Umowa AstraZeneca z insitro przeznacza 1,5 mld dolarów na odkrywanie celów terapeutycznych z pomocą AI
AstraZeneca podpisała z insitro umowę o wartości do około 1,5 mld dolarów, umieszczając AI na początku swojego procesu opracowywania leków na choroby wątroby i serca. Umowa AstraZeneca z insitro dotyczy uporczywego problemu: wyboru celów biologicznych, które faktycznie wywołują chorobę, a nie jedynie jej towarzyszą.
Firmy skoncentrują się na stłuszczeniowym zapaleniu wątroby związanym z dysfunkcją metaboliczną, znanym jako MASH, oraz na kardiomiopatiach wpływających na mięsień sercowy. Te określenia obejmują biologicznie zróżnicowane populacje pacjentów, co utrudnia zarówno modelowanie, jak i leczenie obu chorób. Współpraca ma odpowiedzieć na pytanie, czy uczenie maszynowe może rozdzielić ukryte mechanizmy tych chorób, zanim AstraZeneca zaangażuje lata pracy laboratoryjnej i klinicznej.
To rozróżnienie ma większe znaczenie niż kwota z nagłówka. Większość ogłoszonego wynagrodzenia zależy od przyszłych kamieni milowych w odkrywaniu, rozwoju i komercjalizacji. Natychmiastowe zobowiązanie jest znacznie mniejsze, a walidacja kliniczna pozostaje odpowiedzialnością AstraZeneca. Porozumienie zapewnia insitro ważnego partnera farmaceutycznego, nie sugerując przy tym, że algorytm może zastąpić eksperymenty, badania kliniczne lub ocenę regulacyjną.
Umowa tworzy również istotny punkt odniesienia wobec wcześniejszej pracy insitro dla Gilead Sciences, Bristol Myers Squibb i Eli Lilly. AstraZeneca nie kupuje gotowego leku ani nawet zwalidowanego celu. Płaci za lepszy system wyboru hipotez biologicznych, które zasługują na przekształcenie w programy lekowe.
Co faktycznie obejmuje umowa AstraZeneca z insitro
To porozumienie finansuje odkrywanie celów i wybór kandydatów przedklinicznych, a nie skrót oparty na AI w rozwoju klinicznym.
Zgodnie z ujawnionymi przez firmy warunkami umowy, AstraZeneca zapłaci insitro 40 mln dolarów z góry. Insitro może otrzymać do około 1,46 mld dolarów w ramach potencjalnych kamieni milowych związanych z odkrywaniem, rozwojem i komercjalizacją.
Firma może także otrzymać jednocyfrowe tantiemy od przyszłej globalnej sprzedaży. Płatności te zależą od tego, czy programy zajdą wystarczająco daleko, aby spełnić odpowiednie warunki. Nie należy ich interpretować jako środków już przekazanych ani gwarantowanych przychodów.
AstraZeneca otrzymuje wyłączne prawa na całym świecie do rozwijania wybranych programów zidentyfikowanych w ramach współpracy. Insitro będzie rozwijać wskazane przez AstraZeneca cele od etapu odkrywania do etapu kandydata rozwojowego. Następnie AstraZeneca będzie kontrolować rozwój kliniczny, prace regulacyjne i komercjalizację.
Ten podział pracy określa rzeczywisty zakres projektu. Rolą insitro jest identyfikacja przyczynowej biologii choroby i pomoc w przełożeniu wybranych celów na potencjalne leki. AstraZeneca nadal odpowiada za wykazanie bezpieczeństwa i skuteczności u ludzi.
Współpraca obejmuje MASH i kardiomiopatie. MASH to postępująca choroba wątroby związana z gromadzeniem tłuszczu, stanem zapalnym i uszkodzeniem komórek. Kardiomiopatie to choroby zmieniające strukturę lub funkcjonowanie mięśnia sercowego.
