През януари тази година изпълнителният директор на Nvidia Дженсън Хуанг заяви на конференцията JPMorgan Healthcare - най-голямото здравно технологично събитие за годината, че "не се намира пред обичайната си публика". 

Причината беше, че той говори пред експерти по здравеопазване и биотехнологии заедно с представител на Recursion - фирма за разработка на нови лекарства, в която Nvidia инвестира 50 милиона долара миналата година.

Хуанг рекламира дигиталната биология като "следващата невероятна революция". AI бумът заля Силициевата долина, благодарение на което Nvidia изгради бизнес с приходи от над $60 млрд. годишно и миналото лято стана една от малкото компании с пазарна капитализация в трилиони долари. 

В здравеопазването и биотехнологиите тя вижда повече възможности за стимулиране на растежа си, пише Forbes.

Сега, когато големите езикови модели, като ChatGPT на OpenAI и Gemini на Google DeepMind, включиха използването на генеративен изкуствен интелект, няколко от най-мощните технологични компании в света се обръщат към биотехнологиите, за да преминат следващата голяма технологична граница – там, където AI не генерира забавни стихотворения, а животоспасяващи медикаменти. 

Инвестициите на Nvidia в подразделението през последните две години бяха насочени в голяма степен към откриване на лекарства.

В DeepMind моделът AlphaFold на лабораторията на Google AI (новаторски инструмент за предсказване на протеинови структури) беше използван от академични изследователи през изминалата година за разработване на "молекулярна спринцовка" за инжектиране на лекарства директно в клетките и за изследване на култури, които са по-малко зависими от пестицидите.

Интересът към биотехнологиите е в цялата индустрия - Microsoft, Amazon и дори Salesforce също имат проекти за протеинов дизайн.

Защо AI е полезен партньор в биотехнологиите?

Използването на AI в откриването на лекарства не е съвсем нова тенденция - DeepMind за първи път представи AlphaFold през 2018 г.

Но ръководителите и на DeepMind, и на Nvidia смятат, че съвременният етап от развитието ѝ е важен поради три основни причини - масата налични данни за обучение, експлозията на изчислителните ресурси и напредъка в AI алгоритмите.

"Трите съставки са заедно за първи път. Това не беше възможно преди пет години“, коментира пред Forbes Кимбърли Пауъл, вицепрезидент на Nvidia по здравеопазването. 

AI има голям потенциал в биотехнологичното пространство поради изключителната си сложност. Протеините са основната машина на човешкото тяло, управляваща огромен набор от функции. Всички те зависят от триизмерната форма на протеина.

Всеки протеин е съставен от последователност от аминокиселини и взаимодействията между тях и външната среда определят как той се "сгъва", което диктува крайната му форма.

Възможността да се предвиди формата на протеина въз основа на неговите аминокиселинни последователности е от силен интерес за биотехнологичните компании, които могат да използват тези данни, за да проектират всичко - от нови лекарства до подобрени земеделски култури и биоразградими пластмаси.

Точно в този процес се намесва машинното обучение на AI модели на базата на стотици милиони различни протеинови последователности и техните основни структури.

Те помагат на алгоритмите да разкрият модели в биологията, без непременно да се налага да правят скъпите изчисления в една истинска симулация на молекулярна динамика.

Пълното симулиране на протеини изисква толкова интензивни изчислителни ресурси, че институциите са проектирали и изградили суперкомпютри специално за справяне с този тип проблеми, като Anton 2 в Питсбъргския суперкомпютърен център.

Бумът в технологиите за откриване на нови лекарства не идва само от технологичните гиганти, занимаващи се с изкуствения интелект.

От 2021 г. в световен мащаб има 281 сделки за рисков капитал в стартиращи фирми за разработка на медикаменти с помощта на AI, които възлизат на 7.7 милиарда долара, според Pitchbook. 

Най-големият скок настъпи през 2021 г., по време на пандемията от COVID-19, когато бяха сключени 105 сделки спрямо 65 за предходната година. През 2023 година броят намаля до 67 сделки. 

Новите играчи на пазара

Възходът на генеративния AI предизвиква повишен интерес, според Дейвид Бейкър, директор на Института за протеинов дизайн към Университета на Вашингтон. От основаването на института през 2012 г. повече от 20 стартиращи фирми са били отделени от програмата.

Десет от тях, включително Archon Biosciences, която разработва наноматериали за регенеративна медицина и рак, и Lila, създаваща лечения за фиброзни заболявания, са се появили през последните три години, казва още Бейкър. 

В DeepMind изследователите разбират големия залог на своите изследвания след пандемията. Те са работили почти 5 години, за да разработят AlphaFold, и докато "преквалифицират" модела за второто му поколение, целият свят започва да се затваря заради мистериозен вирус.  

Резултатът от преквалификацията на DeepMind е AlphaFold 2 - новаторски модел, който можеше толкова точно да предвиди протеиновите структури, че организаторите на световния изследователски конкурс за "сгъване" на протеини CASP пращат имейл на DeepMind, за да попитат дали компанията не се опитала да измами по някакъв начин. 

Усилията са толкова обещаващи, че съоснователят Демис Хасабис създава отделна компания в Alphabet въз основа на пробива на AlphaFold през 2021 г. Стартъпът, наречен Isomorphic Labs, се фокусира върху откриването на лекарства и се ръководи от самия Хасабис.

Само тази година Isomorphic Labs е сключила изследователски сделки с Lilly и Novartis на обща стойност до близо 3 милиарда долара, които дори не включват възнагражденията от потенциални продажби на лекарства, произтичащи от тези партньорства. 

През 2022 г. Nvidia представи BioNeMo - генеративна AI платформа, която помага на разработчиците да ускорят обучението, внедряването и мащабирането на големи езикови модели за създаване на лекарства.

В Nventures - подразделението за рисков капитал на производителя на чипове, седем от общо 19 сделки на звеното са били в стартиращи фирми за генериране на лекарства с изкуствен интелект, включително Genesis Therapeutics, Terray и Generate Biosciences.

Няколко други технологични гиганта имат свои собствени усилия за "сгъване" на протеини. Миналата година Salesforce представи ProGen - генериращ AI модел за протеини, а Microsoft пусна модела с отворен код EvoDiff.

Amazon също разработва инструменти за създаване на протеини за SageMaker в своята платформа за машинно обучение AWS. Дори ByteDance - компанията-майка на TikTok, изглежда набира екипи за изследване и дизайн на лекарства, съобщи Forbes през януари.

Скоро, но не сега

И все пак, колкото и обещаващо и нашумяло да е производството на лекарства с AI, то е съпътствано и от провали. Все още са необходими години, за да се получат лекарства чрез клинични изпитвания.

Регулаторите в САЩ досега са одобрили клинични тестове на над 100 нови кандидати за лекарства, които използват AI или машинно обучение за разработка, но вероятно ще минат години, преди някое от тях да излезе на пазара.

В някои случаи трудностите, свързани със създаването на нови лекарства, накараха големите технологични компании да изоставят този сегмент.

Миналия август Мета затвори своя екип за "сгъване" на протеини. Изследователите от звеното по-късно започнаха наново сами, като основаха компания, наречена EvolutionaryScale. Meta отказа да коментира причината за спирането на проекта.

Едно важно препятствие, върху което технологичните компании ще трябва да се съсредоточат, е наличието на достатъчно данни за обучение.

По-новите модели, като GPT, разчитат на обучение с подсилване - метод, при който алгоритмите могат да обработват немаркирана информация чрез принципа "проба и грешка".

Това ги прави още по-зависими от висококачествени данни, каза Ана Мари Вагнер, ръководител на AI за компанията за синтетична биология Ginkgo Bioworks.

Миналото лято нейната фирма влезе в петгодишно стратегическо партньорство с Google Cloud, за да съчетае експертния си опит в AI със способността на Ginkgo бързо да генерира биологични данни в своите автоматизирани лаборатории, които след това могат незабавно да бъдат върнати обратно в AI модела, като нови данни за обучение.

Тази комбинация, по думите ѝ, помага за по-добро оптимизиране на процеса на "откриване" на нови медикаменти.

Освен това, Gingko има способността бързо да валидира прогнозите на модела. Противно на интуицията, това прави донякъде полезна странността на моделите на изкуствен интелект, които понякога "халюцинират" и произвеждат грешни или подвеждащи резултати, защото могат да доведат до интересни и неподозирани до този момент открития.

И все пак, докато индустрията работи за отстраняването на тези проблеми, тя вече вижда въздействието, което AI оказва върху биологичните изследвания.  

Новините на Darik Business Review във Facebook , Instagram , LinkedIn и Twitter !