Die erste biotechnologische Revolution begann vor 50 Jahren, als Molekularbiologen DNA-Engineering nutzten, um eine fremde genetische Sequenz in ein Bakterium einzuführen und erfolgreich ein Protein zu produzieren, das nicht vom Wirtsgenom kodiert wird. Dieser revolutionäre Moment leitete eine neue Ära der wissenschaftlichen Forschung ein, die unser Verständnis darüber, wie Zellen bei Gesundheit und Krankheit funktionieren, radikal erweitert hat. Es öffnete auch die Tür zu völlig neuen Therapieklassen (rekombinante Proteine, monoklonale Antikörper, gezielte kleine Moleküle, Gen- und Zelltherapien sowie Genbearbeitung), die die Gesundheitsergebnisse von Millionen von Patienten verbessert haben.
Trotz der transformativen Kraft der ersten Biotech-Revolution stehen traditionelle Paradigmen der biopharmazeutischen Arzneimittelentwicklung auch nach Jahrzehnten des Fortschritts weiterhin vor erheblichen F&E-Hürden. Es gibt eine Fluktuationsrate von weniger als 10 % bei Therapien, die es in klinische Studien schaffen, und eine Erfolgsquote von etwa 9 % von der Phase I bis zur FDA-Zulassung, was erhebliche Hindernisse bei der Umsetzung molekularbiologischer Entdeckungen in die Therapien darstellt, die erforderlich sind, um den ungedeckten medizinischen Bedarf von Millionen Menschen zu decken von Leuten. Diese Ineffizienzen haben dazu geführt, dass Milliarden von Dollar für gescheiterte Forschungs- und Entwicklungsprojekte verschwendet wurden und Patienten in klinische Studien mit Prüftherapien aufgenommen wurden, von denen sie wahrscheinlich keinen Nutzen hatten. Auch nach der Produktzulassung bleiben Hindernisse bestehen, da es schwierig ist zu verstehen, wie neuartige Therapien am besten in realen Umgebungen außerhalb der in klinischen Studien untersuchten genau definierten Patientenpopulationen eingesetzt werden können.
Um diese Engpässe zu überwinden, ist ein neuer Ansatz zur Integration von Biologie und Technologie erforderlich, der auf fortschrittlichen Paradigmen der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) basiert. So wie Biologen DNA-Engineering nutzten, um die erste biotechnologische Revolution voranzutreiben, können Datenwissenschaftler die Biologie mithilfe von Berechnungen gestalten und so eine neue Ära computergestützter Biotechnologieunternehmen einleiten. Technologieorientierte Biotech- oder technologiegestützte Bio-Unternehmen treiben enorme Fortschritte in der menschlichen Gesundheit voran, indem sie Daten aus unterschiedlichen Quellen strukturieren, analysieren und extrapolieren, um neuartige Wirkstoffziele zu identifizieren, auf Sicherheit und Wirksamkeit optimierte Therapien zu entwickeln und neuartige diagnostische und prognostische Instrumente zu ermöglichen und identifizieren Sie Patienten, die am wahrscheinlichsten von einer bestimmten Behandlung profitieren. Ebenso wichtig ist, dass diese riesigen Datensätze den Zeit- und Kostenaufwand für die Entwicklung neuartiger Therapien radikal reduzieren und deren Einsatz in realen Umgebungen verbessern können, indem sie es ermöglichen, dass Unternehmens- und klinische Entscheidungen auf Millionen realer Datenpunkte statt auf vordefinierten Daten basieren Dateneingaben. Davon profitieren Patienten, Kostenträger sowie Unternehmen und deren Investoren.
Aktuelle Entdeckungs- und Entwicklungsparadigmen weisen mehrere Engpässe auf
Zwei entscheidende Einschränkungen traditioneller Ansätze zur Entdeckung und Entwicklung von Arzneimitteln sind 1) der Einsatz hypothesengestützter Forschung und 2) das Versäumnis, Daten und Erkenntnisse zu einem bestimmten Arzneimittelziel oder therapeutischen Molekül zu nutzen und zu integrieren, die in der veröffentlichten Literatur und in zahlreichen Publikationen verstreut sind Datenquellen. Diese Einschränkungen schränken den Umfang der Entdeckung und Entwicklung auf Bereiche ein, von denen bereits bekannt ist, dass sie für einen bestimmten biologischen Signalweg oder eine bestimmte Krankheitsindikation relevant sind, was zu einer unzureichend fundierten Entscheidungsfindung führt. Sie sind auch die Hauptgründe dafür, dass die Schaffung eines neuen Arzneimittelmarktes im Durchschnitt mehr als zehn Jahre dauert und eine Milliarde US-Dollar kostet. Technologieorientierte Biounternehmen bieten einen neuen Weg zur Umgehung dieser Engpässe, indem sie geschlossene KI- und ML-basierte Plattformen entwickeln, die den Design-Build-Test-Learn-Zyklus (DBTL) in den Biowissenschaften beschleunigen können. Diese rechnergestützten Plattformen können heterogene Daten extrapolieren, um den Zeitaufwand, die Experimente und die Kosten zu reduzieren, die mit der Generierung von Medikamententreffern, Zielen und Leads sowie dem Design klinischer Studien, der Patientenstratifizierung und der Einschreibung verbunden sind. Diese technologieorientierten Unternehmen haben KI/ML eingesetzt, um den Zeitrahmen für präklinische Forschung und Entwicklung erheblich zu verkürzen, sodass Unternehmen nun in weniger als 18 Monaten und weniger als einer Million Dollar von einem Hit zu einem brauchbaren Hauptmedikamentenkandidaten werden können, verglichen mit mehreren Jahren und Dutzenden von ausgegebenen Millionen.
Die technologiegestützte Bio-Revolution ist da
Generative KI-Technologien, wie sie in ChatGPT verwendet werden, treiben die Revolution der technologiegestützten Biologie voran, indem sie die De-novo-Entdeckung und Entwicklung völlig neuer Medikamente von Grund auf ermöglichen. Dies ist möglich, da die Erkenntnisse, die durch die Analyse von Millionen vorhandener Datenpunkte ohne die Einschränkungen vordefinierter Dateneingaben oder Ausgaberegeln gewonnen werden, im Gegensatz zu hypothesengesteuerten Ansätzen, bei denen die Forschung auf bereits Bekanntem basiert, völlig neu sind. Darüber hinaus können diese Unternehmen mithilfe von KI „digitale Zwillinge“ von Tier- und Patientenmodellen erstellen, wobei diese robusten Biosimulationen mit mehreren Modellen die Tür zu einer vollständig digitalisierten Entwicklung therapeutischer Vermögenswerte öffnen könnten. Generative KI wird bereits eingesetzt, um die Entdeckung von „Multi-Omics“-Zielen zu ermöglichen (d. h. die Identifizierung von Faktoren, die durch Interaktion mit anderen Proteinen oder Signalwegen zur Krankheit beitragen, die bei individueller Analyse möglicherweise nicht relevant erscheinen). Der Einsatz tiefgreifender biologischer Analysen kann die Zeit, die für die Entdeckung und Priorisierung neuartiger Ziele benötigt wird, erheblich verkürzen: von mehreren Monaten auf nur wenige Mausklicks. Derselbe Ansatz kann auf die Generierung neuartiger therapeutischer Moleküle durch den Einsatz automatisierter, ML-basierter Arzneimitteldesignprozesse angewendet werden, die leitstrukturähnliche Moleküle in einer Woche statt in Monaten oder Jahren identifizieren können. KI- und ML-Technologien werden auch verwendet, um Ergebnisse klinischer Studien zu entwerfen und vorherzusagen, indem reale Patientendaten analysiert werden, um Studienteilnehmer zu identifizieren, die am wahrscheinlichsten von der getesteten Therapie profitieren. Die aus diesen Technologien gewonnenen Erkenntnisse können die Größe, die Kosten, das Ausfallrisiko und die Dauer klinischer Studien radikal reduzieren. Technisch unterstützte Biounternehmen nutzen Berechnungen zur Patientenstratifizierung, um eine neue Ära der Präzisionsmedizin einzuläuten, in der die Ergebnisse für Patienten dramatisch verbessert werden, indem systematisch die beste Behandlung/therapeutische Intervention für eine Person auf der Grundlage ihres einzigartigen phänotypischen und genotypischen Expressionsprofils ermittelt wird. Große Mengen an EHR-Daten können jetzt in großem Maßstab getaggt, beschriftet und strukturiert werden, um prädiktive Analysen, genomische Datenanalysen, phänotypische Stratifizierung und Behandlungsoptimierung zu ermöglichen. Wir können jetzt damit beginnen, vorherzusagen, wie bestimmte Untergruppen von Patienten auf ein bestimmtes Behandlungsprotokoll reagieren und wie Behandlungsschemata für einen maximalen therapeutischen Nutzen optimiert werden können.
Die Vorteile der Digitalisierung von Forschungs- und Entwicklungsabläufen in den Biowissenschaften, einschließlich Nasslaborexperimenten, Hochdurchsatz-Verbindungsscreening, Tiermodellen und umfangreichen klinischen Studien, können nicht genug betont werden. Diese fragmentierten Arbeitsabläufe tragen erheblich zu den Zeit-, Kosten- und Risikoengpässen bei, die traditionelle Arzneimittelentwicklungs- und Behandlungsstrategien seit langem plagen. Die neue Ära voll rechnergestützter Biounternehmen, die diese isolierten Arbeitsabläufe automatisieren, optimieren und verbinden und die Umwandlung zuvor unterschiedlicher Daten in umsetzbare Erkenntnisse ermöglichen, wird unglaubliche Fortschritte in der menschlichen Gesundheit vorantreiben. Die nächste industrielle Revolution ist da.
Foto: Alfred Pasieka/Science Photo Library, Getty Images, http://www.gettyimages.com/license/680792467
