amerikali
Yeni Üye
Yeni ilaçlar üzerinde çalışmak karmaşık ve uzun bir iştir: Bunların pazara sürülmesi yaklaşık on iki yıl sürer; ortalama toplam maliyet ise yaklaşık 2,8 milyar ABD dolarıdır. Bunun nedenleri giderek daha karmaşık hale gelen ürünler ve çalışma tasarımları, artan dokümantasyon ve güvenlik gereklilikleri ve katılımcıların klinik araştırmalar için zahmetli bir şekilde işe alınmasıdır. İlaç şirketleri, artık kârlı olmadıkları düşünülüyorsa, antibiyotikler gibi yeni aktif bileşenler tasarlamaktan kaçınıyor. Ancak Learning Systems platformunun güncel bir araştırmasına göre yapay zekaya (AI) sahip sistemler, endüstri ve bir bütün olarak sağlık sistemi için bu durumu ortadan kaldırmanın bir yolunu sunuyor.
Reklamcılık
Charité'den Klemens Budde liderliğindeki ekip, Alman Mühendislik Akademisi tarafından yayınlanan ağın teknik incelemesinde, ilaç geliştirme sürecinin “ilk fikirden onaya kadar” yapay zeka yardımıyla önemli ölçüde daha verimli hale getirilebileceğini yazıyor. Bilimler (Acatech). asılıdır ve Federal Araştırma Bakanlığı tarafından finanse edilmektedir. Bu, “yıllarca süren çalışmalardan ve maliyetli yatırımlardan tasarruf etmeyi” mümkün kılar. Bunun için önemli olan, örneğin büyük verilerdeki ilgili kalıpları tanımak için “veri işlemede sistematik analizlerdir”.
Yazarlar, yapay zekanın yardımıyla büyük miktarlarda verinin sistematik olarak analiz edilebileceğini ve kapsamlı bilginin hızlı bir şekilde değerlendirilebileceğini açıklıyor. Bu, kısa sürede uygun ilaç hedeflerinin ve adaylarının bulunmasını, ilacın yan etkileri hakkında daha iyi tahminler yapılmasını ve kimyasal sentezi yani ilacın üretimini optimize etmeyi mümkün kılar. Anahtar teknoloji aynı zamanda klinik çalışmalar ve onay için test deneklerinin seçilmesine ve izlenmesine de yardımcı olabilir. Yapay zeka tabanlı veri analizi, örneğin kanser tedavisi için kişiselleştirilmiş tedavilerin geliştirilmesine de olanak tanır. Bunlar hastanın bireysel klinik tablosuna göre daha iyi uyarlanabilir.
Zorluk: Veritabanındaki boşlukları doldurun
Platformun Sağlık, Tıbbi Teknoloji ve Bakım çalışma grubunun üyeleri buna bir örnek veriyor: Google DeepMind tarafından geliştirilen AlphaFold yazılımı, önemli protein yapılarının yapay zeka tabanlı tahminine “birkaç saat içinde yüksek düzeyde doğrulukla” olanak tanıyor. Karşılaştırılabilir doğruluk ve çözünürlük elde etmek için, bu tür moleküler ipliklerin bazen aylarca süren çalışmalarla deneysel olarak araştırılması gerekiyordu. ABD'li biyoteknoloji şirketi Insilico Medicine, yapay zeka desteğini kullanarak 850.000 dolardan daha düşük bir fiyata klinik öncesi aşamaya kadar fibrozise karşı aktif madde adayı geliştirmeyi başardı. Geleneksel olarak bunun maliyeti yaklaşık 664 milyon dolardı.
Analize göre Güney Koreli ilaç teknolojisi şirketi Standigm, yeni etki mekanizmalarına sahip ilaçları tanımlamak için yapay zeka tabanlı bir platform da geliştirdi; bu platform, bu yapıların tipik olarak 30 aya kıyasla ortalama yedi ay içinde tanımlanmasına olanak tanıyor. Yazarlar ayrıca üretken yapay zekanın fırsatlarına da değiniyor. Örneğin Med-PaLM, Google'ın özellikle tıbbi sorular için geliştirdiği bir dil modelidir. “Bilgi grafiklerinde düzenlenen bilgilere dayanarak belirli hastalıklar için ilgili genlerin sezgisel, metin tabanlı sorgulanmasını” destekler. Buna muadil olarak Exscientia, bilgi grafikleri üretmek için bir chatbot yayınladı. Üretken yapay zeka, yeni moleküller veya proteinler oluşturmak için de kullanılabilir. Ancak bu tür dil modellerinin halüsinasyonları zordur.
Uzmanlar genel engelleri yasal gerekliliklerin eksikliğinin yanı sıra veri kalitesi ve kullanılabilirliği olarak tanımlıyor. Önemli olan araştırma şirketlerinin bilgi paylaşma konusundaki istekliliğidir. Özellikle insan biyolojisine ilişkin veri tabanında, hastalık mekanizmaları ve ilaçların etkileri gibi konularda boşluklar bulunmaktadır. Bunlar ideal olarak elektronik hasta kaydı (ePA) veya sağlık sigortası şirketleri aracılığıyla sağlanabilecek yüksek kaliteli nüfus ölçümleriyle kapatılabilir. Politikacıların, örneğin Avrupa Sağlık Veri Alanı (EHDS) ve Sağlık Verileri Kullanım Yasası gibi standartlarla doğru rotayı belirlemesi gerekiyor. Ancak yapay zeka destekli araştırmalar, sivil haklar aktivistlerinin talep ettiği türden engellerle baltalanmamalı.
