כל סטארטאפ שמכבד את עצמו, משלב כיום AI ו- Machine Learning בטכנולוגיה.
אלו אלגוריתמים שיודעים לשפר את עצמם, מה שמאפשר לעבוד עם Big Data ולהפיק ממנו תובנות, דבר שלא יכולנו לעשות קודם.
אך פרט לסלוגן הנחמד – "אנחנו משתמשים בטכנולוגיית AI ל- ...", מה שיותר מעניין זה אילו מהפכות זה צפוי להביא.
אחת מהן זה עולם פיתוח התרופות.
עד כה, בהיסטוריה האנושית פותחו כמה אלפי תרופות. ועדיין לחלק גדול מכ- 10,000+ מחלות אין עדיין תרופה. ואלו רק המחלות הידועות שאין להן טיפול, ההערכה היא שיש עוד הרבה מאוד מחלות שאינן ידועות.
כמות עצומה של Data רפואי נאגר בכל יום ביומו, וההערכה היא שבאמצעות AI ניתן לפתח תרופות יותר מהר, יותר זול ויותר מדויק.
Dr Steve Arlington, נשיא של Pistoia Alliance, גוף ללא כוונת רווח, קונסורציום שעוסק בהורדת המחסומים לחדשנות בתחום הבריאות, טוען כי:
“We’ve now got the ability to collect and store huge amounts of medical and genomic data. And we’re now able to use AI to link these datasets, which our relatively basic human brains are just not capable of”.
כמות ה- Data היא לא המבחן היחיד, אלא בעיקר איכותו.
ויותר מזה, האם חברות התרופות ישתפו פעולה לשם כך?
האם AI יצליח בעוד מספר לא רב של שנים לפצח את הביולוגיה האנושית, ולמצוא מזור למרבית המחלות? ואיך זה ישפיע על מבנה תעשיית התרופות? מספר תובנות בנושא להלן.
AI ותרופות – מניסוי וטעייה ל – Predictive Models
המספרים הם גדולים, גדולים מאוד – פיתוח תרופה עולה בממוצע 2.5 מיליארד דולר, ולוקח 13 שנה בממוצע עד הבאת התרופה לשוק. ההערכה היא שרק 10% מהתרופות שמתחילות את התהליך מגיעות לשוק, השאר נופלות איפשהו בין Phase 1 לאישור הרגולטורי הסופי.
השיטה הקיימת לגילוי תרופה חדשה מבוססת בעיקרה על ניסוי וטעייה.
מודלים של AI מאפשרים היום לבצע את תהליך הגילוי בשיטות אחרות, אוטומטיות בחלקן, דרך ניתוח מאגרי מידע גדולים, הטמעת אלגוריתמים ולמידת מכונה להשגת תוצאות טובות יותר.
לדוגמא, חברת הביוטכנולוגיה Berg פיתחה מודל לזיהוי מכניזם סרטני שלא היה ידוע קודם. באמצעות דגימות של 1,000 תאים בריאים וחולים (סרטניים), המודל ניבא איזה תא יהיה סרטני על פי ההשפעה של חשיפת התאים לחמצן וסוכר. הרעיון הוא בין היתר לפתח טיפול שמתבסס על הסיבות הביולוגיות להיווצרות של התאים החולים. פיתוח המודל התאפשר באמצעות ניתוח Big Data וכלים של Machine Learning.
דוגמאות נוספות - Pfizer משתמשת במערכת IBM Watson לחיפוש תרופות אימונו-אונקולוגיות, Sanofi חתמה על הסכם עם Exscientia לשימוש בפלטפורמת ה- AI של החברה לאיתור טיפולים למחלות מטבוליות, ו- Roche משתמשת במערכת של GHS Healthcare לייעול תהליך איתור תרופות למחלות סרטן.
AI יכולה לתרום גם לפעולות אחרות מלבד גילוי תרופות.
