AI memimpikan perawatan yang belum pernah dipertimbangkan oleh siapa pun.  Sekarang kami telah membeli untuk menuntut jika mereka bekerja.

AI memimpikan perawatan yang belum pernah dipertimbangkan oleh siapa pun. Sekarang kami telah membeli untuk menuntut jika mereka bekerja.

Pada usia 82 tahun, dengan penumpukan kanker darah yang agresif yang tidak dapat disembuhkan oleh enam program kemoterapi, “Paul” tampaknya kehabisan pilihan. Dengan setiap putaran terapi yang panjang dan cacat, dokternya telah menyusun daftar pengobatan kanker yang lengkap, berharap menemukan sesuatu yang akan berhasil — dan mencoretnya satu per satu. Pembunuh kanker yang sama sebelumnya tidak melakukan pekerjaan mereka.

Dengan tidak ada ruginya, dokter Paul mendaftarkannya dalam uji coba tinggal di Universitas Klinis Wina di Austria, bangunan tempat dia tinggal. Perguruan tinggi itu mencoba teknologi perjodohan unik yang dikembangkan oleh perusahaan yang sepenuhnya berbasis di Inggris bernama Exscientia yang memasangkan pasien individu dengan perawatan yang tepat yang mereka butuhkan, dengan mempertimbangkan perbedaan alami yang jujur ​​​​di antara kita.

Para peneliti mengambil sedikit sampel jaringan dari Paul (nama akuratnya tidak lagi teridentifikasi karena identitasnya dulu dikaburkan dalam persidangan). Mereka membagi sampel, yang mencakup setiap sel aneh dan sebagian besar sel kanker, menjadi lebih dari seratus bagian dan memaparkannya ke campuran zat yang berbeda. Kemudian, dengan menggunakan otomatisasi robot dan visi komputer (model pembelajaran mesin yang mampu menyebutkan perubahan kecil dalam sel), mereka mengamati untuk mengetahui apa yang akan terjadi.

Pada akhirnya, perwakilan peneliti melakukan apa yang telah dilakukan para dokter: mencoba berbagai perawatan untuk menuntut apa yang berhasil. Namun sebagai gantinya menempatkan pasien melalui program kemoterapi selama beberapa bulan, mereka telah mencoba lusinan perawatan sekaligus.

Niat tersebut memungkinkan tim pekerja untuk mencegah pembuatan obat yang tepat secara menyeluruh. Salah satu obat paling terkenal tidak membunuh sebagian besar sel kanker Paul. Yang lain merusak sel-sel sehatnya. Paul dulu terlalu ketinggalan zaman untuk menyimpulkan obat yang keluar di atas. Jadi dia diberikan runner-up dalam proses perjodohan: obat kanker yang dipasarkan oleh farmasi luas Johnson & Johnson yang belum dicoba oleh dokter Paul karena uji coba sebelumnya instan tidak lagi efisien dalam merawatnya. menumpuk sebagian besar kanker.

Itu berhasil. Dua tahun kemudian, Paul benar-benar sembuh — sebagian besar kankernya sudah lama berlalu. Niatnya adalah perubahan besar untuk pengobatan kanker, kata CEO Exscientia, Andrew Hopkins: “Keahlian yang sekarang kami wakili untuk menguji pengobatan di klinik sebenarnya diterjemahkan menjadi pasien yang sebenarnya.”

Memilih obat yang tepat adalah setengah dari skenario yang ingin diselesaikan oleh Exscientia. Perusahaan ini sedang membangun rumah untuk merombak jalur tren obat secara keseluruhan. Serapih memasangkan penderita dengan pengobatan yang ada, Exscientia menggunakan mesin mencari tahu untuk mengumpulkan yang tidak biasa. Hal ini pada gilirannya dapat menghasilkan lebih banyak alternatif untuk disaring saat membeli pertandingan.

