Przemysł farmaceutyczny nie ma problemu z brakiem danych. Ma problem z zapominaniem

Każdy eksperyment, nieudany kandydat na lek, źle dobrana grupa pacjentów i zmiana protokołu pozostawiają informację. W teorii powinna ona poprawić kolejną decyzję. W praktyce często pozostaje w prezentacji jednego zespołu, zamkniętej bazie danych albo dokumentacji projektu, którego nikt nie chce już otwierać. Największą obietnicą AI w farmacji nie jest więc zaprojektowanie cząsteczki jednym poleceniem. Jest nią stworzenie organizacji, która przestaje wielokrotnie popełniać te same błędy.

Z tekstu dowiesz się:

• dlaczego tradycyjny, liniowy model rozwoju leków traci znaczną część wiedzy powstającej na kolejnych etapach;
• czym różni się pojedyncze narzędzie AI od rzeczywistej pętli uczenia obejmującej cały program badawczy;
• jak dane kliniczne mogą zmieniać wybór celu, a problemy produkcyjne — projekt kolejnej cząsteczki;
• gdzie uczenie maszynowe, modele przyczynowe, generatywne i agenci AI mają odrębne zastosowania;
• dlaczego największą barierą nie będzie brak algorytmów, lecz struktura organizacyjna, jakość danych i odpowiedzialność za decyzje.

Lek, który nie zadziałał, nadal może czegoś nauczyć

Rozwój leków jest zwykle przedstawiany jako lejek.

Na początku znajduje się wiele hipotez biologicznych. Z nich wybiera się cele terapeutyczne. Następnie projektuje cząsteczki, prowadzi badania laboratoryjne, badania na zwierzętach i kolejne fazy kliniczne. Większość programów odpada, aż na końcu pozostaje niewielka liczba produktów zdolnych przejść procedurę rejestracyjną.

Taki obraz jest poprawny, ale niepełny.

Sugeruje, że głównym zadaniem organizacji jest przesuwanie kandydatów w jednym kierunku: od odkrycia do rynku.

Tymczasem każdy etap wytwarza wiedzę, która powinna również przemieszczać się w przeciwnym kierunku.

Jeżeli lek działa tylko u pacjentów z określonym biomarkerem, informacja ta powinna zmienić sposób definiowania choroby i wyboru kolejnych celów terapeutycznych.

Jeżeli badanie kliniczne nie wykazuje skuteczności, ponieważ włączono zbyt heterogeniczną populację, problem nie musi leżeć wyłącznie w wykonaniu badania. Może oznaczać, że już na etapie biologii choroby przyjęto zbyt szeroką kategorię pacjentów.

Jeżeli cząsteczka ma dobre powinowactwo do celu, ale nie można jej bezpiecznie produkować w odpowiedniej skali, wiedza z obszaru chemii, produkcji i kontroli jakości powinna wrócić do zespołu projektującego następną generację kandydatów.

Jeżeli po wprowadzeniu terapii na rynek okazuje się, że najlepiej odpowiadają na nią pacjenci o określonym profilu klinicznym, dane z rzeczywistej praktyki powinny korygować wcześniejsze modele choroby.

W wielu organizacjach farmaceutycznych informacja pokonuje jednak tę drogę powoli, przypadkowo albo wcale.

R&D jest liniowe głównie na schemacie organizacyjnym

McKinsey opisuje dominujący model rozwoju leków jako system kolejnych bramek decyzyjnych.

Zespół biologiczny bada chorobę. Zespół translacyjny wybiera cel. Chemicy lub inżynierowie białek tworzą kandydata. Rozwój przedkliniczny przygotowuje go do wejścia do badań na ludziach. Zespół kliniczny projektuje protokół. Po rejestracji odpowiedzialność przesuwa się w stronę medyczną, komercyjną i produkcyjną.

Każda funkcja wykonuje swoją część pracy i przekazuje produkt dalej.

Taki system jest logiczny z punktu widzenia specjalizacji, zarządzania odpowiedzialnością i regulacji. Jest jednak słaby jako mechanizm uczenia.

Wyjście z jednego etapu traktuje się często jako zamknięty rezultat: raport, wybraną cząsteczkę, zatwierdzony protokół albo decyzję inwestycyjną. Informacja potrzebna do podjęcia tej decyzji nie zawsze zostaje zapisana w formie umożliwiającej jej ponowne wykorzystanie.