לדוגמא, ב- 1993 חברת התרופות Novartis השיקה את התרופה Lamisil לטיפול בפטריות עור. שלוש שנים לאחר מכן, התגלו מספר מקרים של טוקסיפיקציה (רעילות) של הכבד בקרב משתמשי התרופות, 3 אנשים מתו, ועוד 70 לגביהם דווח על ראקציה בכבד כתוצאה מלקיחת התרופה. במהלך השנים, חוקרים רבים ניסו למצוא את הסיבה לתופעה אך לא הצליחו.
אבל ב- 2018, סטודנט בשם Na Le Dang מאוניברסיטת וושינגטון, מצא את הדרך לגילוי הסיבה לתופעה באמצעות כלים של AI. ניתוח של כמות גדולה נתונים, אפשר לפתח מודל ניבוי להשלכה של פירוק של מולקולות שונות בכבד. הממצא המעניין הוא שתופעת הטוקסיפיקציה נגרמת כתוצאה מתהליך פירוק דו שלבי, מה שמאוד קשה לזהות באמצעות ניסויים בשיטה המסורתית.
אחת המסקנות היא שבאמצעות ניסויים בשיטות המסורתיות, קשה לזהות תבניות בתהליכים מאוד מורכבים. ל- AI יש יתרון מובהק בדיוק במקומות האלו.
יותר מ- 450 תרופות הוצאו מהשוק בחמישים השנה האחרונה בגלל תופעות לוואי, כשהעיקרית מביניהן היא טוקסיפיקציה של הכבד. אבל המטבוליזם של תרכובות באיברים אורגנים הוא תהליך מסובך וקשה לניתוח. תכנית בארה"ב בשם Tox21 פותחה במטרה לאסוף נתונים על מולקולות והתגובות שלהן לחלבונים של האדם.
Cloud Pharmaceuticals היא אחת מהחברות שעושות כיום שימוש בנתונים הללו לזיהוי תבניות וניבוי תופעות כגון טוקסיפיקציה. חוקרים אחרים בוחנים איך המולקולות צפויות להגיב באיברים שונים בתוך גוף האדם.
בשנים האחרונות גוברת ההכרה ששימוש ב- AI עם בסיסי נתונים גדולים ואיכותיים עשוי לתרום בצורה מאוד משמעותית לתהליכים כגון גילוי תרופות חדשות. הרבה כסף גם מוזרם על ידי תעשיית ההון סיכון לסטארטאפים הפועלים במקטע הספציפי הזה (כ- מיליארד דולר ב- 2018).
ב- 20 שנה האחרונות מאז התחילו למפות את הגנום האנושי, התגלו "רק" כ- 7,000 מחלות נדירות. אך יש 20,000 גנים שיכולים שלא לתפקד בלפחות 100,000 דרכים, ומיליונים של אינטראקציות עם חלבונים.
כלומר אם נרצה להבין את יתר 97% של הביולוגיה האנושית, אין סיכוי שנצליח לעשות את זה בצורה ידנית. לכן ל- AI יש פוטנציאל אדיר.
ומה עם פיתוח תרופה מ- Scratch?
האם AI יודע להציע מולקולה תרפויטית חדשה?
חברת הביוטכנולוגיה Insilico Medicine עושה שימוש באלגוריתמים לפיתוח מולקולה חדשה לגמרי לטיפול בסרטן, מחלות מטבוליות והפרעות נוירולוגיות. נעשה שימוש בשתי פלטפורמות המתחרות זו בזו – על הראשונה לבוא עם הצעה למולקולה בהתאם לפונקציונליות הנדרשת והמאפיינים הביו-כימיקלים של המולקולה, והפלטפורמה השנייה תפקידה להיות המבקר של התוצאות. הרעיון הוא ששתי הפלטפורמות מתחרות זו בזו, ולאחר הרבה מאוד איטרציות מתקבלת מולקולה חדשה.
Insilico סינטזה לאחרונה מולקולה אחת, בהתבסס על התהליך הזה, ובשיתוף פעולה עם חברת התרופות הסינית WuxiApptec. שתי החברות האלו חתמו על הסכם שיתוף פעולה לפיתוח תרופות יתום בהתבסס על התהליך.
