve që bëjmë ne.”
Ndërsa startup-et ishin pionierë në fushën e inteligjencës artificiale për zbulimin e barnave, mund të jenë kompanitë e mëdha të teknologjisë me para dhe fuqi llogaritëse që përfundojnë duke krijuar ilaçin e parë të suksesshëm.
Siç e thotë Patel i Relay: “Vetëm ato kompani mund të mbështeten në gjenerimin e të dhënave për dekada të tëra pa krijuar vlerë, duke e ditur se, në fund, diçka e mirë mund të dalë.”
VINI RE: Ky material është pronësi intelektuale e FT
Përgatiti për Hashtag.al, Klodian Manjani
