KI erfindet Medikamente, die noch nie jemand gesehen hat. Jetzt müssen wir sehen, ob sie funktionieren.

Die KI-Automatisierung in der gesamten Arzneimittelentwicklungspipeline eröffnet die Möglichkeit für schnellere und günstigere Arzneimittel.

„Paul“ war 82 Jahre alt und litt an einer aggressiven Form von Blutkrebs, die durch sechs Chemotherapiezyklen nicht beseitigt werden konnte. Er schien keine andere Wahl mehr zu haben. Mit jeder langen und unangenehmen Behandlungsrunde arbeiteten sich seine Ärzte eine Liste gängiger Krebsmedikamente durch, in der Hoffnung, etwas zu finden, das sich als wirksam erweisen würde – und strichen sie eins nach dem anderen ab. Die üblichen Krebskiller machten ihren Job nicht.

Da Paul nichts zu verlieren hatte, meldeten ihn seine Ärzte für eine Studie der Medizinischen Universität Wien in Österreich an, wo er lebt. Die Universität testete eine neue Matchmaking-Technologie, die von einem britischen Unternehmen namens Exscientia entwickelt wurde und einzelnen Patienten genau die Medikamente zuordnet, die sie benötigen, und dabei die subtilen biologischen Unterschiede zwischen Menschen berücksichtigt.

Die Forscher entnahmen Paul eine kleine Gewebeprobe (sein richtiger Name ist nicht bekannt, da seine Identität im Prozess verschleiert wurde). Sie teilten die Probe, die sowohl normale Zellen als auch Krebszellen enthielt, in mehr als hundert Stücke und setzten sie verschiedenen Medikamentencocktails aus. Anschließend beobachteten sie mithilfe von Roboterautomatisierung und Computer Vision (maschinelle Lernmodelle, die darauf trainiert sind, kleine Veränderungen in Zellen zu erkennen), um zu sehen, was passieren würde.

Tatsächlich taten die Forscher das, was die Ärzte getan hatten: Sie probierten verschiedene Medikamente aus, um zu sehen, was wirkte. Doch anstatt einen Patienten mehrere Monate lang einer Chemotherapie zu unterziehen, testeten sie Dutzende Behandlungen gleichzeitig.

Dieser Ansatz ermöglichte es dem Team, eine umfassende Suche nach dem richtigen Medikament durchzuführen. Einige der Medikamente töteten Pauls Krebszellen nicht ab. Andere schädigten seine gesunden Zellen. Paul war zu gebrechlich, um die Droge einzunehmen, die als Sieger hervorging. Deshalb erhielt er im Matchmaking-Verfahren den zweiten Platz: ein vom Pharmariesen Johnson & Johnson vertriebenes Krebsmedikament, das Pauls Ärzte nicht ausprobiert hatten, weil frühere Studien darauf hingewiesen hatten, dass es bei der Behandlung seiner Krebsart nicht wirksam war.

Es funktionierte. Zwei Jahre später befand sich Paul in völliger Remission – sein Krebs war verschwunden. Der Ansatz stellt eine große Veränderung für die Behandlung von Krebs dar, sagt Andrew Hopkins, CEO von Exscientia: „Die Technologie, die wir haben, um Medikamente in der Klinik zu testen, lässt sich wirklich auf echte Patienten übertragen.“

Die Auswahl des richtigen Medikaments ist nur die Hälfte des Problems, das Exscientia lösen möchte. Das Unternehmen ist bestrebt, die gesamte Medikamentenentwicklungspipeline zu überarbeiten. Exscientia bringt Patienten nicht nur mit vorhandenen Medikamenten zusammen, sondern nutzt auch maschinelles Lernen, um neue Medikamente zu entwickeln. Dies könnte wiederum noch mehr Optionen zum Durchsuchen bei der Suche nach einer Übereinstimmung ergeben.

