🔬Sự chuyển dịch pha của BioAI - Matthew McPartlon & Neil Patil, Chai Discovery

Tháng 1 vừa qua, bốn thỏa thuận lớn về công cụ AI x Dược phẩm đã được công bố tại hội nghị JPM Pharma quy mô lớn diễn ra hàng năm tại San Francisco. Chai Discovery, một công ty được OpenAI hậu thuẫn (hiện có giá trị 4 tỷ USD), bằng cách nào đó đã trở thành tâm điểm dù mới chỉ thành lập được 2 năm. Đội ngũ Khoa học tự hào mang đến cho quý vị podcast đầu tiên với đồng sáng lập Matt McPartlon và trưởng bộ phận sản phẩm Neil Patil để kể lại toàn bộ câu chuyện! Ghi chú của biên tập viên: không nhầm lẫn với Chai AI, một podcast hàng đầu khác của chúng tôi. Ngành Dược phẩm đột nhiên thực hiện các thỏa thuận lớn về công cụ AI Đối với những người không làm trong ngành dược phẩm, JPM là hội nghị thường niên của JP Morgan dành cho các giao dịch dược phẩm, diễn ra tại San Francisco trong một tuần vào tháng 1 với hàng trăm sự kiện bên lề. Đây là một sự kiện lớn. Các thỏa thuận về công cụ cho ngành dược phẩm cũng là một xu hướng lớn (và mới): các công ty khởi nghiệp về AI cho Dược phẩm thường kết thúc bằng việc tự xây dựng các đường ống thuốc của riêng họ, và lý do là như sau: thuyết phục các công ty dược phẩm sử dụng công cụ của bạn đòi hỏi bằng chứng về hiệu quả của công cụ đó. Bằng chứng có nghĩa là các mục tiêu tốt, có thể kèm theo xác nhận lâm sàng tốt. Nếu bạn có điều đó, thì việc huy động vốn (với một con đường thương mại hóa đã biết, dù dài) hoặc bán (ví dụ: thanh toán bằng biobucks1) cho một mục tiêu cụ thể sẽ dễ dàng hơn là bán cho nhiều công ty dựa trên lời hứa rằng công cụ đó sẽ hoạt động trên toàn bộ danh mục sản phẩm của họ. Tùy chọn "chúng tôi sẽ hợp tác / tự phát triển thuốc của riêng mình" đã được chứng minh là con đường tốt duy nhất cho đến tháng 1. Điều gì đã thay đổi? Tóm lại, các công cụ đã đủ tốt để các nhóm thiết kế thuốc tin tưởng. Độ tin cậy đủ tốt để mở rộng quy mô khám phá: đưa nhiều ứng viên tốt hơn vào các thử nghiệm trong phòng thí nghiệm và trên động vật nhanh hơn. Điều này giúp sàng lọc độc tính tốt hơn, cải thiện khả năng phân phối, v.v. Qua đó, những gì được đưa vào thử nghiệm lâm sàng có nhiều khả năng thành công hơn. Các công cụ cũng mở ra những khả năng mới: những cơ chế rất khó hoặc không thể phát triển bằng phương pháp khám phá dựa trên phòng thí nghiệm. Thiết kế một kháng thể kích hoạt chính xác một chuỗi phân tử rất cụ thể phải mất nhiều năm thử nghiệm và sai sót. Thiết kế các kháng thể bispecific (liên kết với hai protein khác nhau) cũng khó khăn tương tự. Các công cụ thiết kế tốt có thể mở khóa khả năng này. RJ: Việc chất lượng mô hình đã có bước nhảy vọt có nghĩa là bạn đang kích hoạt những điều mà trước đây bạn không thể làm được. Vì vậy, đây là một sự thay đổi mang tính bước ngoặt. Đây hoàn toàn không phải là một lập luận về hiệu quả, hoặc không quá nhiều. Matt: Vâng, chính xác. Điều này khá thú vị, ngay cả đối với chúng tôi — tôi đã mất một thời gian để tin vào luận điểm này. Tôi đã nói chuyện với Josh trong nhiều tháng trước khi Chai bắt đầu... Nó giống như, liệu tôi có thể