AI能否縮減我們在藥物開發上的數十億支出？BioPhy認為可以。
每一種新藥的開發都是一場多年的、多數十億美元的賭注。那些能夠通過五到十年的臨床試驗和監管審查獲得批准的藥物，會讓其創造者在接下來的十年內獲得可觀的利潤。然而，只有大約十分之一的藥物能夠走到這一步。這些高昂的成本是藥物價格昂貴的部分原因。
來自北卡羅來納州立大學的計算生物化學博士Dave Latshaw認為，AI可以改變這一切。他相信AI能夠減少系統中的風險和低效率，使藥物的開發變得更便宜，並降低開發風險。
在約翰遜（Johnson & Johnson）工作了五年後，他親身目睹了大型製藥公司繁瑣的開發過程。他的任務是為該公司創建機器學習解決方案，這讓他對約翰遜的流程有了廣泛的了解。他的一個成功案例是幫助約翰遜改善藥物生產和供應鏈的監控，這一方法每年為約翰遜節省了約1億美元。
然而，他也知道約翰遜不可能讓他如願以償地改變他們的流程。在約翰遜及整個大型製藥行業中，藥物批准過程仍然極其勞動密集，涉及到數以千計的員工和多個部門。由於受到嚴格的監管，這一過程對改變的抵抗力特別強。
隨著AI革命在疫情期間的加速，他創立了BioPhy，這是一家位於費城的小型AI軟件公司，旨在幫助大型製藥公司簡化藥物評估過程，從而更快和更便宜地獲得批准。
Latshaw與他在沃頓商學院讀MBA時認識的金融專家Steven Truong以及北威爾斯健康/霍夫斯特拉大學神經外科教授Daniel Sciubba共同創立了這家公司。至今他們已籌集約450萬美元，但來自約10家大型製藥公司的業務足以支持約12名員工。
他們的目標是讓製藥公司在藥物批准過程中的關鍵時刻，少依賴直覺和經驗判斷，而更多依賴於已經存在於其運營中的數據。歷來，這些數據的收集、處理和分析耗時過長，但對於設計良好的AI模型來說，這卻是微不足道的工作。
BioPhy希望藥企開始像投資者一樣，考慮其開發中的化合物組合的風險/回報比。每一步多年的過程中，繼續追求每種化合物的批准的風險和回報比是多少？
這無疑是一個重要的目標，但乍一看似乎難以實現。誰能預測患者對新化合物的反應呢？
Latshaw表示，實際上，你不需要觸及這一過程的那部分，就能幫助這些公司更好地預測成功的機會。他解釋道，“這一過程有兩個部分：生化和操作。某些事情（如臨床試驗中患者對藥物的實際反應）是無法改變的，但還有許多事情是可以改變的。因此，我們著眼於可以改變的因素來影響結果，比如患者選擇（臨床試驗）、終點選擇、（臨床）試驗結構、試驗地點、參與者等各種因素。”
Latshaw表示，一旦確定並權衡了影響藥物開發和批准的大多數變量，就可以將化合物組合按成功概率從高到低排名。這樣，企業就能更明智地決定如何分配時間和資源。
他舉例說：“如果你看看股票市場，就會看到一些（我們試圖解決的）問題，比如Cassava Sciences（該公司正在研發的阿茲海默症藥物simufilam在11月的第三階段臨床試驗中失敗），”Latshaw說，“對於那個資產（藥物），投入了如此多的資本，但顯然有足夠的證據證明它無效，然而管理層仍然追求它。當然，這其中也有欺詐，但即使沒有欺詐，這種情況在大型（成熟）公司中也經常發生——他們追求（藥物）計劃（不太可能成功的），而應該將資本重新分配到更具可行性的計劃中。”
對話精華
Fred Vogelstein：讓我們從頭開始。我知道你在約翰遜工作了六年，直到2020年才創立BioPhy。BioPhy是在約翰遜開始的嗎？還是你離開後才開始的？
Dave Latshaw：我們在BioPhy所做的一切與我在約翰遜的工作是分開的，但可以說我們的理論源於我在那裡的經歷。
我曾在約翰遜數據科學組織成立之前的一個小組工作。我是他們引進來的幾個人之一，負責為公司尋找機器學習解決方案。因此我的任務非常廣泛。我有機會親自了解藥物開發的過程，開發解決方案，並理解許多不同的拼圖。
但我也看到了許多我從未有機會解決的問題。因此，當我離開創立BioPhy時，實際上是為了解決一些我看到但沒能直接處理的機會。