Die ersten Medikamente, die mit Hilfe von KI entwickelt wurden, befinden sich derzeit in klinischen Studien. Dabei werden strenge Tests an freiwilligen Probanden durchgeführt, um festzustellen, ob eine Behandlung sicher ist – und wirklich funktioniert –, bevor die Aufsichtsbehörden sie für den breiten Einsatz freigeben. Seit 2021 haben zwei Medikamente, die Exscientia entwickelt (oder gemeinsam mit anderen Pharmaunternehmen entwickelt hat), den Prozess begonnen. Das Unternehmen ist dabei, zwei weitere einzureichen.

„Wenn wir einen traditionellen Ansatz verwendet hätten, hätten wir nicht so schnell skalieren können“, sagt Hopkins.

Exscientia ist nicht allein. Mittlerweile erforschen Hunderte Startups den Einsatz von maschinellem Lernen in der Pharmaindustrie, sagt Nathan Benaich von Air Street Capital, einem VC-Unternehmen, das in Biotech- und Life-Science-Unternehmen investiert: „Die ersten Anzeichen waren aufregend genug, um viel Geld anzuziehen.“

Heutzutage dauert die Entwicklung eines neuen Medikaments durchschnittlich mehr als 10 Jahre und Milliarden von Dollar. Die Vision besteht darin, mithilfe von KI die Arzneimittelforschung schneller und kostengünstiger zu machen. Indem maschinelle Lernmodelle vorhersagen, wie sich potenzielle Medikamente im Körper verhalten könnten, und tote Verbindungen aussortieren, bevor sie den Computer verlassen, können sie die Notwendigkeit mühsamer Laborarbeit reduzieren.

Und es bestehe immer ein Bedarf an neuen Medikamenten, sagt Adityo Prakash, CEO des kalifornischen Pharmaunternehmens Verseon: „Es gibt immer noch zu viele Krankheiten, die wir nicht oder nur mit fünf Kilometer langen Nebenwirkungslisten behandeln können.“ ."

Jetzt werden weltweit neue Labore gebaut. Im vergangenen Jahr eröffnete Exscientia ein neues Forschungszentrum in Wien; Im Februar eröffnete Insilico Medicine, ein in Hongkong ansässiges Arzneimittelforschungsunternehmen, ein großes neues Labor in Abu Dhabi. Insgesamt befinden sich derzeit rund zwei Dutzend Medikamente (Tendenz steigend), die mit Hilfe von KI entwickelt wurden, in klinischen Studien oder befinden sich bereits in der klinischen Prüfung.

„Wenn Ihnen jemand sagt, dass er perfekt vorhersagen kann, welches Arzneimittelmolekül durch den Darm gelangen kann … hat er wahrscheinlich auch Land auf dem Mars, das er Ihnen verkaufen kann.“

Wir sehen diesen Anstieg der Aktivitäten und Investitionen, weil die zunehmende Automatisierung in der Pharmaindustrie begonnen hat, genügend chemische und biologische Daten zu produzieren, um gute Modelle für maschinelles Lernen zu trainieren, erklärt Sean McClain, Gründer und CEO von Absci, einem Unternehmen mit Sitz in Vancouver. Washington, das mithilfe von KI Milliarden potenzieller Arzneimitteldesigns durchsucht. „Jetzt ist die Zeit“, sagt McClain. „Wir werden in den nächsten fünf Jahren einen enormen Wandel in dieser Branche erleben.“

Dennoch steckt die Entdeckung von KI-Medikamenten noch in den Kinderschuhen. Es gibt viele KI-Unternehmen, die Behauptungen aufstellen, die sie nicht belegen können, sagt Prakash: „Wenn Ihnen jemand sagt, dass er perfekt vorhersagen kann, welches Medikamentenmolekül durch den Darm gelangt oder nicht von der Leber aufgespalten wird, so etwas wie das.“ Ich habe wahrscheinlich auch Land auf dem Mars, das ich dir verkaufen kann.