Perawatan pertama yang dirancang dengan bantuan AI sebenarnya dalam uji klinis, penilaian ketat yang dilakukan pada sukarelawan manusia untuk menentukan apakah suatu terapi aman — dan pada kenyataannya berhasil — lebih awal dari regulator yang memastikannya untuk penggunaan standar. Sejak 2021, dua perawatan yang dikembangkan Exscientia (atau dikembangkan bersama dengan perusahaan farmasi lain) memulai perumusan. Perusahaan sedang dalam proses untuk mengirimkan dua lagi.

“Jika kami menggunakan niat usang, kami tidak dapat meningkatkan skala secepat ini,” kata Hopkins.

Exscientia tidak sendiri. Sebenarnya ada ratusan startup yang mengeksplorasi penggunaan pembelajaran mesin di industri farmasi, kata Nathan Benaich di Air Boulevard Capital, sebuah perusahaan VC yang berinvestasi di perusahaan biotek dan ilmu hayati: “Perwakilan indikator awal cukup menarik untuk memetakan perkasa uang tunai.”

Saat ini, rata-rata, dibutuhkan lebih dari 10 tahun dan miliaran dolar untuk membuat obat yang tidak biasa. Visinya adalah memanfaatkan AI untuk mengumpulkan penemuan obat lebih cepat dan jauh lebih murah. Dengan memprediksi bagaimana pengobatan yang mungkin dapat bekerja di dalam tubuh dan membuang senyawa yang tidak berguna sebelum hilang dari komputer, model pembelajaran mesin dapat mengurangi kebutuhan akan pekerjaan laboratorium yang melelahkan.

Dan selalu ada kebutuhan untuk perawatan khusus, kata Adityo Prakash, CEO dari perusahaan obat Verseon yang berbasis di California: “Ada terlalu banyak penyakit yang tidak dapat kita tangani atau hanya dapat diatasi dengan jarak tiga mil. -daftar panjang hasil aspek.”

Sekarang, laboratorium yang tidak biasa sedang dibangun di sekitar arena. Tahun lalu Exscientia membuka pusat evaluasi yang tidak biasa di Wina; pada bulan Februari, Perawatan Insilico, sebuah perusahaan penemuan obat yang berbasis sepenuhnya di Hong Kong, membuka laboratorium khusus yang tak terbatas di Abu Dhabi. Secara keseluruhan, sekitar dua lusin perawatan (dan terus bertambah) yang telah dikembangkan dengan bantuan AI sebenarnya sedang atau akan memasuki uji klinis.

“Jika ada orang yang memberi tahu Anda bahwa mereka dapat dengan sempurna memprediksi molekul obat mana yang dapat terakumulasi melalui usus … mereka mungkin juga akan mengirim Anda ke Mars.”

Adityo Prakash, CEO of Verseon

Kami melihat peningkatan dalam pekerjaan dan pendanaan ini karena peningkatan otomatisasi dalam industri farmasi telah mulai menciptakan informasi kimia dan organik yang memadai untuk mempraktikkan model pembelajaran mesin yang tepat, jelas Sean McClain, pendiri dan CEO Absci, sebuah perusahaan yang seluruhnya berbasis di Vancouver, Washington, yang menggunakan AI untuk menelusuri miliaran kemungkinan desain obat. “Sekarang mungkin saatnya,” kata McClain. “Kami akan menuntut transformasi kolosal di industri ini selama lima tahun ke depan.”

Namun ini adalah hari-hari awal penemuan obat AI. Ada banyak perusahaan AI yang membuat klaim bahwa mereka tidak dapat mengurangi, kata Prakash: “Jika ada orang yang memberi tahu Anda, mereka dapat dengan sempurna memprediksi molekul obat mana yang dapat menumpuk melalui usus atau tidak menumpuk rusak. oleh hati, hal-hal seperti itu, mereka mungkin juga mewakili tanah untuk mempromosikan Anda di Mars.