McKinsey proponuje zastąpienie tej logiki pięcioma połączonymi pętlami decyzyjnymi:

1. rozumieniem pacjentów i biologii choroby;
2. identyfikacją oraz walidacją celów terapeutycznych;
3. odkrywaniem i optymalizacją kandydatów;
4. projektowaniem oraz prowadzeniem badań klinicznych;
5. maksymalizowaniem wpływu zatwierdzonej terapii na pacjentów.

Najważniejsza nie jest sama lista. Te etapy w jakiejś formie istnieją od dawna.

Zmiana polega na tym, że wynik każdego z nich staje się wejściem dla pozostałych. Organizacja nie przesuwa projektu wyłącznie naprzód. Nieustannie aktualizuje wcześniejsze założenia.

Nauka zawsze była pętlą

Hipoteza, eksperyment, wynik, korekta hipotezy.

Nie ma w tym nic nowego.

Badania naukowe nigdy naprawdę nie były liniowe. Dobry zespół zawsze wracał do wcześniejszych założeń, kiedy dane przestawały do nich pasować.

Nowością ma być skala, szybkość i pamięć systemu.

Człowiek może dokładnie znać wyniki własnych eksperymentów i ogólny stan literatury w swojej specjalności. Nie jest w stanie jednocześnie śledzić wszystkich danych genomowych, obrazowych, klinicznych, toksykologicznych, chemicznych, produkcyjnych i operacyjnych powstających w wielkiej organizacji.

Nie potrafi też bez pomocy systemów analitycznych odnaleźć wszystkich sytuacji, w których niepozorny wynik sprzed pięciu lat staje się istotny dla obecnego projektu.

AI nie wynajduje więc samej idei iteracji.

Może zmniejszać koszt przechodzenia przez kolejne iteracje i skracać czas pomiędzy pojawieniem się sygnału a jego wykorzystaniem.

Największą obietnicą nie jest inteligencja pojedynczego modelu.

Jest nią zmniejszenie opóźnienia organizacyjnego.

Farmacja płaci ogromną cenę za późne odkrywanie błędnych założeń

Według danych przytaczanych przez McKinsey niemal 70 proc. wydatków badawczo-rozwojowych sektora przypada na rozwój kliniczny. Jednocześnie tylko około 13 proc. programów wchodzących do pierwszej fazy badań dociera ostatecznie do rynku. Firma szacuje także, że koszt przypadający na skutecznie wprowadzoną nową substancję wzrósł z około 2,5 mld USD w 2016 r. do około 4 mld USD obecnie. Są to szacunki ekonomiczne zależne od przyjętej metodologii, a nie uniwersalny koszt opracowania każdego leku.

Najdroższy błąd nie zawsze polega na przeprowadzeniu nieudanego eksperymentu.

Znacznie droższe może być odkrycie poprawnej odpowiedzi zbyt późno.

Cel terapeutyczny może wyglądać przekonująco w modelach komórkowych, ale nie mieć odpowiedniego znaczenia przyczynowego u ludzi.

Cząsteczka może skutecznie hamować białko, lecz mieć właściwości uniemożliwiające uzyskanie bezpiecznej ekspozycji.

Terapia może działać, ale tylko u podgrupy pacjentów niewyróżnionej w protokole.

Punkt końcowy może nie odzwierciedlać zmiany biologicznej, którą lek rzeczywiście wywołuje.

Proces produkcji może stać się źródłem kosztów i opóźnień dopiero wtedy, gdy produkt jest już zaawansowany klinicznie.

W każdym z tych przypadków problem istniał wcześniej. Organizacja nie potrafiła jednak dostrzec go, połączyć rozproszonych sygnałów albo nadać mu wystarczającej wagi.

AI ma największą wartość wtedy, gdy przesuwa moment wykrycia błędu w lewo — zanim błąd stanie się programem wartym setki milionów.

Pierwsza pętla: choroba nie jest jedną etykietą

Klasyfikacje kliniczne powstawały w dużej mierze na podstawie objawów, lokalizacji zmian, obrazowania i patologii.

Na poziomie molekularnym ta sama diagnoza może jednak obejmować wiele różnych stanów.