Und die Technologie ist kein Allheilmittel: Experimente an Zellen und Geweben im Labor und Tests am Menschen – die langsamsten und teuersten Teile des Entwicklungsprozesses – können nicht vollständig weggelassen werden. „Es spart uns viel Zeit. Viele der Schritte, die wir früher von Hand erledigt haben, werden bereits erledigt“, sagt Luisa Salter-Cid, wissenschaftliche Leiterin bei Pioneering Medicines, Teil des Startup-Inkubators Flagship Pioneering in Cambridge, Massachusetts . „Aber die endgültige Validierung muss im Labor erfolgen.“ Dennoch verändert KI bereits die Art und Weise, wie Medikamente hergestellt werden. Es könnte noch ein paar Jahre dauern, bis die ersten mit Hilfe von KI entwickelten Medikamente auf den Markt kommen, aber die Technologie wird die Pharmaindustrie von den ersten Phasen der Medikamentenentwicklung bis zum endgültigen Zulassungsprozess aufrütteln.

An den grundlegenden Schritten bei der Entwicklung eines neuen Medikaments von Grund auf hat sich nicht viel geändert. Wählen Sie zunächst ein Ziel im Körper aus, mit dem das Medikament interagieren soll, beispielsweise ein Protein. Entwerfen Sie dann ein Molekül, das etwas mit diesem Ziel macht, z. B. seine Funktionsweise ändert oder es abschaltet. Als nächstes stellen Sie dieses Molekül in einem Labor her und prüfen, ob es tatsächlich das tut, wofür es entwickelt wurde (und nichts anderes); und schließlich testen Sie es am Menschen, um zu sehen, ob es sowohl sicher als auch wirksam ist.

Seit Jahrzehnten prüfen Chemiker mögliche Arzneimittel, indem sie Proben des gewünschten Ziels in viele kleine Kammern eines Labors geben, verschiedene Moleküle hinzufügen und auf eine Reaktion achten. Dann wiederholen sie diesen Vorgang viele Male, optimieren die Struktur der in Frage kommenden Wirkstoffmoleküle – tauschen dieses Atom gegen jenes aus – und so weiter. Die Automatisierung hat die Dinge beschleunigt, aber der Kernprozess von Versuch und Irrtum ist unvermeidlich.

Aber Reagenzgläser sind keine Körper. Viele Arzneimittelmoleküle, die im Labor scheinbar ihre Aufgabe erfüllen, versagen am Ende, wenn sie schließlich an Menschen getestet werden. „Beim gesamten Prozess der Arzneimittelentwicklung geht es ums Scheitern“, sagt der Biologe Richard Law, Chief Business Officer bei Exscientia. „Der Grund dafür, dass die Kosten für die Entwicklung eines Medikaments so hoch sind, liegt darin, dass man 20 Medikamente entwickeln und testen muss, damit eines wirkt.“

KI-Modelle, die aus einfachen Phrasen atemberaubende Bilder erzeugen, entwickeln sich zu leistungsstarken kreativen und kommerziellen Werkzeugen.

Diese neue Generation von KI-Unternehmen konzentriert sich auf drei Hauptfehlerpunkte in der Medikamentenentwicklungspipeline: die Auswahl des richtigen Ziels im Körper, die Entwicklung des richtigen Moleküls für die Interaktion damit und die Bestimmung, welchen Patienten dieses Molekül am wahrscheinlichsten hilft.

Computertechniken wie die molekulare Modellierung prägen seit Jahrzehnten die Arzneimittelentwicklungspipeline. Aber selbst die leistungsstärksten Ansätze erforderten die manuelle Erstellung von Modellen, ein Prozess, der langsam und schwierig ist und leicht zu Simulationen führen kann, die von den realen Bedingungen abweichen. Mit maschinellem Lernen können große Datenmengen, einschließlich Arzneimittel- und Molekulardaten, genutzt werden, um komplexe Modelle automatisch zu erstellen. Dies macht es viel einfacher – und schneller – vorherzusagen, wie sich Medikamente im Körper verhalten könnten, sodass viele frühe Experimente in silico durchgeführt werden können. Modelle des maschinellen Lernens können auch riesige, unerschlossene Pools potenzieller Arzneimittelmoleküle auf eine Weise durchsuchen, die bisher nicht möglich war. Das Ergebnis ist, dass die harte, aber wesentliche Arbeit in Laboren (und später in klinischen Studien) nur an den Molekülen durchgeführt werden muss, die die besten Erfolgsaussichten haben.

