Novo Nordisk ja Anthropic nopeuttavat lääkekehitystä

Kuvittele, että penot kirjastoa, joka on kaupungin kokoinen, etsien yhtä himmeää vihjettä. Se vie aikaa. Se vaatii onnea. Novo Nordisk toivoo, että uusi kumppanuus muuttaa todennäköisyyksiä edullisemmaksi.

Tanskalainen lääkeyhtiö, joka on tunnettu Ozempicista ja Wegovysta, tekee yhteistyötä Anthropicin kanssa kokeillakseen yrityksen Claude-pilvimalleja tutkimus- ja kehityslaboissaan. Tavoite on käytännöllinen: selvittää, missä määrin nämä tekoälytyökalut voivat aidosti auttaa tutkijoita seulomaan biologista dataa, havaitsemaan lupaavia yhdisteitä ja suunnittelemaan parempia kokeita nopeammin.

Tekoäly on jo kasvanut yli pelkkien tekstin ja kuvien nikseistä. Nyt sitä opetetaan lukemaan tieteellisiä artikkeleita, tulkitsemaan kokeellisia tuloksia ja yhdistämään erillisiä datakokonaisuuksia. Se voi ohjata tutkijoita aiempaa merkityksellisempiin kokeilulinjoihin, vähentäen aikaa, joka kuluu umpikujiin juoksemiseen. Kuulostaa hyödylliseltä? Todellakin. Mutta käytännössä työ on myös sekavaa.

Mitä nämä mallit tarjoavat, on nopeus ja laajan mittakaavan kaavojen tunnistus. Ne voivat tiivistää vuosikymmenten tutkimukset minuuteissa, tuoda esiin korrelaatioita eri kokeiden välillä ja ehdottaa hypoteeseja, jotka ihmisiltä saattaisivat jäädä huomaamatta. Ne voivat luonnostella raportteja ja hahmotella koesuunnitelmia. Ne eivät kuitenkaan pysty käyttämään pipettiä.

Tekoäly nopeuttaa, mutta ei korvaa: laboratoriovarmistus ja kliiniset tutkimukset ovat edelleen välttämättömiä.

Suuret lääkeyhtiöt ovat havainneet ilmiön. Eli Lilly, Merck ja Roche ovat niiden joukossa, jotka sijoittavat resursseja tekoälyalustoihin löytöprosessien tehostamiseksi. Laskelma on yksinkertainen: lääkkeen kehittäminen on hidasta ja kallista, ja monet varhaiset ehdokkaat epäonnistuvat myöhemmin. Parempi data-analyysi voisi pienentää tätä epäonnistumisprosenttia, jos mallit osoittautuvat luotettaviksi.

Novo Nordisk on kokeillut aiemmin muitakin tekoälyyhteistyöitä. Anthropicin lisääminen on uutta ja laajentaa työkalupakkia alueilla, joissa laskennalliset mallit voivat säästää kuukausia tai jopa vuosia matkalla ideasta lääkkeeksi. Kuinka paljon aikaa säästyy? Siinä on miljardiluokan kysymys.

Todellinen koetinkivi on, muuttavatko nämä kumppanuudet nopeammat oivallukset turvallisemmiksi ja tehokkaammiksi hoidoiksi, jotka saavuttavat potilaat aiemmin. Tällä hetkellä laboratoriot toimivat koekenttinä, ja kilpailu on käynnissä nerokkaiden algoritmien muuttamiseksi konkreettisiksi hoidoiksi.