数え切れないほどのリソースと時間は、臨床的失敗と患者の利益に終わる新しい治療法を研究および前進させるために世界的に費やされます。患者生物学を正確に表現しながら、ラボベースのテストでは利用できない翻訳可能な生物学的モデルに対する潜在的な薬物の影響を予測できる世界を想像してください。
タービンは、世界初の解釈可能なセルシミュレーションプラットフォームであるAIを搭載した「仮想ラボ」を構築したバイオテクノロジー企業です。
タービンのシミュレートされたセルプラットフォームは、分子レベルの挙動を模倣する仮想セルを作成します。これは、実際の患者生物学をモデルにしています。これにより、シリコの実験は、腫瘍学およびそれ以降の創薬と発達を加速させることができます。
タービンの共同設立者兼CEOであるSzabi Nagyと話をして、Budapestの深い技術才能プールから描かれた60人以上のデータサイエンティスト、計算および分子生物学者のチームに同社の起源、製品の提供、成長についてさらに学びました。
最初の臨床試験の前に薬物性能を予測する
シミュレートされたセルプラットフォームは、細胞の運命を決定し、物理的世界で不可能なスケールでのシリコ実験を促進する基本的なタンパク質シグナル伝達論理をモデル化します。言い換えれば、Turbine.AIは、セルラーシステムのデジタルツインを構築します。これは、実際のセルを反映する生物学的に代表的な仮想モデルであり、制御された反復環境でシミュレーションと予測を可能にします。
その結果、疾患運転メカニズムを特定して確認することにより、生体ファマ産業に力を与えるために、ウェットラボで単一のテストを完了するのにかかる時間で、数十億のシミュレートされた実験を実行できます。
そして今、仮想セルモデルはもはや大きな製薬だけではありません。 4月、タービンは仮想ラボを立ち上げました。これにより、科学者は同社の強力なセルラーシミュレーション技術を使用して、数百万ドルの臨床試験に着手する前に潜在的な薬物が人間でどのように機能するかを理解するなど、最も厳しいR＆Dの課題に取り組むことができます。初めて、小規模なバイオテクノロジーチームが飛び込んで、実験を使用して実験をより速く、より賢く、以前は不可能な方法で実行しています。
ネットワーク科学の起源から機械学習まで
実際、タービンはAI会社としてではなく、ネットワークサイエンス企業として始まりました。アイデアは、セルをネットワークとして表すことでした – エッジ（相互作用）で接続されたノード（タンパク質）。
Nagyによると、「ネットワークの振る舞いについては豊富な数学的理論があります。私たちの考えは、生物学を動的ネットワークとして表現し、何かが変わったときにどのように反応するかをシミュレートできますか？」
このアプローチの利点は解釈可能性です。たとえば、タンパク質を阻害する薬物を投与すると、ネットワークがどのように下流の効果を予測するかを確認できます。
しかし、Nagyは、科学者がメカニズムを直感的に理解し、仮説を生成できるため、これを愛していたが、問題はスケーラビリティであると認めている。
「これらのネットワークは、文献を読んだりパラメーターを設定したりする専門家によって手動で構築されました。ポイントの後、人間のバイアスが焼き込まれたため、予測性が高まりました。」
それは、会社が機械学習に目を向けたときであり、その使用により、より予測的で柔軟になり、より多くの薬物や病気をモデル化することができました。しかし、これは常に科学者に勝つとは限りませんでした。 Nagyは、「私たちはブラックボックスになりました。生物学者はそれを嫌っていました。彼らは、推論を理解せずに予測を信頼できないと感じました。」
生物学のシミュレーションは、LLMのトレーニングよりも難しいです
生物学のシミュレーションは簡単なことではありません。チームは、5年間のうち4年間でテクノロジースケールを獲得しました。
Nagyは、「生物学は非常に複雑であり、顕微鏡スケールで発生するため、データを生成する能力は限られています。」
会社は、普遍的な何かを学ぶことができるレベルで生物学を表現する方法などの課題に取り組んできましたか？さまざまな種類の細胞を模倣し、最終的に組織を模倣できるモデルを作成することは可能ですか？
その後、深い学習に関しては、実際にモデルのトレーニングを開始し、「海を沸騰させようとして、数十億をデータ生成に費やすことなく、有用な方法で実験をシミュレートできる」抽象化レベルを見つけるという課題があります。
LLMSとは異なり、言葉や文法の評判の良い知識に訓練できます。「セルでは、表面的なスナップショットしか得られません。データはほとんどなく、非常に複雑なシステムを学ぶ必要があります。」同社の2番目の課題は、可能な実験の膨大な数でした。
タービンは、タンパク質がどのように相互作用するか、タンパク質に作用する分子（薬物や微小環境シグナルなど）など、生物学の基本的なルールを学習するように訓練された基礎機械学習モデルから始まりました。
このモデルは、実験室ベースの実験、動物研究、人間のサンプルなど、実際の生物学的システムからのデータについてトレーニングされています。これは通常、ゲノム情報とタンパク質レベルの測定で構成されています。これは、ほとんどの場合、生成が容易であるため、ほとんどの場合トランスクリプトミクスです。