Dan teknologi bukan lagi obat mujarab: percobaan pada sel dan jaringan di laboratorium dan pengujian pada manusia—bagian paling lambat dan termahal dari proses selanjutnya—tidak dapat disingkirkan sepenuhnya. “Ini menghemat banyak waktu bagi kami. Ini sudah melakukan banyak langkah yang sebelumnya kami kembangkan dengan tangan, ”kata Luisa Salter-Cid, kepala ilmiah di Pioneering Medicines, bagian dari inkubator startup Flagship Pioneering di Cambridge, Massachusetts. “Meskipun demikian, validasi rekreasi perlu dilakukan di lab.” Ringan, AI sudah mengubah cara pengobatan dibuat. Mungkin sekitar satu tahun lebih awal dari pengobatan terpenting yang dirancang dengan bantuan AI masuk ke pasar, tetapi keahlian dibangun dari rumah untuk mengguncang industri farmasi, dari tahap paling awal pengumpulan obat hingga tahap akhir. proses persetujuan.


Langkah pertama yang perlu dipertimbangkan untuk mengembangkan obat langka dari awal tidak banyak berubah. Pertama, pilih target dalam tubuh yang akan berinteraksi dengan obat, seperti protein; kemudian mengumpulkan molekul yang dapat mengembangkan sesuatu yang tidak dapat tidur, seperti mengubah cara kerjanya atau mematikannya. Selanjutnya, kumpulkan molekul itu di laboratorium dan uji apakah ia benar-benar melakukan apa yang dirancang untuk dikembangkan (dan tidak ada yang lain); dan terakhir, uji pada manusia untuk mengetahui apakah keduanya aman dan efisien.

HOT 🔥  Prostetik ini memecahkan jamur dengan jempol ketiga, paku, dan kulit pahlawan super

Selama beberapa tahun ahli kimia menyaring pengobatan kandidat dengan menempatkan sampel dari target yang ditentukan ke dalam ratusan kompartemen kecil di laboratorium, di samping berbagai molekul, dan menunggu tanggapan. Kemudian mereka mengulangi proses ini berkali-kali, mengutak-atik konstruksi calon molekul obat—mengganti atom ini dengan atom itu—dll. Otomasi telah mempercepat segalanya, tetapi proses inti dari trial and error tidak dapat dihindari.

Meskipun demikian, tabung reaksi bukan lagi tubuh. Banyak molekul obat yang tampaknya mengembangkan tugasnya di laboratorium berhenti gagal ketika akhirnya diuji di antara kita. “Penemuan obat lengkap Anda adalah tentang kegagalan,” kata ahli biologi Richard Regulation, kepala petugas industri di Exscientia. “Alasan mengapa kesadaran membuat obat begitu berlebihan adalah karena Anda harus mengumpulkan dan menguji 20 perawatan untuk mengumpulkan satu agar berhasil.”

Generasi yang tidak biasa dari perusahaan AI ini berfokus pada tiga aspek kegagalan utama dalam saluran tren obat: memilih target yang tepat dalam tubuh, merancang molekul yang tepat untuk berinteraksi dengannya, dan menentukan pasien mana yang kemungkinan molekulnya akan dikurangi.

Cara komputasi seperti perwakilan pemodelan molekul telah membentuk kembali jalur tren obat selama beberapa tahun. Meskipun demikian, bahkan pendekatan yang paling efisien yang mewakili hidup untuk membangun model dengan tangan, prosesnya lamban, sulit, dan cenderung menghasilkan simulasi yang menyimpang dari situasi dunia nyata. Dengan penemuan mesin, sejumlah besar informasi, selain informasi obat dan molekuler, juga dimanfaatkan untuk menyusun model kompleks secara otomatis. Hal ini membuatnya lebih mudah dipetakan—dan lebih cepat—untuk meramalkan bagaimana pengobatan dapat berperilaku di dalam tubuh, memungkinkan banyak eksperimen awal diimplementasikan secara in silico. Model-model pencarian mesin mungkin menyaring kumpulan besar molekul obat yang belum dimanfaatkan dalam kemampuan yang dulunya tidak mungkin lagi dilakukan. Hasilnya adalah bahwa pekerjaan yang sulit, betapapun pentingnya, di laboratorium (dan kemudian dalam uji klinis) perlu diterapkan pada molekul-molekul ini dengan peluang keberhasilan yang ideal.