(benim)
Haberin Sonu
Reklamcılık
Charité'den Klemens Budde liderliğindeki ekip, Alman Mühendislik Akademisi tarafından yayınlanan ağın teknik incelemesinde, ilaç geliştirme sürecinin “ilk fikirden onaya kadar” yapay zeka yardımıyla önemli ölçüde daha verimli hale getirilebileceğini yazıyor. Bilimler (Acatech). asılıdır ve Federal Araştırma Bakanlığı tarafından finanse edilmektedir. Bu, “yıllarca süren çalışmalardan ve maliyetli yatırımlardan tasarruf etmeyi” mümkün kılar. Bunun için önemli olan, örneğin büyük verilerdeki ilgili kalıpları tanımak için “veri işlemede sistematik analizlerdir”.
Yazarlar, yapay zekanın yardımıyla büyük miktarlarda verinin sistematik olarak analiz edilebileceğini ve kapsamlı bilginin hızlı bir şekilde değerlendirilebileceğini açıklıyor. Bu, kısa sürede uygun ilaç hedeflerinin ve adaylarının bulunmasını, ilacın yan etkileri hakkında daha iyi tahminler yapılmasını ve kimyasal sentezi yani ilacın üretimini optimize etmeyi mümkün kılar. Anahtar teknoloji aynı zamanda klinik çalışmalar ve onay için test deneklerinin seçilmesine ve izlenmesine de yardımcı olabilir. Yapay zeka tabanlı veri analizi, örneğin kanser tedavisi için kişiselleştirilmiş tedavilerin geliştirilmesine de olanak tanır. Bunlar hastanın bireysel klinik tablosuna göre daha iyi uyarlanabilir.
Zorluk: Veritabanındaki boşlukları doldurun
Platformun Sağlık, Tıbbi Teknoloji ve Bakım çalışma grubunun üyeleri buna bir örnek veriyor: Google DeepMind tarafından geliştirilen AlphaFold yazılımı, önemli protein yapılarının yapay zeka tabanlı tahminine “birkaç saat içinde yüksek düzeyde doğrulukla” olanak tanıyor. Karşılaştırılabilir doğruluk ve çözünürlük elde etmek için, bu tür moleküler ipliklerin bazen aylarca süren çalışmalarla deneysel olarak araştırılması gerekiyordu. ABD'li biyoteknoloji şirketi Insilico Medicine, yapay zeka desteğini kullanarak 850.000 dolardan daha düşük bir fiyata klinik öncesi aşamaya kadar fibrozise karşı aktif madde adayı geliştirmeyi başardı. Geleneksel olarak bunun maliyeti yaklaşık 664 milyon dolardı.
Analize göre Güney Koreli ilaç teknolojisi şirketi Standigm, yeni etki mekanizmalarına sahip ilaçları tanımlamak için yapay zeka tabanlı bir platform da geliştirdi; bu platform, bu yapıların tipik olarak 30 aya kıyasla ortalama yedi ay içinde tanımlanmasına olanak tanıyor. Yazarlar ayrıca üretken yapay zekanın fırsatlarına da değiniyor. Örneğin Med-PaLM, Google'ın özellikle tıbbi sorular için geliştirdiği bir dil modelidir. “Bilgi grafiklerinde düzenlenen bilgilere dayanarak belirli hastalıklar için ilgili genlerin sezgisel, metin tabanlı sorgulanmasını” destekler. Buna muadil olarak Exscientia, bilgi grafikleri üretmek için bir chatbot yayınladı. Üretken yapay zeka, yeni moleküller veya proteinler oluşturmak için de kullanılabilir. Ancak bu tür dil modellerinin halüsinasyonları zordur.
Uzmanlar genel engelleri yasal gerekliliklerin eksikliğinin yanı sıra veri kalitesi ve kullanılabilirliği olarak tanımlıyor. Önemli olan araştırma şirketlerinin bilgi paylaşma konusundaki istekliliğidir. Özellikle insan biyolojisine ilişkin veri tabanında, hastalık mekanizmaları ve ilaçların etkileri gibi konularda boşluklar bulunmaktadır. Bunlar ideal olarak elektronik hasta kaydı (ePA) veya sağlık sigortası şirketleri aracılığıyla sağlanabilecek yüksek kaliteli nüfus ölçümleriyle kapatılabilir. Politikacıların, örneğin Avrupa Sağlık Veri Alanı (EHDS) ve Sağlık Verileri Kullanım Yasası gibi standartlarla doğru rotayı belirlemesi gerekiyor. Ancak yapay zeka destekli araştırmalar, sivil haklar aktivistlerinin talep ettiği türden engellerle baltalanmamalı.
(benim)
Haberin Sonu