Bevor sie überhaupt mit der Simulation des Drogenverhaltens beginnen, wenden viele Unternehmen maschinelles Lernen an, um Ziele zu identifizieren. Exscientia und andere nutzen die Verarbeitung natürlicher Sprache, um Daten aus riesigen Archiven wissenschaftlicher Berichte aus Jahrzehnten zu extrahieren, darunter Hunderttausende veröffentlichte Gensequenzen und Millionen wissenschaftlicher Arbeiten. Die aus diesen Dokumenten extrahierten Informationen werden in Wissensgraphen kodiert – eine Möglichkeit, Daten zu organisieren, die Zusammenhänge einschließlich kausaler Zusammenhänge wie „A verursacht B“ erfassen. Modelle des maschinellen Lernens können dann vorhersagen, welche Ziele bei der Behandlung einer bestimmten Krankheit am vielversprechendsten sein könnten.

Die Anwendung der Verarbeitung natürlicher Sprache beim Data Mining ist nicht neu, aber Pharmaunternehmen, darunter auch die größeren Unternehmen, machen sie jetzt zu einem wichtigen Teil ihres Prozesses und hoffen, dass sie ihnen dabei helfen kann, Verbindungen zu finden, die Menschen möglicherweise übersehen hätten.

Jim Weatherall, Vizepräsident für Datenwissenschaft und KI bei AstraZeneca, sagt, dass es ihm und seinem Team dabei geholfen hat, einige Angriffspunkte für Medikamente zu finden, die sie sonst nicht in Betracht gezogen hätten, wenn sie KI dazu gebracht hätten, viele biomedizinische Daten zu durchforsten. „Es hat einen echten Unterschied gemacht“, sagt er. „Kein Mensch wird Millionen von Biologieartikeln lesen.“ Weatherall sagt, die Technik habe Verbindungen zwischen Dingen aufgedeckt, die scheinbar nichts miteinander zu tun hätten, etwa einem aktuellen Befund und einem vergessenen Ergebnis von vor zehn Jahren. „Unsere Biologen schauen sich das dann an und prüfen, ob es Sinn macht“, sagt Weatherall. Diese Zielidentifizierungstechnik steckt allerdings noch in den Kinderschuhen. Er sagt, es werde „einige Jahre“ dauern, bis die daraus resultierenden AstraZeneca-Medikamente in klinische Studien gehen.

Aber die Auswahl eines Ziels ist nur der Anfang. Die größere Herausforderung besteht darin, ein Arzneimittelmolekül zu entwickeln, das etwas damit macht – und hier finden die meisten Innovationen statt.

Die Interaktion zwischen Molekülen innerhalb eines Körpers ist äußerst kompliziert. Viele Medikamente müssen feindliche Umgebungen wie den Darm passieren, bevor sie ihre Wirkung entfalten können. Und alles unterliegt physikalischen und chemischen Gesetzen, die auf atomarer Ebene wirken. Das Ziel der meisten KI-gestützten Ansätze zur Arzneimittelentwicklung besteht darin, die riesigen Möglichkeiten zu nutzen und schnell neue Moleküle zu finden, die möglichst viele Anforderungen erfüllen.

Generate Biomedicines, ein Startup mit Sitz in Cambridge, Massachusetts, das von Flagship Pioneering gegründet wurde, strebt dies mit der gleichen generativen KI an, die hinter Text-zu-Bild-Software wie DALL-E 2 steckt. Anstatt Pixel zu manipulieren, arbeitet die Software von Generate mit zufällige Stränge von Aminosäuren und findet Wege, sie zu Proteinstrukturen mit spezifischen Eigenschaften zu verdrehen. Da die Funktionen eines Proteins durch seine 3D-Faltung bestimmt werden, ist es dadurch tatsächlich möglich, ein Protein zu bestellen, das eine bestimmte Aufgabe erfüllen kann. (Andere Gruppen, darunter David Bakers Labor an der University of Washington, entwickeln ähnliche Technologien.)