Lebih cepat daripada yang mereka kumpulkan untuk mensimulasikan kebiasaan narkoba, banyak perusahaan menggunakan pembelajaran mesin untuk skenario mencari tahu target. Exscientia dan lainnya menggunakan pemrosesan bahasa alami untuk menggali informasi dari arsip besar laporan ilmiah yang akan berkurang beberapa tahun, bersama dengan jutaan sekuens gen yang diterbitkan dan jutaan makalah akademis. Detail yang diambil dari dokumen-dokumen ini dikodekan dalam grafik info—kemampuan untuk mengumpulkan info yang menangkap tautan di sepanjang hubungan kausal samping yang sebanding dengan “A menyebabkan B.” Model pembelajaran mesin kemudian dapat memprediksi target mana yang paling menjanjikan untuk meningkatkan minat dalam mencari cara untuk bersaing dengan penyakit tertentu.

Memanfaatkan pemrosesan bahasa alami untuk penambangan informasi bukanlah hal yang aneh, tetapi perusahaan farmasi, bersama dengan pemain yang lebih besar, sebenarnya menjadikannya bagian penting dari proses mereka, berharap itu akan mengurangi mereka menerima koneksi yang dapat dilakukan manusia. perwakilan diabaikan.

Jim Weatherall, wakil presiden ilmu informasi dan AI di AstraZeneca, mengatakan bahwa membuat AI melesat melalui ratusan informasi biomedis telah membantunya dan tim pekerjanya mendapatkan tentang target obat yang seharusnya tidak lagi mereka bayangkan. “Itu membuat perbedaan yang akurat,” katanya. “Tidak ada manusia yang akan membaca jutaan makalah biologi.” Weatherall mengatakan niat tersebut telah mencetak hubungan antara hal-hal yang tampaknya tidak berhubungan, sebanding dengan temuan baru-baru ini dan hasil yang terlupakan dari 10 tahun lalu. “Ahli biologi kami kemudian terpeleset dan melihat itu dan bertanya apakah itu baik,” kata Weatherall. Namun, ini adalah hari-hari awal yang tidak bersuara untuk niat identifikasi target ini. Dia mengatakan ini juga “beberapa tahun” lebih awal dari perawatan AstraZeneca mana pun yang hasilnya lolos ke uji klinis.


Namun memilih target sesuai dengan asalnya. Skenario yang lebih besar adalah merancang molekul obat yang dapat mengembangkan satu hal dengannya — dan di sini adalah pengembangan yang paling banyak dilakukan inovasi.

Interaksi antar molekul di dalam tubuh sangat canggih. Banyak perwakilan perawatan lolos dari lingkungan yang tidak bersahabat, seperti usus, sebelum mereka dapat mengembangkan pekerjaan mereka. Dan semua bagian diatur oleh pedoman berlisensi fisik dan kimia yang beroperasi pada skala atom. Target dari sebagian besar pendekatan bertenaga AI untuk akumulasi obat adalah menavigasi probabilitas masif dan langsung masuk ke molekul tidak biasa yang mencentang kotak sebanyak mungkin.