我在約翰遜也有成功和失敗，但我所建立的某些東西至今仍在約翰遜運行（作為他們製造和供應鏈的一部分）。我認為這每年為他們節省了1億美元。
這花了我兩到三年的時間才能起步。當你在大型製藥公司進行製造時，這是一個非常傳統的運作。人們通常以非常單一的方式看待問題。我認為這種做法非常過時。
我開始從更現代的角度看待這個問題……弄清楚如何進行更複雜的過程控制以及如何優化這些過程。我們的第一個成功是拯救了一批Remicade（免疫抑制劑），我們能夠避免將其完全廢棄，這節省了約150萬美元。
有人注意到了這一點。我們將其轉換為更多的資金，並將其擴展到歐洲。然後我們不斷擴大。最終這一項目之所以變得如此龐大，是因為它不僅幫助了內部的製造和供應鏈，還幫助了外部的（藥物製造分包商）。
DL：可以這麼理解。我們跟蹤成功的指標是提高產量、降低原材料使用量、減少批次失敗等。
DL：是的，實際上這是一個漸進的過程。對於大型製藥公司來說，你不能直接跳到今天的技術，尤其是當他們落後20年時。因此，我們採取了分階段的方法。在這些組織中，你必須先走路，才能跑。
DL：正是如此。你不能進行大規模的變更，並期望FDA會接受。你必須非常謹慎地讓監管機構參與其中。
DL：在我所處的角色中，我看到所有觸及它的其他部分。有監管方面。你將如何向監管機構提交這些流程？這將如何影響新藥的申報？你將如何向（監管機構）引入新技術？這種新材料如何影響臨床試驗？
我看到的所有這些接觸點在技術上看起來非常不足。像約翰遜這樣的老牌公司在某些方面的流程都是過時的。我說：“也許這些是我們應該關注的機會領域。”
我們最初產品的某些理論（即後來的BioLogicAI）是與我創立公司的合夥人合作開發的。Steve Truong來自金融背景，他的外部視角更關注資本配置。如何選擇正確的機會來追求？
我則對製藥公司有內部的了解。因此，我們一起思考如何減少流程中的摩擦。
所以邏輯是，如果我們能夠基於這些事情是否實際上會在未來成功來做出更好的早期決策，那麼每個人都會處於更好的位置，因為你會更快地將正確的藥物送到患者手中，並且在公司內部更具資本效率，以便追求正確的想法。
DL：首先是查看（客戶的）內部（藥物）組合，試圖了解正在追求的（藥物開發）計劃是否正確。如果是，則會問：“該公司應如何根據風險調整基礎分配資源，就像你在自己的投資組合中一樣？”一旦我們完成了這一點，我們將查看個別臨床試驗，以最大化它們實現我們客戶預期結果的機會。
DL：人們試圖優化該問題的不同部分。我認為像我們這樣全面考慮生物、化學、操作、人員等因素的玩家可能只有幾個。
DL：我們的介入在大多數人正在參與的地方之後。我們在主要優化之後介入，當你已經對即將採取的方向有一定的想法，並一直走到商業批准。因此，我們的重點區域與大多數公司有所不同。
DL：我們的工作是預測臨床結果。這對內部（藥物）組合管理和競爭情報都很有用，也有助於（臨床）試驗的優化。如果你能以合理的準確性預測這些終點，那麼你還可以說：“我該如何結構這一（例如，臨床試驗），以提高成功的概率。”
我們還開發了一些額外的技術（BioPhyRx），坦白說，這可能是我們目前最受歡迎的事情，這是關於如何有效地自動化監管合規。
DL：我們需要一個更好的術語，因為如果FDA認為你真的在自動化任何東西，那麼會有一場會議。
這樣想：一家大型製藥公司可能有5萬到10萬個標準操作程序用於日常工作。不僅這些（程序）不斷變化，外部監管環境也在不斷變化——舊的規定被更新，新規定出現。事情隨時都在變化。
那麼，如何確保你所做的所有事情始終與外部（監管）期望保持一致，以便在任何負面事件（例如審計）發生時，你能保持合規。這能避免罰款、停工或因這些原因而錯失收入。（例如，減肥藥Ozempic/Wegovy在一年前供應短缺的原因之一是因為FDA因清潔違規而對Novo Nordisk的一家分包商的生產進行了檢查，導致生產延遲。）
DL：是的，完全正確。
DL：目前我們將其定位為加速器，幫助那些需要做這項工作的人的日常工作流程。我不想對工作替代等問題進行恐嚇。
