AI PoS und ROI Eine Buchstabensuppe der Arzneimittelentwicklung des 21. Jahrhunderts

Von Remco Jan Geukes Foppen, Vincenzo Gioia und Carlos N. Velez

Dieser Artikel ist Teil eins einer zweiteiligen Serie.

Teil 1: KI für die schnelle Wirkstoffentdeckung

In der sich schnell entwickelnden Landschaft der pharmazeutischen Entwicklung verspricht KI, den gesamten Arzneimittelforschungs- und -entwicklungsprozess zu revolutionieren und sich auf die Target-Entdeckung, das Design klinischer Studien, die Standortauswahl und sogar die Wettbewerbsüberwachung und -analyse nach der Zulassung auszuwirken. Die neuesten KI-Modelle können das Forschungstempo zur Unterstützung der Pharmaindustrie erheblich beschleunigen. Heutzutage steht die Branche vor immer komplexeren Herausforderungen, beispielsweise der Suche nach „nicht behandelbaren“ Zielen oder der Entwicklung bispezifischer Antikörper. Die Branche sucht auch nach Möglichkeiten, die Kosten für die Entdeckung und Entwicklung von Arzneimitteln zu senken, die jüngsten Schätzungen zufolge leicht über 1 Milliarde US-Dollar betragen können.

Neben der Beschleunigung der Medikamentenentwicklung und der Reduzierung der Kosten kann die Einführung von KI-Modellen möglicherweise die Wahrscheinlichkeit erhöhen, dass ein Medikament Phase 2 abschließt, die zweite große Phase klinischer Studien für ein neues Medikament, in der das Medikament an einer größeren Gruppe von Patienten getestet wird Patienten, um die Wirksamkeit zu beurteilen und Nebenwirkungen zu überwachen. Erfolgreiche Phase-2-Studien sind ein entscheidender Meilenstein in der Arzneimittelentwicklung. Daher könnte alles, was dazu beitragen kann, diesen Meilenstein zu erreichen, zu geringeren Kosten, schnelleren Genehmigungszeiten und einer höheren Wahrscheinlichkeit erfolgreicher Genehmigungen und Produkteinführungen führen.

Im ersten Artikel dieser zweiteiligen Reihe identifizieren und erklären wir die KI-Technologien und -Tools, die die Arzneimittelforschungs- und -entwicklungslandschaft verändern, und konzentrieren uns dabei insbesondere auf Anwendungsfälle zur Beschleunigung der Arzneimittelforschung und klinischen Entwicklung. Im zweiten Artikel der Serie werden wir die folgenden zwei Fragen beantworten: Erstens: Führen die höhere Geschwindigkeit und die geringeren Kosten, mit denen KI neue Moleküle identifizieren kann, zu einer Erhöhung der Erfolgswahrscheinlichkeit (PoS) in der entscheidenden Phase 2? von klinischen Studien? Und zweitens: Was sind die finanziellen Vorteile einer KI-gesteuerten Steigerung des PoS?

Die KI-Toolbox

KI ist eine Gruppe von Technologien, die einzeln oder in Kombination eingesetzt werden können, um eine bestimmte Aufgabe zu erfüllen. Diese Technologien ähneln Werkzeugen in einem Werkzeugkasten und ermöglichen es uns, die richtigen Werkzeuge zum richtigen Zeitpunkt für das richtige Problem auszuwählen und einzusetzen.

Abb. 1: Darstellung der KI-Tools

KI ermöglicht es Maschinen, wie Menschen zu denken und Probleme zu lösen. Es umfasst maschinelles Lernen, bei dem Maschinen aus Beispielen lernen, und Deep Learning, das mehrschichtige Netzwerke für komplexe Aufgaben wie die Gesichtserkennung nutzt. Generative KI, einschließlich großer Sprachmodelle (LLMs), stellt die neueste Entwicklung dar und ermöglicht es Maschinen, neue Inhalte zu erstellen und Sprache auf anspruchsvolle Weise zu verarbeiten.

KI-Technologien, insbesondere generative KI, ermöglichen es Computern, neue Inhalte wie Texte und Bilder zu erstellen. Im Zuge der digitalen Transformation erschließen Unternehmen vielfältige Datenquellen. Diese Technologien unterstützen alltägliche Werkzeuge, von Sprachassistenten bis hin zu Empfehlungssystemen, und machen Computer immer hilfreicher. Während die wachsende KI-Toolbox neue Möglichkeiten bietet, birgt sie auch Herausforderungen wie das Risiko von KI-Halluzinationen.

Wie GenAI die Arzneimittelentwicklung beschleunigt

Generative KI, unterstützt durch Deep Learning, analysiert umfangreiche und vielfältige Datensätze aus wissenschaftlicher Literatur, Genomik und experimentellen Ergebnissen und deckt Erkenntnisse auf, die menschlichen Forschern möglicherweise entgehen. Es erforscht schnell chemische Räume und generiert und bewertet Millionen potenzieller molekularer Strukturen schneller als herkömmliche Methoden. Dies erweitert das Spektrum an Medikamentenkandidaten und ermöglicht es KI-Modellen, molekulare Wechselwirkungen mit Proteinzielen vorherzusagen und vielversprechende Verbindungen und mögliche Nebenwirkungen frühzeitig im Entwicklungsprozess zu identifizieren. Multi-Ziel-Optimierungsfunktionen ermöglichen es der KI, mehrere gewünschte Eigenschaften eines Arzneimittels gleichzeitig zu verfeinern, wie etwa seine Wirksamkeit, Sicherheit und Bioverfügbarkeit, eine komplexe und zeitaufwändige Aufgabe, wenn man sie mit herkömmlichen Mitteln angeht. Herkömmliche Arzneimittelforschungsprozesse können in silico nur dann angewendet werden, wenn LLMs mit domänenspezifischen Algorithmen wie Strukturvorhersage, Homologie, Docking, Proteindesign und möglicherweise internen Anforderungen zur Berücksichtigung von geistigem Eigentum auf Arzneimittelforschungsanforderungen umgestellt werden.

Derzeit wird KI am häufigsten bei der Entdeckung kleiner Moleküle, der Entdeckung von Medikamentenzielen und dem Design von Medikamentenmolekülen in der Onkologie und im ZNS eingesetzt. Während einige die Integration von KI in die Arzneimittelforschung als einen Konflikt zwischen überbewertet und unterschätzt empfinden, nutzen viele Unternehmen jeder Größe, von Start-ups bis hin zu multinationalen Konzernen, KI aktiv als Einzellösungen oder als vollständig in KI eingebettete End-to-End-Ansätze. Diese KI-Modelle nutzen jahrelang vertrauliche Trainingsdaten zur Entdeckung und Entwicklung neuer Medikamentenkandidaten. Sie nehmen immer mehr an Größe und Komplexität zu und erfordern immer fortschrittlichere Rechenressourcen, einschließlich High-End-GPUs, die GenAI unterstützen, um proprietäre Datensätze sicher zu verarbeiten. Interessanterweise hat eine kleine Minderheit der Unternehmen derzeit keine Pläne zur Implementierung von KI/ML.

Die Integration mehrerer Datentypen wie Text, Bilder und Ton in Kombination mit LLMs erhöht die Granularität der Analyse gegenüber einer einzelnen Modalität. Es gibt einen wachsenden Trend zur multimodalen biomedizinischen KI und es wird erwartet, dass Anstrengungen unternommen werden, damit das erste multimodale Modell die FDA-Zulassung erhält. Bei diesen Entwicklungen muss man die semantische Divergenz in der Bedeutung und Anwendung von KI berücksichtigen, um ein gemeinsames Verständnis zu erreichen und zu verstehen, wo Halluzinationsrisiken auftreten, damit die erforderlichen Validierungsprozesse für die Ergebnisse eingesetzt werden können. Da die Regulierungsbehörden Wert auf Interpretierbarkeit und Erklärbarkeit legen, wird die Bedeutung des maschinellen Lernens bei der Krankheitsvorhersage, beim Arzneimitteldesign und bei den Ergebnissen klinischer Studien immer wichtiger, um objektive Indikatoren zu identifizieren. Mit der neuen generativen und multimodalen KI entstehen unerwartete und opportunistische Ergebnisse, einschließlich der Gefahr von Halluzinationen. Letztendlich birgt die Kombination von GenAI und LLMs ein enormes Potenzial, den Prozess der Arzneimittelentwicklung zu revolutionieren und ihn effizienter, präziser und innovativer zu machen.