Generate Biomedicines, sebuah startup yang berbasis sepenuhnya di Cambridge, Massachusetts, didirikan oleh Flagship Pioneering, bertujuan untuk mengembangkannya dengan menggunakan kumpulan AI generatif yang identik dengan bantuan alat bantu teks seperti DALL-E 2. Sebagai lebih dari sekadar beberapa manipulasi piksel, alat Generate bekerja dengan untaian acak asam amino dan menemukan cara untuk membengkokkannya menjadi konstruksi protein dengan sifat tertentu. Karena kemampuan protein ditentukan oleh pelipatan 3D-nya, ini, pada akhirnya, memungkinkan untuk memberikan rasionalisasi bagi protein yang mampu melakukan pekerjaan tertentu. (Kelompok lain, bersama dengan lab David Baker di University of Washington, mengembangkan teknologi serupa.)

“Pasien dapat mengulangi pengalaman mengerikan keluar masuk sanatorium ini, biasanya selama bertahun-tahun, mendapatkan perawatan yang tidak berhasil.”

Richard Regulation, kepala industri Exscientia

Absci sedang berusaha untuk membuat pengobatan berbasis protein yang tidak biasa yang sebagian besar menggunakan pembelajaran mesin, namun melalui niat tertentu. Perusahaan mengambil antibodi yang ada — protein yang digunakan sistem kekebalan untuk menghilangkan bakteri, virus, dan penyerang yang tidak diinginkan lainnya — dan menggunakan model yang ahli dalam informasi dari percobaan laboratorium untuk menghasilkan ratusan desain yang tidak biasa untuk aspek antibodi ini yang glom ke masalah internasional. Idenya adalah mengubah antibodi yang ada untuk mengumpulkannya lebih besar dalam mengikat target. Setelah melakukan penyesuaian dalam simulasi, para peneliti kemudian mensintesis dan menguji desain yang bekerja paling sederhana.

Pada bulan Januari, Absci, yang memiliki kemitraan dengan perusahaan farmasi yang lebih besar seperti Merck, mengumumkan bahwa mereka telah menyelesaikan formulasinya untuk mengubah beberapa antibodi yang ada, bersama dengan orang yang menargetkan protein lonjakan SARS-CoV-2, virus yang menyebabkan covid. -19, dan satu lagi yang menghalangi penumpukan protein yang membantu sebagian besar sel kanker berkembang.

Apriori Bio, startup Perintis Unggulan lainnya yang berbasis sepenuhnya di Cambridge, juga memiliki rekannya di covid, berharap secara khusus untuk membuat vaksin yang dapat melindungi kita dari serangkaian varian virus yang hebat. Perusahaan membangun jutaan varian di lab dan menilai seberapa rapi peta antibodi penangkal covid menyimpulkannya. Itu kemudian menggunakan mesin mencari tahu untuk meramalkan bagaimana antibodi ideal akan melawan 100 miliar miliar (1020) lebih banyak varian. Tujuannya adalah untuk memetakan beberapa antibodi yang paling menjanjikan — yang tampaknya siap untuk memetakan berbagai varian yang tak terbatas atau dapat melawan varian skenario tertentu — dan menggunakannya untuk mengembangkan vaksin yang terbukti varian.

HOT 🔥  Generator gambar AI Midjourney memblokir pornografi dengan melarang kata-kata yang mengacu pada mesin reproduksi manusia

“Sudah tidak layak untuk mengembangkan ini secara eksperimental,” kata Lovisa Afzelius, kaki tangan di Flagship Pioneering dan CEO Apriori Bio. “Tidak pernah ada cara di mana pikiran manusia Anda dapat menempatkan semua potongan dan item ini di lapangan dan menilai sistem yang lengkap itu.”

Untuk Prakash, inilah kebohongan nyata yang mungkin dicapai dari AI build: membuka kumpulan besar konstruksi organik dan kimia yang belum dimanfaatkan yang akan menjadi tujuan perawatan di masa depan. Setiap kali Anda menghapus molekul yang sangat identik, kata Prakash, semua Gigantic Pharma digabungkan — Merck, Novartis, AstraZeneca, dll — memiliki daftar bahan paling banyak 10 juta molekul untuk merakit perawatan, beberapa dipatenkan dan beberapa berulang kali diidentifikasi. “Itulah yang kami coba pada tingkat tertentu dari keseluruhan planet—total yang dihasilkan dari kerja keras seratus tahun terakhir dari sejumlah besar ahli kimia,” katanya.