גם חברת התרופות Exscientia מפתחת פלטפורמה לגילוי תרופות חדשות, אך בתהליך שונה - להפוך את התהליך הידני המתבצע כיום על ידי כימאי רפואי, לאוטומטי. בשיטה החדשה, תהליך הצעת התרכובות הוא אוטומטי, אך הבחירה הסופית היא עדיין בידי הכימאי. התהליך החדשני של החברה עורר סקרנות רבה בתעשיית התרופות, כך ש- Roche השקיעה 67 מיליון דולר בשיתוף פעולה עם Exscientia לפיתוח תרופות חדשות.
האם בעתיד התהליך של פיתוח תרופה חדשה יהיה אוטומטי לחלוטין, עוד מוקדם לומר. אך ההערכה בקרב מומחים שסביר מאוד כי חלק גדול מהתהליך יתבצע באופן אוטומטי, בגלל המהירות, הדיוק – מה שיאפשר את הסריקה והניבוי של כמות המידע האדיר שבחלקו הגדול לא מופה עד היום.
פרויקט Melloddy
ר"ת - .Machine Learning Ledger Orchestration for Drug Discovery
בפרויקט שהחל לפני מספר חודשים, 10 חברות תרופות מהמובילות בעולם משתפות פעולה ומספקות Data ליצירת פלטפורמה (מבוססת בלוקציין) – לאימון אלגוריתמים למציאת המולקולה הבאה.
עד לא מזמן, השילוב של AI בפיתוח תרופות לא היה אפשרי בצורה רחבה, בגלל שלא היו Databases לעבוד עליהם. כל חברת תרופות שמרה על ה- Data שלה מאחורי חומות אש גבוהות, חלילה לא לאפשר למתחרה להנות מה- IP שלך.
ולכן Melloddy הוא פרויקט פורץ דרך, שמצא גם את הדרכים המשפטיות לעשות את שיתוף הפעולה בין החברות הפרמצבטיות, ללא פגיעה בנכסים ובידע שלהם.
אז איך זה באמת אפשרי לחברות לשתף פעולה מבלי ללא גניבת ידע ופגיעה ב- IP?
שתי טכנולוגיות חדשות שמאפשרות את זה:
Federated learning – פלטפורמה שפותחה על ידי Google AI ב- 2017, שמאפשרת אימון של מודל על ידי ריבוי משתמשים, כאשר ה- Data המשמש לאימון המודל אינו מרוכז במקום אחד, אלא הניתוח נעשה במכשירי הקצה של המשתמשים. בצורה הזו אין העברת מידע בין המשתמשים השונים.
Blockchain – מאפשר את הניתוח של ה- Data, כאשר חלקים ממנו שמורים במאגרים שונים, ומונע דליפת מידע בין המשתמשים השונים.
מתכנן כלכלי "על"
בהיבט הכלכלי, תחשבו כמה מיליארדים של דולרים "מבוזבזים" כאשר מספר של חברות מתחרות על פיתוח אותה התרופה לבעיה מסוימת. אבל מה לעשות, ככה זה עובד בכלכלה חופשית. ובינתיים לא נמצאה חלופה אחרת, כגון – מתכנן על כלכלי, שיאפשר שיתוף פעולה מצד אחד, וקביעת מחירים הוגנים מאידך.
אז נכון, אותה בעיה לכאורה קיימת בכל עולמות הפיתוח, לדוגמא חברות שמתחרות על פיתוח מוצר הסייבר הבא, או מנוע למטוס.
אבל כשמיישמים את מודל השוק החופשי בתרופות זה הרבה יותר רגיש, כי זה מביא למצבים של חיים ומוות התלויים במחירים אסטרונומיים של תרופות (בייחוד תרופות יתום אך לא רק), שמגלמים בין היתר את עלויות המו"פ הגבוהות של פיתוח המוצר, וגם את עלויות המו"פ של תרופות אחרות שפיתוחן לא צלח. ובתוספת מרווח מכובד.
ויש הרבה ביקורת ציבורית על התנהלות חברות התרופות, ביקורת שבתשתית שלה יש אמירה ברורה – דרושה התערבות הרגולטור, כי מודל השוק החופשי הופך להיות מודל השוק המערב הפרוע.