KI-fokussierte Biotechnologie: Erhöhung der Forschungsgeschwindigkeit

Derzeit befinden sich ein Dutzend KI-entdeckter Arzneimittelkandidaten verschiedener Unternehmen in Rekordzeit in klinischen Studien der Phasen 2 und 3, die auf ein breites Spektrum medizinischer Erkrankungen abzielen. Das erste von KI entwickelte Medikament, das mit arzneimittelähnlichen Eigenschaften in klinische Studien ging, war DSP-1181, das von einem Joint Venture zwischen Sumitomo Dainippon Pharma und Exscientia entwickelt wurde. Die Entdeckungsphase für DSP-1181 zur Behandlung von Zwangsstörungen dauerte nur 12 Monate.

Insilico Medicine demonstrierte die Fähigkeit, in nur 18 Monaten neue Angriffspunkte für Arzneimittel zu identifizieren und Kandidatenmoleküle zu generieren, was das beschleunigte Potenzial von KI in der Arzneimittelforschung weiter demonstrierte. Während der COVID-19-Pandemie nutzte BenevolentAI seine KI-Plattform, um Baricitinib als potenzielle Behandlung für das Virus in nur drei Tagen zu identifizieren – ein beeindruckendes Beispiel für die schnelle Umnutzung von Medikamenten. In ähnlicher Weise hat Verge Genomics VRG50635, einen niedermolekularen Inhibitor von PIKfyve gegen Amyotrophe Lateralsklerose (ALS), in nur vier Jahren von der Forschung in die Klinik weiterentwickelt und die Phase-I-Studien erfolgreich bestanden. Viele KI-gestützte Arzneimittelforschungsprogramme dauern heute weniger als vier Jahre, verglichen mit den typischen fünf oder mehr Jahren, die für die traditionelle Entdeckungsphase erforderlich sind.

Erhöhte Geschwindigkeit mit KI in der klinischen Entwicklung

KI revolutioniert auch klinische Studien, von der Automatisierung von Aufgaben bis hin zur Verbesserung von Analysen und prädiktiver Modellierung. Der Markt für KI in klinischen Studien wächst schnell, wobei die meisten Berichte eine durchschnittliche jährliche Wachstumsrate von über 25 % prognostizieren. Die Schätzungen zur aktuellen Marktgröße gehen jedoch weit auseinander. Market.us meldet für 2023 einen Markt von 174,1 Milliarden US-Dollar, der größtenteils von den Technologien Variational Autoencoders (VAE) und Generative Adversarial Networks (GAN) angetrieben wird, während Precedence Research 1,6 Milliarden US-Dollar schätzt. Diese Diskrepanz kann teilweise auf die zunehmende Verwendung synthetischer Daten in Studien zurückzuführen sein, beispielsweise bei der Entwicklung synthetischer Kontrollarme, die Bedenken hinsichtlich der Privatsphäre der Patienten berücksichtigen und Datenlücken in der realen Welt schließen.

Ein kürzlich durchgeführter FDA-Workshop hat das Potenzial von KI bei der Studienoptimierung hervorgehoben. Michael Lingzhi Li präsentierte eine Fallstudie mit Janssen Pharmaceuticals, in der interpretierbare KI Inzidenzraten an potenziellen Standorten für deren COVID-19-Impfstoffstudie vorhersagte. Dieses Modell passte sich an sich ändernde Bedingungen an (z. B. COVID-Varianten, Mobilitätseinschränkungen, Freigabe von Impfstoffen), was zu 33 % schnelleren Studien und 25 % weniger Teilnehmern führte. Die Interpretierbarkeit des Modells lieferte überzeugende Argumente für die Standortwahl, die in der Folge zu einem vielfältigen Impfstoffversuch führte.