Namun, katanya, resolusi molekul yang mungkin menumpuk pengobatan, sesuai dengan aturan kimia organik, adalah 1033 (Perkiraan lain menyebutkan resolusi molekul mirip obat lebih besar lagi, di ranah 1060). “Baca angka itu menjadi 10 juta dan Anda meminta kami bahkan tidak lagi memancing di kolam pasang surut di sebelah laut,” kata Prakash. “Kami memancing di tetesan.”

Cintai orang lain, firma Prakash, Verseon, menggunakan cara komputasi historis dan unik untuk melihat samudra ini, menghasilkan jutaan kemungkinan molekul dan mencoba propertinya. Verseon memperlakukan interaksi antara pengobatan dan protein dalam tubuh sebagai skenario fisika, mensimulasikan hiruk pikuk dan tarikan antar atom yang memengaruhi bagaimana molekul saling cocok. Simulasi molekuler seperti itu tidak biasa, tetapi Verseon menggunakan AI untuk memodelkan dengan lebih tepat bagaimana molekul berinteraksi. Hingga saat ini, perusahaan telah menghasilkan 16 kandidat pengobatan untuk berbagai penyakit, di samping kondisi kardiovaskular, penyakit menular, dan sebagian besar kanker. Jenis pengobatan sedang dalam uji klinis, dan uji coba untuk banyak lainnya sedang dikembangkan untuk segera dimulai.

pil pil putih dengan meteran terukir di kulit

DESAIN SELMAN

Yang terpenting, simulasi memungkinkan para peneliti untuk melewati banyak kekacauan yang biasanya menjadi ciri proses pengumpulan obat. Perusahaan secara tradisional membuat kumpulan molekul yang mereka harapkan memiliki sifat yang pasti dan kemudian menguji masing-masing secara bergantian. Dengan pembelajaran mesin, mereka mungkin dapat sebagai perubahan yang berasal dari daftar keinginan dari seluruh karakteristik — dikodekan secara matematis — dan membuat desain untuk molekul yang mewakili sifat-sifat ini dengan tombol. Ini membalik pembagian tren awal di atas kepalanya, kata Salter-Cid: “Ini bukan lagi sesuatu yang kami tinggalkan untuk tumbuh di awal.” Sebuah perusahaan biasanya dapat mengakumulasi 2.500 hingga 5.000 senyawa selama lima tahun ketika mengembangkan obat yang tidak biasa. Exscientia menghasilkan 136 untuk salah satu pengobatan kankernya yang tidak biasa, tepatnya dalam dua belas bulan.

“Ini tentang mempercepat siklus eksplorasi,” kata Weatherall. “Kami sedang menuju ke tahap sekarang dengan membangun kami dapat mengumpulkan lebih banyak keputusan tanpa benar-benar harus mengumpulkan molekul untuk tepatnya.”


Sebaliknya mereka dibuat, pengobatan tanpa suara harus diuji pada manusia. Fase terakhir dari tren obat-obatan ini, yang melibatkan perekrutan sejumlah besar sukarelawan, sulit dilakukan dan seringkali peta berakhir dalam waktu yang sangat lama—rata-rata sekitar 10 tahun dan seringkali hingga 20 tahun. gagal tanpa suara.

AI tidak akan dapat membatasi proses uji klinis, tetapi mungkin perusahaan obat yang lebih baik mungkin menumpuk persentase lebih banyak sesuai keinginan mereka, dengan mengurangi waktu dan biaya memikirkan mencari kandidat obat yang tidak biasa. Lebih sedikit waktu yang dihabiskan untuk mencoba molekul obat yang tidak berguna di laboratorium dapat berarti bahwa kandidat yang menjanjikan akan mengumpulkannya untuk uji klinis lebih cepat. Dan dengan lebih sedikit uang tunai di jalur ganda, perusahaan sebenarnya tidak lagi merasakan ketegangan yang signifikan untuk mengikuti obat yang kinerjanya tidak terlalu baik.