לכן, המשמעות של השת"פ הזה בין חברות התרופות בפרויקט Melloddy הוא לא פחות מאשר מהפיכה. ככל שזה יעבוד טוב, המשאבים המשותפים של השחקניות בשוק ישפרו את תהליך פיתוח המוצרים החדשים, כולל מוצרים מותאמים אישית לקבוצות קטנות של אוכלוסייה עם מאפיינים ספציפיים, כך שבעתיד יפותחו תרופות טובות יותר בעלות פיתוח נמוכה יותר.
וההנחה היא שהעודף הכלכלי שייווצר יגולגל בחלקו הגדול לצרכן.
סיכום
הרבה דברים הולכים קדימה ובמהירות בתחום ה- AI לפיתוח תרופות.
אך אנחנו עדיין לא שם – במקום שבו תהליך הגילוי של תרופה חדשה הוא אוטומטי במלואו.
אחת המגבלות היא הקופסא השחורה. מידע נכנס, מעובד, ויוצאת תוצאה. אך תהליך העבודה מהאינפוט ל- Output לא ידוע. זה יוצר קושי בקרב מדענים לעבוד בצורה הזו. כנראה קושי פסיכולוגי, כי גם התהליך הלא-אוטומטי הוא לרוב מורכב מאוד ואי אפשר ממש להסביר אותו.
מומחים בתחום טוענים ש- AI וניתוח של Big Data יאפשר – פרסונליזציה של טיפול תרופתי, על פי הפרופיל הביולוגי הספציפי של המטופל.
החלום הרטוב הוא ש- AI יפצח את הביולוגיה האנושית.
וכשיש כ- 20,000 גנים שיכולים שלא לתפקד בלפחות 100,000 דרכים, ומיליונים של אינטראקציות עם חלבונים, אין סיכוי שנגיע להבנה הזו באמצעים ידניים.
אבל בשביל שזה יקרה, דרושים לא רק מאגרי מידע גדולים, אלא שיהיו גם איכותיים.
ובלי שיתוף פעולה של חברות התרופות לאחד את מאגרי המידע, סביר שהתוצאה תהיה חלקית בלבד.
וזה כבר מתחיל לקרות, חברות התרופות משתפות פעולה (כמו במיזם Melloddy), ופלטפורמות ה- AI שמפותחות נמצאות בשלבים הראשוניים לקראת פיתוח אוטומטי של תרופה ללא מגע יד אדם.
מבחינת גיוסי הון לסטארטאפים בתחום, בשנת 2018 גויסו כמיליארד דולר, עלייה תלולה לעומת השנים הקודמות.
איך כל זה ישפיע על ענף התרופות? האם כל תהליך הפיתוח יעבור לחברות טכנולוגיות?
ההנחה הרווחת שחברת תרופות שלא תאמץ AI ב- 5 השנים הקרובות, תהפוך ללא רלוונטית. אך האם תהליך הפיתוח שיהפוך לטכנולוגי בעיקרו יישאר In-House תחת שרביטם של חברות התרופות, או שייווצרו תאגידים שיספקו את השירות לחברות התרופות? מוקדם לדעת. אבל יש פה פתח לשינוי דרמטי במבנה הכוחות בשוק.
מה לגבי תחומים אחרים? האם לדוגמא חברות קמעונאיות מובילות ישתפו את ה- Data שלהם אחד עם השני כדי ליצור תובנות לגבי ההתנהגות הצרכנית? או גופים פיננסים כמו בנקים וחברות ביטוח לגבי הסיכון החתמי הפרסונלי של כל אחד מאיתנו? ומה לגבי הפרטיות שלנו בכל הדבר הזה? איך רשויות ההגבלים העסקיים יתייחסו לזה?
לא ברור, מה שבטוח, אנחנו חיים בתקופה מעניינת.
_ _ _ _
שתמשיכו לצמוח,
אסף רבקאי
אני מלווה חברות בגיוס משקיעים, M&A, בניית אסטרטגיה ותכניות צמיחה, השקת מוצרים חדשים וכניסה לשווקים חדשים. רוצים להתייעץ? צרו קשר.