Dwóch pacjentów z podobnym obrazem choroby może różnić się mechanizmem zapalnym, szlakiem metabolicznym, mutacją napędzającą guz, tempem progresji i prawdopodobieństwem odpowiedzi na lek.

Pętla dotycząca pacjentów i biologii choroby ma integrować dane genomowe, transkryptomiczne, proteomiczne, obrazowe, laboratoryjne, kliniczne oraz informacje pochodzące z rzeczywistej praktyki.

Uczenie maszynowe może wyszukiwać w nich wzorce i potencjalne podtypy. Modele generatywne mogą pomagać formułować hipotezy dotyczące ich mechanizmów. Analizy przyczynowe mają rozróżniać czynniki związane z chorobą od tych, które rzeczywiście wpływają na jej przebieg.

Wynikiem nie powinna być automatycznie nowa, „odkryta przez AI” jednostka chorobowa.

McKinsey trafnie zaznacza, że na tym etapie powstają przede wszystkim uszeregowane hipotezy, kandydaci na biomarkery i ograniczenia translacyjne. Nadal wymagają one eksperymentalnej oraz klinicznej walidacji.

To ważne, ponieważ algorytm zawsze potrafi podzielić populację na grupy.

Znacznie trudniej wykazać, że dany podział jest biologicznie prawdziwy, powtarzalny i przydatny do wyboru leczenia.

Druga pętla: biomarker nie zawsze jest dobrym celem terapeutycznym

Jednym z najczęstszych błędów w rozwoju leków jest mylenie związku z przyczyną.

Białko może mieć podwyższone stężenie w chorobie, ponieważ uczestniczy w jej rozwoju. Może jednak równie dobrze być reakcją obronną, skutkiem uszkodzenia albo nieistotnym pasażerem procesu patologicznego.

Zablokowanie biomarkera korelującego z ciężkością choroby nie musi poprawić stanu pacjenta. Może nawet zaszkodzić, jeżeli obserwowany wzrost miał funkcję kompensacyjną.

Dlatego McKinsey oddziela klasyczne uczenie maszynowe od modelowania przyczynowego.

Model predykcyjny odpowiada na pytanie:

co współwystępuje z wynikiem?

Model przyczynowy próbuje odpowiedzieć:

co zmieni wynik, jeżeli w to zainterweniujemy?

W praktyce różnica ta jest jednym z najważniejszych problemów całej medycyny translacyjnej.

Szczególnie wartościowym źródłem przyczynowej informacji są naturalne eksperymenty genetyczne. Warianty obecne od urodzenia mogą pokazywać, czy zwiększona lub zmniejszona aktywność danego genu wpływa na ryzyko choroby.

Analiza opublikowana w „Nature” w 2024 r. wykazała, że mechanizmy leków wspierane dowodami genetycznymi miały średnio 2,6 razy większe prawdopodobieństwo sukcesu niż mechanizmy pozbawione takiego wsparcia. Efekt różnił się między obszarami terapeutycznymi i etapami rozwoju, a najsilniejsze znaczenie miała pewność przypisania związku genetycznego do właściwego genu przyczynowego.

Nie oznacza to, że genetyka gwarantuje powodzenie.

Oznacza, że dobrze połączone dane genetyczne, biologiczne i kliniczne mogą skuteczniej eliminować cele oparte na pozornej zależności.

Trzecia pętla: projektuj, wytwarzaj, testuj, analizuj — i natychmiast zaczynaj od nowa

Odkrywanie małych cząsteczek i leków biologicznych od dawna opiera się na cyklu design–make–test–analyze, czyli DMTA.

Projektujemy cząsteczkę. Syntetyzujemy ją. Testujemy. Analizujemy wyniki. Na ich podstawie projektujemy kolejną serię.

Tradycyjnie każdy obrót tej pętli trwał tygodnie albo miesiące. Projektowanie, synteza, testowanie i analiza funkcjonowały często jako kolejne kolejki pracy zarządzane przez różne zespoły.

AI może działać w każdym fragmencie cyklu:

• modele predykcyjne szacują powinowactwo, selektywność, rozpuszczalność, metabolizm i toksyczność;
• modele generatywne proponują nowe struktury chemiczne lub sekwencje białek;
• automatyczne laboratoria syntezują i testują większą liczbę kandydatów;
• systemy analityczne łączą wyniki z wcześniejszymi seriami;
• agenci koordynują kolejne eksperymenty oraz aktualizują priorytety.