Konsentrasi yang lebih baik pada penderita dapat mengurangi daging merah pada formulasinya. Sebagian besar uji klinis mengukur rata-rata penghentian pengobatan, menghitung berapa banyak orang yang berhasil dan memetakan banyak yang tidak berhasil. Jika cukup banyak dari kita dalam percobaan menuntut perbaikan dalam situasi mereka, maka obat tersebut dipercaya akan tetap berhasil. Jika obat tersebut tidak efisien untuk bagian yang cukup tak terbatas, maka itu adalah kegagalan. Meskipun demikian, ini dapat berarti bahwa kelompok kecil dari kita yang menjadi sasaran obat telah kehilangan pandangan.

“Ini cara yang sangat tidak pantas untuk melakukannya,” kata Weatherall. “Apa yang sebenarnya ingin kami kembangkan adalah mendapatkan subset dari pasien yang pada dasarnya akan mengumpulkan manfaat paling banyak dari suatu obat.”

Ini adalah bangunan keahlian perjodohan Exscientia yang dapat diakses. “Jika kita dapat memilih pasien yang tepat, itu secara fundamental mengubah model komersial industri farmasi,” kata Hopkins.

Ini semua juga dapat secara dramatis memperparah kehidupan para penderitanya, seperti Paul, yang tidak lagi menanggapi pengobatan yang paling tradisional. “Pasien dapat mengulangi pengalaman mengerikan keluar masuk sanatorium ini, biasanya selama bertahun-tahun, mendapatkan perawatan yang tidak berhasil, kecuali jika tidak ada perawatan yang tersisa atau akhirnya menumpuk ke orang yang bekerja untuk mereka,” kata Regulation .

Setelah Exscientia menemukan obat yang manjur untuk Paul, perusahaan tersebut menindaklanjuti permintaan ilmiah. Dibutuhkan sampel jaringan dari puluhan penderita kanker yang telah melalui setidaknya dua program kemoterapi yang gagal dan mengevaluasi hasil dari 139 pengobatan yang ada pada sel mereka. Exscientia dulu siap menyebutkan obat yang bekerja untuk lebih dari setengahnya.

Perusahaan sekarang ingin memanfaatkan keahlian ini untuk membentuk formulasinya menjadi tren obat, memasukkan informasi pasien ke dalam fase paling awal dari teknik untuk mempraktikkan AI yang lebih besar lagi. “Sebagai lebih dari sekadar model awal penyakit, kami dapat memulai dengan jaringan dari pasien,” kata Hopkins. “Pasien adalah model yang ideal.”

Untuk saat ini, batch terpenting dari perawatan yang dirancang AI sedang berjalan melalui tantangan uji klinis. Itu akan sangat rapi berbulan-bulan, atau bahkan bertahun-tahun, lebih awal dari sirkulasi yang pada dasarnya paling penting dan memasuki pasar. Beberapa tidak bisa lagi mengumpulkannya.

Namun meski komunitas awal ini gagal, akan ada satu lagi. Akumulasi obat telah berubah selamanya. “Ini adalah perawatan paling penting yang dicoba oleh perusahaan-perusahaan ini,” kata Benaich. “Perawatan paling sederhana mereka terus menerus adalah yang datang setelahnya.”

Cakupan Asli

Baca juga

Abaikan bayi desainer.  Inilah cara CRISPR mengubah sebagian besar kehidupan

Abaikan bayi desainer. Inilah cara CRISPR mengubah sebagian besar kehidupan

Abaikan He Jiankui, ilmuwan bahasa China yang menciptakan bayi yang diedit gennya. Sebagai tambahan, meskipun …

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *