Limitaciones de la escala de datos y errores fundamentales en AI

Los modelos AI para el tratamiento oncológico requieren grandes cantidades de datos para el reposicionamiento de fármacos, pero el simple aumento de los datos presenta limitaciones claras. Los datos preclínicos y clínicos suelen estar dispersos en múltiples sistemas, lo que aumenta el riesgo de AI malinterpretar correlaciones espurias como relaciones causales. AI no puede verificar los errores lógicos en el diseño de la investigación ni determinar la exactitud de los hechos, por lo que, si los datos subyacentes son defectuosos, la fiabilidad de las predicciones se verá inevitablemente comprometida. En última instancia, si la integración de datos estructurados no precede al uso de AI, la probabilidad de éxito de los candidatos clínicos identificados por AI se reducirá.

La necesidad de bases de datos curadas por expertos

Para superar esto, la empresa bio global QIAGEN N.V. (QGEN) destaca la curación de datos de alta calidad realizada por expertos. Su filial, QIAGEN Digital Insights (QDI), proporciona acceso exclusivo a datos genómicos fiables a través de la Human Somatic Mutation Database (HSMD) y el Catálogo de Mutaciones Somáticas en el Cáncer (COSMIC). Las vías genómicas y la información de la interacción fármaco-objetivo se refinan en un grafo de conocimiento normalizado, lo que mejora la velocidad de aprendizaje y precisión de AI. Los datos fiables permiten validar los modelos AI para reducir significativamente el riesgo del desarrollo de nuevos fármacos y permitir una expansión significativa de las indicaciones.

Historias de éxito en el mundo real del reposicionamiento de fármacos impulsado por AI

El reposicionamiento de fármacos basado en AI ya ha demostrado resultados revolucionarios en el mercado. BenevolentAI utilizó su propia plataforma AI para identificar Olumiant (baricitinib), un inhibidor JAK1/JAK2 de Eli Lilly (LLY) e Incyte (INCY), como tratamiento para COVID-19. Este fármaco recibió la Autorización de uso de emergencia (EUA) de la FDA el 19 de noviembre de 2020, y la aprobación total el 10 de mayo de 2022, contribuyendo con más de $800 millones en ingresos para Eli Lilly durante la pandemia. Este es un caso significativo que demuestra la reducción en el tiempo de desarrollo y la ventaja de entrada al mercado lograda a través de AI, incluso entre fármacos competidores como Paxlovid de Pfizer (PFE).

Mecánica de la transacción y análisis de valor del desarrollo de nuevos fármacos impulsado por AI

La competitividad de los datos independientes de las empresas biotecnológicas está demostrando su valor al liderar importantes acuerdos de transferencia tecnológica. La asociación de 2022 de Sanofi (SNY) con Exscientia (EXAI) para identificar los objetivos anticancerosos 15 es un ejemplo principal. Los términos del acuerdo incluyeron un pago inicial de $100 millones y pagos por hitos de hasta $5.2 mil millones, más regalías. Las plataformas con datos refinados pueden acortar el tiempo necesario para la validación inicial de compuestos candidatos en varios años, lo que les permite obtener valoraciones elevadas por parte de las principales compañías farmacéuticas.