đánh bại một con chuột không, và sau đó tôi có thể làm những gì chuột không thể làm không? Và sau đó, bạn có thể tiếp tục xây dựng bao nhiêu cấp độ tương tác dựa trên điều đó? Mọi người hoạt động trong lĩnh vực cấu trúc/liên kết đều có một góc nhìn ở đây, và một số sẽ tốt hơn những người khác, nhưng Chai đang chỉ ra một bước đột phá khác: có được các phân tử tốt ngay từ đầu (nghĩa là chúng không cần nhiều công việc trong phòng thí nghiệm sau đó) có nghĩa là thời gian lặp lại nhanh hơn. Điều này biến khoa học thành kỹ thuật: bạn có thể thiết kế hệ thống của mình để giảm ma sát và leo dốc hướng tới việc tạo ra các phân tử thành công ngay từ lần đầu tiên cho đến giai đoạn lâm sàng. Điều này, tự thân nó, không phải là một luận điểm mới: a16z đã trình bày một phiên bản của điều này vào năm 2020. Điều đã thay đổi là các mô hình cấu trúc đã trở thành mô hình liên kết (mức độ liên kết của phân tử này với phân tử kia, hay còn gọi là "ái lực liên kết"). Các mô hình liên kết mở khóa khả năng thiết kế, vốn đã được cải thiện đều đặn. Quan sát của Chai là đối với các vấn đề kỹ thuật, sản phẩm tốt nhất có xu hướng chiến thắng, và công nghệ tốt là điều kiện cần nhưng chưa đủ. Photoshop cho các phân tử Với suy nghĩ đó, Chai đã đầu tư mạnh vào các quan hệ đối tác cho phép họ học hỏi từ các đối tác Dược phẩm của mình. Điều thú vị khi làm việc chặt chẽ và hỗ trợ nhiều đối tác này là chúng tôi thực sự học được những điều gì sẽ hữu ích trong nghiên cứu. Vì vậy, thay vì nghiên cứu trong chân không, dựa trên những gì có thể thú vị một cách giả định, chúng tôi có thể thực hiện nghiên cứu có thông tin dựa trên những gì các đối tác của chúng tôi đã tự nhiên yêu cầu chúng tôi giúp đỡ. — Neil Patil, (Trưởng nhóm sản phẩm của Chai) Điều này có nghĩa là trải nghiệm người dùng (UX) tốt hơn, chẳng hạn như một trình chỉnh sửa phân tử giống như một chương trình CAD hoặc thiết kế đồ họa hơn là một chatbot. Cách tiếp cận của họ đã mang lại kết quả: kể từ tháng 6, Chai đã công bố thêm ba thỏa thuận lớn: Lilly, Novartis, argenx, cùng với việc mở rộng chương trình Eli Lily của họ. Tập này có quá nhiều khoảnh khắc đáng trích dẫn cho một bài blog ngắn, vì vậy hãy theo dõi để tìm hiểu về: Tại sao các token protein có giá trị hạ nguồn cao nhất so với bất kỳ token nào khác Leo lên các cấp độ trừu tượng khi các mô hình cải thiện Cách Dược phẩm, VC và nghiên cứu đều chỉ là tối ưu hóa danh mục đầu tư Cách công nghệ tốt hơn thay đổi toàn bộ danh mục đầu tư Cách tập trung không ngừng vào sự đơn giản dẫn đến quy mô Và nhiều hơn nữa! "Biobucks" là giá trị thỏa thuận cho các hợp đồng cấp phép phụ thuộc nhiều vào các cột mốc quan trọng – con số tiêu đề (ví dụ: "thỏa thuận 1,7 tỷ USD") gần như hoàn toàn phụ thuộc vào việc đạt được các mục tiêu. Thông thường, chỉ 2-5% tổng giá trị được thanh toán trước; phần còn lại chỉ được chi trả nếu thuốc vượt qua từng giai đoạn, và hầu hết các loại thuốc đều không đạt được điều này. Thực tế, tôi cho rằng SolidWorks là một phép so sánh phù hợp hơn, nhưng PhotoShop có mức độ nhận diện thương hiệu tốt hơn.