Nie chodzi jednak o wygenerowanie miliona cząsteczek.

Przestrzeń chemiczna jest praktycznie niewyczerpana. Generowanie kolejnych możliwości jest łatwiejsze niż wybór tych, które warto naprawdę wytworzyć.

Wartość powstaje wtedy, gdy system potrafi jednocześnie optymalizować wiele właściwości: aktywność, selektywność, przenikalność, stabilność, bezpieczeństwo, możliwość syntezy i późniejszej produkcji.

Kandydat, który najlepiej wiąże cel, nie zawsze jest najlepszym lekiem.

AI nie musi znaleźć idealnej cząsteczki. Musi szybciej odrzucić złe

Marketing generatywnego projektowania leków skupia się na tworzeniu nowych molekuł.

Ekonomicznie większą wartość może mieć jednak wcześniejsze zabijanie słabych pomysłów.

Jeżeli model z wystarczającą wiarygodnością pokaże, że kandydat prawdopodobnie nie osiągnie wymaganej ekspozycji albo ma wysokie ryzyko toksyczności, zespół może nie poświęcać mu kolejnych miesięcy.

Nie oznacza to ślepego zaufania predykcji.

Modele chemiczne są szczególnie skuteczne w obszarach podobnych do danych, na których zostały wytrenowane. Ich wiarygodność maleje, gdy program wchodzi w nową klasę struktur, nietypowy mechanizm albo słabo poznany obszar biologii.

Dobra pętla nie zastępuje eksperymentu modelem.

Używa modelu do wyboru eksperymentu, którego wynik dostarczy najwięcej informacji.

To różnica między automatyzacją produkcji danych a aktywnym uczeniem eksperymentalnym.

Jednym z ważnych testów stał się inhibitor TNIK

McKinsey przywołuje przykład programu ukierunkowanego na kinazę TNIK w chorobach włóknieniowych.

Platforma wykorzystująca AI uczestniczyła zarówno w identyfikacji celu, jak i projektowaniu związku znanego obecnie jako rentosertib. W pracy opublikowanej w „Nature Biotechnology” opisano około 18-miesięczny okres od odkrycia celu do nominacji kandydata przedklinicznego. Związek przeszedł następnie badanie fazy I, a wyniki randomizowanego badania fazy IIa w idiopatycznym włóknieniu płuc opublikowano w „Nature Medicine”.

Jest to jeden z najbardziej zaawansowanych przykładów leku przedstawianego jako opracowany przy istotnym udziale generatywnej AI.

Nie dowodzi jeszcze, że AI zwiększa ogólny odsetek sukcesów klinicznych.

Jeden program nie pozwala oddzielić wpływu algorytmów od jakości zespołu, strategii biologicznej, chemii medycznej, wykonania eksperymentów i decyzji klinicznych.

Pokazuje natomiast, że AI może być włączona do rzeczywistego, pełnego procesu rozwoju leku, a nie tylko do demonstracji komputerowej.

Czwarta pętla: badanie kliniczne powinno uczyć się przed zakończeniem

Tradycyjny protokół badania klinicznego próbuje z wyprzedzeniem określić niemal wszystko:

• populację;
• kryteria włączenia i wyłączenia;
• dawki;
• punkty końcowe;
• liczebność grup;
• harmonogram;
• strategię analizy.

Jest to konieczne, ponieważ badanie musi chronić uczestników, zachować integralność statystyczną i umożliwić wiarygodną ocenę skuteczności.

Problem polega na tym, że część założeń zostaje zamrożona na wiele miesięcy, zanim organizacja zobaczy, jak badanie zachowuje się w rzeczywistych warunkach.

Rekrutacja może być wolniejsza niż zakładano. Częstość zdarzeń w grupie kontrolnej może odbiegać od prognoz. Część ośrodków może mieć znacznie większy odsetek rezygnacji. Biomarker może silniej różnicować odpowiedź, niż wynikało z wcześniejszych danych.

McKinsey proponuje system, w którym agenci AI stale monitorują założenia operacyjne i statystyczne, symulują alternatywne strategie oraz przedstawiają zespołom ustrukturyzowane rekomendacje.