これらのスナップショットは、モデルにトレーニング目標を与えます。介入の前にセルがどのように見えたか、どのように世話をしましたか。その後、このモデルは、何百万もの実験にわたって、AからBからBにつながった配線を推進します。
バイオテクノロジーのスタートアップはどこでうまくいかないのですか？
薬物の発見は、AIの最も信頼できるアプリケーションの1つとしてしばしば維持されます。批評家がAIの誇大広告または「スロップ」を却下すると、彼らはまだ認めています。少なくともそれは癌の治療に役立つかもしれません。
しかし、研究室での有望な科学を、患者と医療システムが実際に採用する実行可能な商業製品に変えることは、簡単ではありません。
タービンがこの分野に年をとっているので、なぜ非常に多くのバイオテクノロジーのスタートアップが科学的ブレークスルーを商業的成功に変えるのに苦労するのかについてNagyの見解を聞きたいと思っていました。 Nagyは、それを4つの主な要因に帰します。
ビジネスモデル。 初期のAI創薬会社は、ファーマがより良い分子に何百万人もの支払いをすると考えていたハイテク投資家によって資金提供されました。しかし、彼はファーマがそのように見ていなかったと主張します。
「彼らは、これらのツールを長いプロセスでポイントソリューションと見なし、大規模な取引に値するものではありません。多くの企業はバイオテクノロジーにピボットしなければなりませんでした。VCSは戻る道を望んでいたため、独自のパイプラインを構築しました。」
狭い焦点。 ほとんどの企業は分子設計に集中していました。しかし、ほとんどの臨床的失敗は、分子が「十分に良い」ものではないためではありません。 「ターゲットの選択、患者の選択、バイオマーカー、または組み合わせ戦略のために失敗します。これらは多くの人が無視する難しい問題です。」
データドグマ。 Nagyによると、「データは価値に等しい」という強い信念があります。企業は、数億人の独自のデータセットを生成するために調達しました。 Nagyは、「Alphafoldは反対を示した。新しいデータを作成せず、既存のパブリックデータにより優れた機械学習を適用しただけです。データは有用ですが、堀ではありません。」
スピードはすべてではありません。 機械学習とAIは、創薬の速度をもたらすものとしても相関していますが、Nagyはこのアプローチが誤解を招くと主張しています。 「故障するより速いビジネスモデルではありません。
「化学が遅すぎたため、薬物が患者に利益をもたらさないため、多くの失敗は発生しません。ほとんどの失敗は、有効性を示す必要があるときにフェーズIIで発生します。
分子の設計 – AIかどうか – は、ボトルネックではめったにありません。本当の問題は、適切な目標、患者集団、および用量を選んだかどうかです。」
Pharma Economicsの再考：ラボテストの減少、動物の使用の減少、より安価な創薬発見
今日のほとんどの生物医学のデジタル双子は、試験の設計または治療の最適化のために患者に焦点を当てています。タービンは、患者につながるステップを仮想化しています：前臨床実験と創薬ワークフロー。 Nagyは、これらのアプローチが時間の経過とともに接続されると主張しています。
「シミュレートされた細胞または組織モデルに供給する患者のデジタルツイン生成仮説を想像してください。その後、実験を実行して、その患者の最良の治療戦略を特定できます。それは患者の双子に戻り、フィードバックループを作成します。」
タービンのプラットフォームは、アストラゼネカ、小野医薬品、癌研究の視野、バイエルなどの製薬会社のパイプラインを導くためにすでに使用されています。
タービンは、ターゲットの識別から表示拡張まで、ほぼ30のプログラムにシミュレーションを適用しています。
Nagyは説明しました：
「最初にシミュレーションを実行してから、シミュレーションが示唆していることをテストする場合、実際の実験で成功する可能性が2〜3倍高いことを示しました。
それだけでは、単一のステップに革命をもたらすことはないかもしれませんが、数十の決定ポイントにそれを適用すると、累積効果は変革的です。」
Nagyは、タービンのようなプラットフォームが成功した場合、予測値が限られている無限のラボ実験を実行する代わりに、より多くの計算科学者が実験をモデル化し、ラボで最も有望なものを確認するだけであると主張します。
それは動物の実験への依存を減らし、発見を加速し、ファーマの経済学を変える可能性があります。
「今日、臨床試験、承認、グローバルな商業化を管理するのに最適であるため、数十の大企業しか支配的です。
創薬自体がより安く、より予測可能になると、小規模なプレーヤーは革新し、それでも患者に到達する可能性があります。これにより、イノベーションが拡大し、潜在的に薬物価格が低下する可能性があります。」
8月、タービンはMSD（Merck＆Co。）との1年間の研究パートナーシップを締結し、そうでなければ研究が困難な癌患者集団をシミュレートしました。このコラボレーションの目的は、新しい治療依存関係を明らかにすることを目的としています。これは、MSDが薬物ターゲット、バイオマーカー、およびウェットラブ実験における検証のための組み合わせ戦略を優先するのに役立つ洞察です。