DL：有幾個原因。首先是計算的規模和可及性。其次是更複雜的自然語言處理技術的出現。第三是組織願意考慮這一點。如果五年前你試圖與製藥公司或監管機構進行這樣的對話，你可能會被嘲笑。
DL：是的，這完全是，儘管聽起來有點荒謬。
ChatGPT背後的技術和變壓器已經存在多年，但ChatGPT使其普及。它迫使每個人都了解AI，因為他們知道如果不這樣做，競爭對手就會這樣做。這種錯失機會的恐懼或被認為忽視了機會的恐懼是非常強大的。
DL：我們實際上創建了我們自己的製藥專用語言模型。這裡對如何有效利用這些模型存在不同的觀點。有些人只支持籌集數億美元並創建自己的大型基礎模型。有些人則希望採用包裝方式（在白標LLM上貼上自己的品牌）。我們發現創建較小的特定領域和任務的模型非常有效。
但我們用的不僅僅是語言模型。例如，在與一家大型製藥公司的合作中，我們可能需要進行約180億次比較才能完成工作。如果你試圖使用OpenAI來完成這項工作，或者使用一些甚至中等規模的開源模型，你要麼無法在合理的時間內運行它，要麼將支付數千萬美元。這兩種情況對我們來說都是不可行的。因此，我們使用較小的、專門針對工作的模型來解決許多可擴展性問題，這些模型不僅僅是語言模型，而是混合模型。
DL：我們最初是從一些開源模型開始的。
DL：對的。幾乎每周都有新的出現。但我們不經常改變基礎模型。我們有一套獨特的方法來創建與這些工作的訓練數據相關的數據。這是使我們成功的因素之一。不過，還有一部分流程使我們能夠解決許多可擴展性問題。
DL：我認為我們看到了這些問題的出現。我們不想籌集大量資金來僅僅為了坐擁計算資源。我們不僅依賴語言模型。我們還進行了大量傳統機器學習，並將其與語言模型並行使用。因此，我們有一種混合架構來處理這些問題。
我不能進一步詳細說明，以防有人想要與我們競爭。我可以說的是，人們通常認為在AI中做一切都是基於文本，但這在計算上是非常低效的。你必須更數字化地思考。你實際上要解決的問題是什麼？你將如何將這個問題轉化為數字，而不是僅僅基於文本？
DL：你是對的。只不過它們以非常一般的方式進行處理，這使得它們非常低效。它們的工作基礎是將文本轉換為數字。但如果你想想，它們都是被訓練成通用模型。因此，它們非常低效，因為它們應該解決許多任務。那麼，如何剔除那些你不關心的東西，使模型變得更高效？這正是我們所追求的想法。
DL：是的，這是最好的理解方式。我們正在與製藥公司合作。我們不需要它了解航空公司。我認為Llama3b可能是市場上較為緊湊的文本基礎語言模型，但即使如此，它仍然是一個通用模型。因此，仍然有比你所需的更多參數來解決許多問題。
DL：正是如此。我們可以投入時間和精力從零開始訓練它。在某些方面，你可以說這幾乎就是我們所做的，因為我們剔除了很多東西。但有一個起點是很好的。
DL：那些聯繫仍然很重要，因為有些關係能幫助促進批准。但這只有在你達到合規的階段才有意義。
DL：更大的機會，我認為，是創建一個管理所有藥物開發的單一平台，從發現到商業批准。可以將其視為藥物開發的操作系統。顯然，這項技術需要與藥物批准提交進行聯繫。我們已經參與了臨床試驗過程。因此，將這一部分整合進來，並將整個過程的運營和供應鏈整合在一起。
這樣的想法是能夠將所有這些信息連接在一起。在製藥公司中，想要完成任何事情，總是需要與來自不同部門的多個人進行對話，而沒有一個很好的方式來通過統一的平台促進信息共享。這正是我們所追求的。
—
這篇文章揭示了AI在製藥行業中的潛力，特別是BioPhy如何利用數據和技術優化藥物開發過程。這不僅可以減少成本，還能提高成功率，從而加速創新。然而，這種轉變並非易事，因為製藥行業受到嚴格的監管，且內部程序複雜。BioPhy的成功將取決於他們如何克服這些挑戰並獲得業界的信任。
AI的引入不僅是技術上的進步，更是一種思維方式的變革。製藥公司需要重新評估他們的決策流程，將其從直覺和經驗轉向數據驅動的決策，這將是未來行業能否持續發展的重要因素。在這個競爭激烈的市場中，能夠快速適應變化並尋求創新解決方案的企業，將在未來的競爭中佔據優勢。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