„Patienten können die schreckliche Erfahrung machen, manchmal jahrelang ins Krankenhaus ein- und auszureisen und Medikamente zu bekommen, die nicht wirken.“

Absci versucht ebenfalls, mithilfe maschinellen Lernens neue Medikamente auf Proteinbasis zu entwickeln, jedoch mit einem anderen Ansatz. Das Unternehmen verwendet vorhandene Antikörper – Proteine, die das Immunsystem verwendet, um Bakterien, Viren und andere unerwünschte Angreifer zu entfernen – und verwendet Modelle, die auf Daten aus Laborexperimenten trainiert wurden, um viele neue Designs für die Teile dieser Antikörper zu entwickeln, die auf Fremdkörper treffen Gegenstand. Die Idee besteht darin, vorhandene Antikörper so umzugestalten, dass sie besser an Ziele binden können. Nachdem sie Anpassungen in der Simulation vorgenommen haben, synthetisieren und testen die Forscher dann die Designs, die am besten funktionieren.

Im Januar gab Absci, das Partnerschaften mit größeren Pharmaunternehmen wie Merck unterhält, bekannt, dass es seinen Ansatz zur Neugestaltung mehrerer bestehender Antikörper genutzt habe, darunter einen, der auf das Spike-Protein von SARS-CoV-2 abzielt, dem Virus, das Covid-19 verursacht und ein anderes, das eine Art Protein blockiert, das das Wachstum von Krebszellen unterstützt.

Apriori Bio, ein weiteres Flaggschiff-Pionier-Startup mit Sitz in Cambridge, hat ebenfalls ein Auge auf Covid geworfen und hofft insbesondere, Impfstoffe zu entwickeln, die Menschen vor einer Vielzahl viraler Varianten schützen können. Das Unternehmen stellt im Labor Millionen von Varianten her und testet, wie gut sich Antikörper zur Bekämpfung von Covid an ihnen festsetzen. Mithilfe maschinellen Lernens wird dann vorhergesagt, wie sich die besten Antikörper gegen 100 Milliarden Milliarden (1020) weitere Varianten schlagen würden. Das Ziel besteht darin, die vielversprechendsten Antikörper – diejenigen, die in der Lage zu sein scheinen, eine große Bandbreite an Varianten zu bekämpfen oder bestimmte besorgniserregende Varianten zu bekämpfen – und sie zur Entwicklung von variantensicheren Impfstoffen zu verwenden.

Verschaffen Sie sich einen Vorsprung mit unseren vier großen Wetten für 2023.

„Es ist einfach nicht realisierbar, dies jemals experimentell durchzuführen“, sagt Lovisa Afzelius, Partnerin bei Flagship Pioneering und CEO von Apriori Bio. „Es gibt keine Möglichkeit, dass Ihr menschliches Gehirn all diese Teile zusammenfügen und das gesamte System verstehen kann.“

Für Prakash liegt hier das wahre Potenzial der KI: die Erschließung eines riesigen, unerschlossenen Pools biologischer und chemischer Strukturen, die als Inhaltsstoffe künftiger Medikamente dienen könnten. Wenn man sehr ähnliche Moleküle herausnimmt, sagt Prakash, verfügen alle großen Pharmakonzerne zusammengenommen – Merck, Novartis, AstraZeneca usw. – über eine Liste mit Inhaltsstoffen von höchstens 10 Millionen Molekülen, aus denen Medikamente hergestellt werden können, von denen einige proprietär und andere allgemein bekannt sind. „Das ist es, was wir auf dem gesamten Planeten testen – das Gesamtprodukt der Arbeit vieler Chemiker in den letzten hundert Jahren“, sagt er.