Obie kategorie cechuje znaczne zróżnicowanie biologiczne. Dwóch pacjentów może mieć tę samą diagnozę, ale odmienne uwarunkowania genetyczne, przebieg choroby lub reakcje na leczenie. Terapia skierowana do przeciętnego pacjenta może więc nie trafić w mechanizm napędzający chorobę w konkretnej podgrupie.
Insitro podaje, że jego platforma Virtual Human łączy dane o ludziach na dużą skalę, pomiary komórkowe, genetykę i uczenie maszynowe. Poszukuje wzorców łączących zmienność genetyczną z mierzalnymi cechami choroby i zachowaniem komórek.
Sformułowanie „przyczynowa biologia choroby” stanowi centralny element tej koncepcji. Korelacja może ujawnić, że białko, gen lub biomarker występuje u osób z daną chorobą. Dowody przyczynowe sugerują, że zmiana danego celu powinna zmienić sam proces chorobowy.
Ta różnica decyduje o tym, czy cel stanie się produktywnym programem lekowym, czy kosztowną ślepą uliczką. Dyrektorka AstraZeneca, Sharon Barr, opisała wybór celu jako jedną z najtrudniejszych decyzji w badaniach i rozwoju.
W wywiadzie o wyborze celów Barr powiedziała, że opublikowane szlaki przestają być nowatorskie, gdy każda grupa badawcza może o nich przeczytać. AstraZeneca chce wcześniej identyfikować mniej oczywiste powiązania biologiczne, a następnie testować je w systemach komórkowych.
Umowa jest zatem zakładem o przewagę informacyjną. AI nie eliminuje potrzeby rozwoju farmaceutycznego. Ma poprawić jakość i moment formułowania hipotez wprowadzanych do tego procesu.
Dlaczego MASH i kardiomiopatie pasują do strategii AI
AstraZeneca wybrała choroby, w których duże zbiory danych zawierają użyteczne sygnały, lecz szerokie etykiety diagnostyczne mogą ukrywać odmienne przyczyny biologiczne.
MASH wielokrotnie frustrował twórców leków, ponieważ tłuszcz, stan zapalny, włóknienie, metabolizm i genetyka oddziałują inaczej u różnych pacjentów. Postęp choroby także znacznie się różni. Niektóre osoby pozostają stabilne, podczas gdy u innych rozwija się marskość lub rak wątroby.
Ta zmienność stwarza problem wyboru celu, zanim jeszcze pojawi się problem projektowania cząsteczki. Lek może oddziaływać na zamierzony cel, a mimo to zawieść, jeśli ten cel nie napędza choroby u wystarczającej liczby włączonych pacjentów.
Kardiomiopatie stanowią podobne wyzwanie. Kategoria obejmuje wiele chorób dziedzicznych i nabytych, które osłabiają, powiększają, pogrubiają lub usztywniają mięsień sercowy. Różne zmiany genetyczne mogą prowadzić do podobnych objawów klinicznych.
Tradycyjne odkrywanie leków często zaczyna się od mechanizmu już popartego opublikowanymi badaniami. Naukowcy budują następnie testy, badają związki i gromadzą dowody wokół tego mechanizmu. Podejście to pozostaje niezbędne, ale może faworyzować znane cele dysponujące dużą ilością danych.
Uczenie maszynowe może poszerzyć zakres poszukiwań. Może jednocześnie analizować obrazy, warianty genetyczne, pomiary molekularne, dokumentację kliniczną i perturbacje eksperymentalne. Celem jest identyfikacja powiązań, które człowiekowi trudno byłoby dostrzec wśród milionów obserwacji.
Założycielka insitro, Daphne Koller, argumentowała, że współczesna biologia generuje bardziej szczegółowe pomiary, niż badacze są w stanie przeanalizować ręcznie. W wywiadzie o odkrywaniu leków z AI opisała wyzwanie jako wystarczająco dobre zrozumienie złożonych chorób, aby wybrać właściwą interwencję dla podgrupy pacjentów.
Argument ten jest szczególnie istotny w przypadku MASH. Model mógłby rozróżniać pacjentów, u których włóknienie przebiega różnymi szlakami molekularnymi, nawet jeśli ich diagnozy wyglądają podobnie. Badacze mogliby następnie rozwijać cele powiązane z jednym szlakiem i projektować badania kliniczne dla odpowiadającej mu populacji.
Ta sama logika dotyczy chorób serca. Wzorce obrazowania, informacje genetyczne, biomarkery krążące i eksperymenty komórkowe mogą tworzyć wielowymiarowy obraz choroby. Dane wielowymiarowe zawierają wiele mierzonych cech, które należy analizować łącznie.
Większa ilość danych nie prowadzi jednak automatycznie do lepszych wniosków przyczynowych. Medyczne zbiory danych odzwierciedlają to, kto otrzymał badania, jak zbierano pomiary i jakie wyniki rejestrowano. Te wybory mogą wprowadzać stronniczość.
Modele komórkowe również upraszczają środowisko panujące w ludzkim organizmie. Cel, który zmienia zachowanie hodowanej komórki, może działać inaczej w różnych narządach, odpowiedziach immunologicznych i podczas długich okresów leczenia. Uczenie maszynowe może uszeregować hipotezy, ale eksperymenty muszą ustalić, czy ranking ten wytrzymuje konfrontację z rzeczywistością biologiczną.
Podejście insitro Virtual Human próbuje zmniejszyć tę lukę, łącząc ludzką genetykę z systemami komórkowymi. Warianty genetyczne działają jak naturalne eksperymenty, ponieważ mogą wiązać trwające całe życie różnice biologiczne z wynikami chorobowymi.
Badacze mogą następnie zaburzać powiązane szlaki w komórkach i mierzyć rezultaty. Gdy genetyka człowieka i efekty laboratoryjne wskazują ten sam kierunek, argument za przyczynowością celu staje się silniejszy.
AstraZeneca wnosi kolejną warstwę. Jej naukowcy mogą ocenić, czy cel jest podatny na działanie leku, czyli czy lek może wpływać na niego bezpiecznie i konsekwentnie. Mogą również ocenić, czy proponowany mechanizm jest zgodny z istniejącą wiedzą kliniczną i wiedzą o chorobie.
Ten połączony proces wyjaśnia, dlaczego firmy wybrały dwie heterogeniczne choroby. Nie są to po prostu duże rynki dla nowych leków. Stanowią test tego, czy integracja danych może ujawnić możliwe do wykorzystania podgrupy pacjentów ukryte w szerokich diagnozach.
Prawdziwa rywalizacja dotyczy lepszych celów, a nie większej liczby celów
Umowa AstraZeneca z insitro będzie miała znaczenie tylko wtedy, gdy poprawi jakość celów, a nie jedynie szybkość lub liczbę predykcji obliczeniowych.
Systemy AI mogą generować długie listy genów, białek, szlaków i cząsteczek. Taka obfitość może tworzyć wrażenie postępu. Odkrywanie leków nie nagradza jednak najdłuższej listy. Nagradza niewielką liczbę hipotez, które pozostają wiarygodne po wielokrotnych testach.
Główne twierdzenie insitro zakłada, że jego platforma może priorytetyzować cele zakotwiczone w biologii człowieka. Platforma łączy dane na poziomie populacji z eksperymentami prowadzonymi na komórkach. Następnie wykorzystuje uczenie maszynowe do łączenia cech choroby z potencjalnymi czynnikami ją napędzającymi.
Metoda różni się od używania modelu językowego do podsumowywania literatury naukowej. Różni się także od przesiewania wyłącznie biblioteki chemicznej względem znanego białka. Proponowana przewaga wynika z integrowania kilku form dowodów biologicznych przed wyborem celu.
Rola AstraZeneca zapobiega przekształceniu współpracy w ćwiczenie oparte wyłącznie na oprogramowaniu. Naukowcy farmaceutyczni muszą zdecydować, czy predykcja ma wiarygodny mechanizm, odpowiedni profil bezpieczeństwa i praktyczną ścieżkę rozwoju.
Praca ta obejmuje potwierdzenie, że cel występuje w istotnych tkankach. Badacze muszą wykazać, że jego modyfikacja przynosi oczekiwany efekt i nie wywołuje niedopuszczalnych problemów w innych miejscach. Muszą także znaleźć lek zdolny do dotarcia do niego i kontrolowania go.
Proces staje się iteracyjny. Wyniki obliczeniowe kierują eksperymentami, a rezultaty eksperymentów aktualizują modele. Nietrafne predykcje nadal dostarczają informacji, gdy zespoły zapisują powody ich niepowodzenia i przekazują te wnioski z powrotem do systemu.
Mechanizm ten wywiera presję na dwa ugruntowane podejścia. Pierwsze opiera się w dużej mierze na celach już dobrze reprezentowanych w literaturze naukowej. Drugie wykorzystuje platformy obliczeniowe, które koncentrują się na generowaniu cząsteczek po wcześniejszym wybraniu celu.
AstraZeneca i insitro skupiają się na wcześniejszej decyzji. Ich zakład polega na tym, że wybór silniejszego mechanizmu chorobowego tworzy większą wartość niż szybsze projektowanie związków przeciwko słabemu celowi.
Przemysł farmaceutyczny ma dobre powody, by skupiać się właśnie na tym etapie. Chemicznie elegancka cząsteczka nie uratuje celu, który nie wpływa znacząco na chorobę człowieka. Błędna hipoteza biologiczna może pochłonąć lata, zanim badanie kliniczne ujawni pomyłkę.
Insitro realizowało ten model już wcześniej. Jego współpraca dotycząca wątroby z 2019 roku z Gilead również koncentrowała się na stłuszczeniowej chorobie wątroby. Projekt wykorzystywał uczenie maszynowe, genetykę człowieka i genomikę funkcjonalną do tworzenia modeli choroby i identyfikowania celów.
Nowa umowa rozwija zatem długotrwały kierunek badań, zamiast otwierać całkowicie nowy. Daje też AstraZeneca kolejną drogę do odkrywania celów terapeutycznych wspomaganego przez AI, obok jej narzędzi wewnętrznych i partnerstw zewnętrznych.
AstraZeneca współpracowała wcześniej z BenevolentAI nad celami terapeutycznymi dla przewlekłej choroby nerek i idiopatycznego włóknienia płuc. Rozszerzyła również wykorzystanie AI w analizie danych klinicznych, badaniach biomarkerów i innych programach odkrywania leków.
Dla insitro umowa oznacza dodanie kolejnej dużej firmy farmaceutycznej do listy partnerów, na której znajdują się Gilead, Bristol Myers Squibb i Eli Lilly. Każda relacja zapewnia inną wiedzę o chorobach, możliwości rozwoju oraz informacje zwrotne z eksperymentów.
Pytanie konkurencyjne nie brzmi, która firma wykorzystuje AI. Niemal każda duża grupa farmaceutyczna deklaruje obecnie pewne możliwości w zakresie AI. Istotne porównanie dotyczy tego, które organizacje potrafią połączyć modele z własnymi danymi, powtarzalnymi eksperymentami i decyzjami rozwojowymi.
Taka integracja wymaga infrastruktury i dyscypliny instytucjonalnej. Specjaliści od danych muszą rozumieć, jak pobierano próbki. Biolodzy muszą wiedzieć, co model może wnioskować. Twórcy leków muszą odróżniać interesujący wzorzec od programu gotowego do inwestycji.
Zespoły potrzebują także identyfikowalnych zapisów nieudanych hipotez. Bez nich modele mogą przejmować stronniczość publikacyjną, ponieważ literatura naukowa faworyzuje pozytywne wyniki. Powtarzanie wyłącznie udanych eksperymentów tworzy niepełny obraz tego, na co rzeczywiście pozwala biologia.
Umowa AstraZeneca z insitro może zapewnić przewagę, jeśli partnerstwo usprawni tę pętlę informacji zwrotnej. Jej wartość wynikałaby z wcześniejszego odrzucania słabych pomysłów i rozwijania mniejszej liczby, lepiej uzasadnionych celów.
Kwota 1,5 mld dolarów w nagłówku nie potwierdza wartości platformy
Pułap płatności etapowych sygnalizuje ambicję, lecz o tym, czy platforma poprawia wyniki rozwoju leków, zdecydują dowody biologiczne i kliniczne.
Pewna w chwili podpisania jest jedynie płatność wstępna. Większość potencjalnej wartości zależy od przyszłych wydarzeń, w tym udanego odkrywania, rozwoju i komercjalizacji. Taka struktura przenosi dużą część ryzyka naukowego na same programy.
Sprawia też, że kwota z nagłówka jest słabą miarą natychmiastowego zaufania. Duże pakiety płatności etapowych są powszechne w partnerstwach biotechnologicznych, ponieważ udane leki mogą generować znaczną wartość. Wiele programów nigdy nie dociera do etapów uruchamiających późniejsze płatności.
Firmy nie ujawniły, ile celów AstraZeneca wskazała. Nie określiły konkretnych mechanizmów, cząsteczek kandydujących, harmonogramów rozwoju ani warunków uruchamiających płatności etapowe. Nie opublikowały też porównawczych danych dotyczących wyników tej współpracy.
Takie luki są normalne w przypadku umowy na wczesnym etapie odkrywania. Nadal ograniczają jednak wnioski, jakie mogą wyciągnąć obserwatorzy zewnętrzni. Ogłoszenie potwierdza partnerstwo i jego ramy finansowe, a nie kliniczny sukces platformy.
Recenzowany przegląd odkrywania celów terapeutycznych wskazuje kilka trwałych ograniczeń systemów AI. Obejmują one stronnicze dane, ograniczoną interpretowalność, słabą generalizację oraz konieczność eksperymentalnego potwierdzania przewidywanych celów.
Generalizacja opisuje, czy model pozostaje wiarygodny poza danymi użytymi do jego opracowania. System wytrenowany na jednej populacji, typie komórek lub procesie pomiarowym może działać słabo, gdy warunki się zmienią.
Interpretowalność stanowi inny problem. Model może wysoko ocenić cel bez przedstawienia jasnego biologicznego wyjaśnienia. Badaczom może być trudno zaprojektować eksperymenty potwierdzające, gdy nie potrafią ustalić, dlaczego model wygenerował taki wynik.
Wnioskowanie przyczynowe podnosi poprzeczkę jeszcze wyżej. Związek genetyczny może wspierać wybór celu, lecz pobliskie geny lub sprzężone warianty mogą komplikować interpretację. Odpowiedź komórkowa może pokazywać, że szlak zmienia się w warunkach laboratoryjnych, nie dowodząc, że ta sama zmiana przynosi korzyści pacjentom.
MASH wiąże się z dodatkowymi komplikacjami klinicznymi. Ocena nasilenia choroby często wymaga obrazowania, biomarkerów lub oceny tkanki, a pomiary te nie zawsze są ze sobą zgodne. Dobór pacjentów może więc wpływać na to, czy eksperymentalny lek wydaje się skuteczny.
Badania nad kardiomiopatiami mają własne wyzwania. Postęp choroby może być powolny, populacje pacjentów niewielkie, a podtypy genetyczne mogą się różnić. Badacze potrzebują punktów końcowych, które uchwycą znaczące poprawy w praktycznym okresie trwania badania.
AI nie może usunąć tych ograniczeń. Może pomóc w identyfikacji pacjentów, biomarkerów i mechanizmów, ale regulatorzy nadal potrzebują wiarygodnych dowodów z badań kontrolowanych. Lekarze nadal potrzebują korzyści przewyższających ryzyko.
Niedawna analiza translacji klinicznej argumentuje, że dane biologiczne różnią się od stabilnych zbiorów danych stojących za wieloma udanymi konsumenckimi zastosowaniami AI. Pomiary zależą od projektu eksperymentu, dawki, czasu, tkanki i kontekstu pacjenta.
To spostrzeżenie wyjaśnia centralny kompromis. Modele zyskują na sile dzięki łączeniu większej ilości danych, lecz łączenie niekompatybilnych pomiarów może również ukrywać istotne różnice. Skala pomaga tylko wtedy, gdy bazowe dane pozostają biologicznie znaczące.
Insitro twierdzi, że zbudowało duży multimodalny zbiór danych ludzkich i komórkowych. Multimodalny oznacza, że zbiór zawiera kilka typów pomiarów, takich jak dane genetyczne, obrazy i profile molekularne.
Rozmiar tego zasobu pozostaje mniej istotny niż jego znaczenie dla obu chorób. Decydujące pytania dotyczą różnorodności pacjentów, spójności pomiarów, stadium choroby i niezależnej walidacji.
Kolejna niewiadoma dotyczy nowości. Wcześniej nieznany cel może przynieść korzyści w zakresie własności intelektualnej i konkurencji. Nowe cele mają również mniej dowodów, co zwiększa ryzyko, że badacze błędnie zrozumieją ich funkcję.
Znany cel ma odwrotny profil. Konkurenci mogą już nad nim pracować, ale naukowcy lepiej rozumieją jego szlak, bezpieczeństwo i znaczenie kliniczne. Platformy AI muszą równoważyć nowość z pewnością.
AstraZeneca najwyraźniej chce obu tych elementów. Wypowiedzi Barra podkreślają znajdowanie biologicznych powiązań, zanim staną się szeroko znane. Jednak zespoły rozwojowe firmy nadal muszą wymagać wystarczających dowodów, by uzasadnić kosztowne eksperymenty i badania.
Ta presja tworzy użyteczną dyscyplinę dla insitro. Partner farmaceutyczny nie potrzebuje jedynie imponującego wyniku porównawczego modelu. Potrzebuje celów, które przetrwają wewnętrzną ocenę, zaowocują realnymi lekami i ostatecznie poprawią wyniki leczenia pacjentów.
Umowę należy zatem oceniać etapami. Wskazanie celu jest pierwszym sygnałem. Wybór kandydatów rozwojowych stanowi silniejszy dowód. Rozpoczęcie badań z udziałem ludzi zapewnia kolejny poziom potwierdzenia.
Skuteczność kliniczna pozostaje najtrudniejszym standardem. Dopóki programy nie osiągną tego punktu, twierdzenia o szybszym lub skuteczniejszym rozwoju leków powinny pozostać wstępne.
Trzy sygnały pokażą, czy zakład działa
Kolejne istotne dowody będą wynikać z postępów programów, powtarzalnej walidacji biologicznej i jasno określonych grup pacjentów.
Pierwszym sygnałem będzie to, czy AstraZeneca wybierze cele do formalnego rozwoju. Wskazany cel pokazuje, że model stworzył interesującą hipotezę. Kandydat rozwojowy pokazuje, że hipoteza przetrwała dodatkowe prace biologiczne, chemiczne i dotyczące bezpieczeństwa.
Ujawniane płatności etapowe mogą pomóc czytelnikom rozróżnić te etapy. Płatności za odkrycie wskazywałyby na wczesny postęp, podczas gdy etapy rozwojowe sugerowałyby, że wybrane programy przekroczyły wyższe wewnętrzne progi.
Drugim sygnałem jest niezależna walidacja eksperymentalna. Użyteczne dowody mogłyby obejmować powtórzone wyniki komórkowe, badania na zwierzętach, analizy genetyczne lub recenzowane badania łączące cel z postępem choroby.
Sama publikacja nie zagwarantuje sukcesu. Jednak jasne metody i zewnętrzna replikacja ułatwiłyby ocenę, czy platforma identyfikuje przyczynową biologię, a nie statystyczny zbieg okoliczności.
Trzecim sygnałem jest stratyfikacja pacjentów. Firmy opisują MASH i kardiomiopatie jako choroby heterogeniczne, więc ich programy powinny ostatecznie określić, którzy pacjenci mają istotny mechanizm.
Biomarkery mogą zapewnić to połączenie. Biomarker to mierzalna cecha biologiczna wykorzystywana do identyfikacji aktywności choroby, odpowiedzi na leczenie lub kwalifikacji pacjenta. Silne biomarkery pomogłyby AstraZeneca testować każdy lek w grupie, która najprawdopodobniej odniesie korzyść.
Te sygnały będą pojawiać się powoli. Współpraca rozpoczyna się przed wyborem kandydatów, podczas gdy rozwój leków zwykle rozciąga się na kilka lat. Wczesne ogłoszenia mogą dotyczyć celów lub programów przedklinicznych, a nie wyników badań na ludziach.
Działania konkurentów zapewnią dodatkowy kontekst. Wcześniejsza współpraca Gilead z insitro stanowi historyczny punkt odniesienia w chorobach wątroby. Inne partnerstwa AstraZeneca w obszarze AI mogą pokazać, czy różne systemy odkrywania generują cele trafiające do jej pipeline'u.
Czytelnicy powinni unikać traktowania każdego etapu jako równoważnego. Prognoza obliczeniowa, zwalidowany cel, kandydat rozwojowy i skuteczny lek kliniczny reprezentują bardzo różne poziomy dowodów.
Umowa AstraZeneca z insitro jest ważna, ponieważ stawia AI wobec istotnego wąskiego gardła. Wybór niewłaściwego celu może podważyć wszystko, co następuje później. Wybór lepszego może poprawić prawdopodobieństwo sukcesu każdej kolejnej decyzji.
Porozumienie pokazuje również, jak firmy farmaceutyczne strukturyzują wdrażanie AI. AstraZeneca zachowuje kontrolę nad badaniami, regulacjami i komercjalizacją. Insitro dostarcza wyspecjalizowane modele, dane biologiczne i możliwości odkrywcze.
Model ten rozdziela wiedzę specjalistyczną bez zdejmowania odpowiedzialności. Jeśli programy zawiodą, przyczyna może leżeć w wyborze celu, projektowaniu cząsteczki, bezpieczeństwie, projekcie badania lub biologii człowieka. Żaden pojedynczy algorytm nie kontroluje całego łańcucha.
Dla badaczy i liderów biznesu oznacza to, że zarządzanie dowodami jest równie ważne jak wydajność modeli. Zespoły muszą łączyć każdą prognozę z jej zbiorami danych, założeniami, eksperymentami i decyzjami.
AI knowledge base może pomóc organizacjom zachować ten ślad w dokumentach, na spotkaniach i w aktualizacjach eksperymentalnych. Praktycznym celem nie jest gromadzenie większej ilości informacji. Jest nim zachowanie dowodów stojących za każdą zmianą oceny.
Natychmiastowe pytanie jest jasne: czy partnerstwo wskaże cele, które AstraZeneca rozwinie dalej? Następnie czytelnicy powinni obserwować powtarzalną biologię oraz konkretne strategie doboru pacjentów.
Te wyniki pokażą, czy współpraca znalazła lepszy mechanizm odkrywania, czy stworzyła kolejny duży zbiór wiarygodnych hipotez. Pułap 1,5 mld dolarów przyciąga uwagę, lecz pierwszy wiarygodny kandydat na lek będzie miał znacznie większe znaczenie.