KI-Tools verbessern auch den Studienbetrieb, überwachen das Ansprechen auf die Behandlung, verbessern die Patienteneinbindung (weniger Patientenabbrüche) und beschleunigen die Rekrutierung. In regulatorischen Angelegenheiten verfolgt KI globale Leitlinien – die als Referenz alle 15 Minuten weltweit veröffentlicht werden – und prognostiziert Anfragen. Diese Anwendungen verstärken die Geschwindigkeitsverbesserungen, die bereits bei der KI-gestützten Arzneimittelentwicklung zu beobachten sind.

KI in der Arzneimittelforschung und -entwicklung: Schneller…billiger…besserer Wert?

Die auf künstlicher Intelligenz basierende Arzneimittelforschung ist auf dem Vormarsch. Die Automatisierung der Datenanalyse und die genauere Vorhersage von Ergebnissen führen dazu, dass Arzneimittelkandidaten im Vergleich zur herkömmlichen Arzneimittelentwicklung in Rekordzeit in klinische Studien eintreten. Über die Geschwindigkeit hinaus verspricht KI eine Kostensenkung durch die Minimierung des experimentellen Aufwands und sogar eine Verbesserung der Versuchseffizienz. Dies würde nicht nur die finanzielle Belastung verringern, sondern auch die Qualität der Arzneimittelkandidaten verbessern, Arzneimitteleigenschaften wie Sicherheit und Wirksamkeit in Einklang bringen und die Chancen auf Zulassung und Erfolg auf dem Markt erhöhen.

Im zweiten Teil unserer Serie untersuchen wir die tatsächlichen Kosteneinsparungen durch den Einsatz von KI und ob KI die Erfolgswahrscheinlichkeit und Zulassungswahrscheinlichkeit neuer Medikamentenkandidaten nachhaltig verbessern kann.

Über die Autoren:

Remco Jan Geukes Foppen Ph.D. ist ein Experte für KI und Biowissenschaften. Er ist sensibel für die Auswirkungen von KI auf Geschäftsstrategien und Entscheidungsprozesse. Remco ist eine internationale Führungskraft mit ausgewiesener Expertise in der Pharmaindustrie. Er leitete kommerzielle und geschäftliche Initiativen in den Bereichen Bildanalyse, Datenmanagement, Bioinformatik, Datenanalyse klinischer Studien mithilfe von maschinellem Lernen und föderiertem Lernen für eine Vielzahl von Unternehmen. Remco Jan Geukes Foppen hat einen Ph.D. in Biologie und verfügt über einen Master-Abschluss in Chemie, beide an der Universität Amsterdam.

Vincenzo Gioia ist ein KI-Innovationsstratege. Er ist eine Führungskraft in den Bereichen Wirtschaft und Technologie und konzentriert sich seit 20 Jahren auf Qualität und Präzision für die Kommerzialisierung innovativer Werkzeuge. Vincenzo ist auf künstliche Intelligenz spezialisiert, die auf Bildanalyse, Business Intelligence und Exzellenz angewendet wird. Sein Fokus auf den menschlichen Aspekt von Technologieanwendungen hat zu hohen Lösungsimplementierungsraten geführt. Er besitzt einen Master-Abschluss der Universität Salerno in Politikwissenschaften und Marketing.

Carlos N. Velez, Ph.D., MBA, ist ein strategischer Berater für Pharma- und Biotechnologie mit 25 Jahren Erfahrung in den Bereichen Beratung, Risikokapital, Unternehmensstrategie und Unternehmertum. Carlos ist darauf spezialisiert, Pharma- und Biotechnologieunternehmen bei der Entwicklung von Ein- und Auslizenzierungsstrategien zu unterstützen, mit zusätzlicher Expertise und Erfahrung in der Portfoliobewertung und -priorisierung, der Bewertung von Arzneimittelkandidaten und damit verbundenen Dienstleistungen. Darüber hinaus entwickelt und präsentiert er maßgeschneiderte Schulungsprogramme (sowohl live als auch virtuell) für Unternehmen, die ihre Ein- und Auslizenzierungsprozesse verbessern möchten. Er hat einen Ph.D. in Pharmazie von der University of North Carolina in Chapel Hill und einen MBA vom Rochester Institute of Technology.