Und doch, so sagt er, beträgt die Zahl möglicher Moleküle, die nach den Regeln der organischen Chemie Medikamente herstellen könnten, 1033 (andere Schätzungen gehen von einer noch höheren Zahl arzneimittelähnlicher Moleküle aus, nämlich bei 1060). „Vergleichen Sie diese Zahl mit 10 Millionen und Sie sehen, dass wir nicht einmal in einem Gezeitentümpel am Meer fischen“, sagt Prakash. „Wir fischen im Tropfen.“

Wie andere nutzt auch Prakashs Unternehmen Verseon sowohl alte als auch neue Computertechniken, um diesen Ozean zu untersuchen, Millionen möglicher Moleküle zu generieren und ihre Eigenschaften zu testen. Verseon betrachtet die Wechselwirkung zwischen Medikamenten und Proteinen im Körper als ein physikalisches Problem und simuliert den Druck und Zug zwischen Atomen, der die Art und Weise beeinflusst, wie Moleküle zusammenpassen. Solche molekularen Simulationen sind nicht neu, aber Verseon nutzt KI, um die Interaktion von Molekülen genauer zu modellieren. Bisher hat das Unternehmen 16 mögliche Medikamente für eine Reihe von Krankheiten hergestellt, darunter Herz-Kreislauf-Erkrankungen, Infektionskrankheiten und Krebs. Eines dieser Medikamente befindet sich in klinischen Studien, und die Studien für mehrere andere sollen bald beginnen.

Entscheidend ist, dass die Simulation es den Forschern ermöglicht, einen Großteil der Unordnung zu überwinden, die den Prozess der Arzneimittelentwicklung im Allgemeinen charakterisiert. Traditionell stellen Unternehmen Chargen von Molekülen her, von denen sie hoffen, dass sie bestimmte Eigenschaften haben, und testen sie dann nacheinander. Mit maschinellem Lernen können sie stattdessen mit einer Wunschliste grundlegender Eigenschaften beginnen – mathematisch codiert – und auf Knopfdruck Entwürfe für Moleküle erstellen, die diese Eigenschaften aufweisen. Dies stellt die frühe Phase der Entwicklung auf den Kopf, sagt Salter-Cid: „Das ist etwas, was wir früher am Anfang nicht tun konnten.“ Normalerweise stellt ein Unternehmen bei der Entwicklung eines neuen Medikaments innerhalb von fünf Jahren 2.500 bis 5.000 Verbindungen her. Exscientia hat in nur einem Jahr 136 Stück für eines seiner neuen Krebsmedikamente hergestellt.

„Es geht darum, die Erkundungszyklen zu beschleunigen“, sagt Weatherall. „Wir sind jetzt an einem Punkt angelangt, an dem wir immer mehr Entscheidungen treffen können, ohne tatsächlich ein Molekül herstellen zu müssen.“

Wie auch immer sie hergestellt werden, Medikamente müssen noch am Menschen getestet werden. Diese letzten Phasen der Medikamentenentwicklung, die die Rekrutierung einer großen Zahl von Freiwilligen erfordern, sind schwierig durchzuführen und dauern im Allgemeinen lange – durchschnittlich etwa 10 Jahre und manchmal bis zu 20 Jahre. Viele Medikamente brauchen Jahre, um dieses Stadium zu erreichen, und scheitern trotzdem.

KI wird nicht in der Lage sein, den Prozess klinischer Studien zu beschleunigen, aber sie könnte Pharmaunternehmen dabei helfen, die Chancen besser zu ihren Gunsten zu nutzen, indem sie den Zeit- und Kostenaufwand für die Suche nach neuen Medikamentenkandidaten reduziert. Weniger Zeitaufwand für das Testen von Dead-End-Arzneimittelmolekülen im Labor sollte dazu führen, dass vielversprechende Kandidaten schneller in klinische Studien gelangen. Und wenn weniger Geld auf dem Spiel steht, verspüren die Unternehmen möglicherweise nicht so viel Druck, bei einem Medikament zu bleiben, das keine besonders gute Wirkung zeigt.

Automatisierung kann uns dabei helfen, schwierige Entscheidungen zu treffen, aber sie allein kann sie nicht bewältigen.

Eine bessere gezielte Patientenansprache könnte ebenfalls zur Verbesserung des Prozesses beitragen. In den meisten klinischen Studien wird die durchschnittliche Wirkung eines Arzneimittels gemessen, indem gezählt wird, bei wie vielen Menschen es gewirkt hat und bei wie vielen nicht. Wenn genügend Personen in der Studie eine Verbesserung ihres Zustands feststellen, gilt das Medikament als erfolgreich. Wenn das Medikament nicht zu einem ausreichend großen Prozentsatz wirksam ist, ist es ein Misserfolg. Dies kann jedoch dazu führen, dass kleine Gruppen von Menschen, bei denen ein Medikament gewirkt hat, übersehen werden.

„Das ist eine sehr grobe Vorgehensweise“, sagt Weatherall. „Was wir eigentlich tun möchten, ist, die Untergruppe der Patienten zu finden, die den größten Nutzen aus einem Medikament ziehen würden.“

Hier kommt die Matchmaking-Technologie von Exscientia ins Spiel. „Wenn wir die richtigen Patienten auswählen können, verändert das das Wirtschaftsmodell der Pharmaindustrie grundlegend“, sagt Hopkins.

Dies alles wird auch das Leben von Patienten wie Paul, die auf die gängigsten Medikamente nicht ansprechen, erheblich verbessern. „Patienten können diese schreckliche Erfahrung machen, manchmal jahrelang ins Krankenhaus zu gehen und wieder herauszukommen und Medikamente zu bekommen, die nicht wirken, bis entweder keine Medikamente mehr übrig sind oder sie endlich das Medikament bekommen, das für sie wirkt“, sagt Law .

Nachdem Exscientia ein Medikament gefunden hatte, das bei Paul wirkte, führte das Unternehmen eine wissenschaftliche Studie durch. Es wurden Gewebeproben von Dutzenden Krebspatienten entnommen, die sich mindestens zwei fehlgeschlagenen Chemotherapiezyklen unterzogen hatten, und die Auswirkungen von 139 vorhandenen Medikamenten auf ihre Zellen untersucht. Exscientia konnte ein Medikament identifizieren, das bei mehr als der Hälfte von ihnen wirkte.

Das Unternehmen möchte diese Technologie nun nutzen, um seinen Ansatz bei der Arzneimittelentwicklung zu gestalten und Patientendaten in die frühesten Phasen des Prozesses einzubeziehen, um eine noch bessere KI zu trainieren. „Anstatt mit einem Krankheitsmodell zu beginnen, können wir mit Gewebe eines Patienten beginnen“, sagt Hopkins. „Der Patient ist das beste Vorbild.“

Derzeit befindet sich die erste Charge von KI-entwickelten Medikamenten noch auf dem Weg durch den Spießrutenlauf klinischer Studien. Es könnte Monate oder sogar Jahre dauern, bis die ersten Exemplare auf den Markt kommen. Manche schaffen es vielleicht nicht.

Aber selbst wenn diese erste Gruppe scheitert, wird es eine andere geben. Das Medikamentendesign hat sich für immer verändert. „Das sind nur die ersten Medikamente, die diese Unternehmen ausprobieren“, sagt Benaich. „Ihre besten Medikamente könnten diejenigen sein, die danach kommen.“

Diese Geschichte war Teil unserer März/April-Ausgabe 2023.

„Ich habe plötzlich meine Meinung darüber geändert, ob diese Dinger intelligenter sein werden als wir.“

Hinton wird am Mittwoch bei EmTech Digital sprechen.

ChatGPT hat Spekulationen über künstliche allgemeine Intelligenz ausgelöst. Aber die nächste echte Phase der KI wird in bestimmten Bereichen und Kontexten stattfinden.

Sehen Sie, wie Hinton mit Will Douglas Heaven, dem leitenden Redakteur für KI bei MIT Technology Review, bei EmTech Digital spricht.

Entdecken Sie Sonderangebote, Top-Storys, bevorstehende Veranstaltungen und mehr.

Vielen Dank für die Übermittlung Ihrer E-Mail!

Es sieht so aus, als wäre etwas schief gelaufen.

Beim Speichern Ihrer Einstellungen ist ein Problem aufgetreten. Versuchen Sie, diese Seite zu aktualisieren und sie noch einmal zu aktualisieren. Wenn Sie diese Nachricht weiterhin erhalten, wenden Sie sich an [email protected] mit einer Liste der Newsletter, die Sie erhalten möchten.