Mogą między innymi:

• identyfikować wczesne ryzyko opóźnień rekrutacji;
• przewidywać zachowanie grupy kontrolnej;
• symulować zmianę kryteriów kwalifikacji;
• oceniać strategie wzbogacania populacji o pacjentów z biomarkerem;
• rekomendować aktywację lub wygaszanie ośrodków;
• analizować wpływ potencjalnych zmian na moc statystyczną, koszty i harmonogram.

System nie powinien samodzielnie zmieniać zatwierdzonego protokołu. Ma skracać czas między pojawieniem się problemu a świadomą decyzją człowieka.

„Samopoprawiające się badanie” brzmi dobrze, ale może zniszczyć wiarygodność

Badanie kliniczne nie jest platformą internetową, w której można dowolnie optymalizować funkcje na podstawie zachowania użytkowników.

Każda zmiana populacji, punktu końcowego, dawki albo sposobu analizy może wpływać na ryzyko błędu statystycznego i interpretację wyniku.

System stale poszukujący najlepszego podziału pacjentów może znaleźć podgrupę wyglądającą na odpowiadającą przypadkowo. Model uczący się na danych operacyjnych może pośrednio ujawnić informacje, które powinny pozostać zaślepione. Automatyczne rekomendacje mogą optymalizować tempo rekrutacji kosztem reprezentatywności populacji.

Dlatego „zamknięta pętla” w badaniu klinicznym nie oznacza swobodnego modyfikowania eksperymentu.

Oznacza wcześniejsze wykrywanie sygnałów, symulowanie konsekwencji oraz działanie w granicach wcześniej określonych reguł, nadzoru statystycznego, klinicznego i regulacyjnego.

FDA proponuje ocenę wiarygodności modeli AI uzależnioną od ich konkretnego kontekstu użycia. Model pomocniczy, który szereguje ośrodki, wymaga innego poziomu dowodów niż system wytwarzający dane kluczowe dla oceny skuteczności lub bezpieczeństwa leku.

EMA również podkreśla podejście zależne od ryzyka, jakość i reprezentatywność danych, kontrolę człowieka, przejrzystość, dokumentację oraz monitorowanie działania modelu w całym cyklu życia produktu.

W regulowanym R&D system nie może po prostu „uczyć się na bieżąco” bez kontroli wersji.

Trzeba dokładnie wiedzieć, jaki model, na jakich danych i według jakich reguł wpłynął na konkretną decyzję.

Cyfrowy bliźniak nie jest wirtualnym pacjentem

Jednym z najgłośniejszych zastosowań AI są cyfrowe bliźniaki pacjentów i badań klinicznych.

Termin sugeruje komputerową kopię człowieka, na której można bez ryzyka przetestować terapię.

W praktyce są to modele przewidujące określone elementy przebiegu choroby lub zachowania grupy kontrolnej na podstawie dostępnych danych.

Mogą być użyteczne do:

• symulowania wariantów protokołu;
• szacowania częstotliwości zdarzeń;
• wspierania doboru populacji;
• planowania liczebności badania;
• tworzenia dodatkowego kontekstu dla obserwowanych wyników.

Nie odtwarzają jednak pełnej biologii konkretnego pacjenta.

Ich wiarygodność kończy się tam, gdzie kończą się reprezentatywne dane i poprawne założenia. Szczególnie łatwo zawodzą przy nowych mechanizmach działania, rzadkich chorobach, zmianie standardu leczenia albo populacjach niedostatecznie reprezentowanych w zbiorach treningowych.

Cyfrowy bliźniak jest modelem kontrfaktycznym.

Nie jest cyfrowym człowiekiem.

Piąta pętla: rejestracja leku nie powinna kończyć procesu uczenia

Po zatwierdzeniu terapii pojawia się znacznie więcej danych niż podczas badania klinicznego.

Lek trafia do pacjentów starszych, bardziej obciążonych chorobami współistniejącymi i przyjmujących więcej innych preparatów. Stosują go lekarze z różnych systemów ochrony zdrowia. Pojawiają się rzadkie działania niepożądane, problemy z przestrzeganiem terapii i różnice w skuteczności między grupami.

Dane z rzeczywistej praktyki mogą ujawnić:

• nowe sygnały bezpieczeństwa;
• podgrupy osiągające szczególnie dużą korzyść;
• populacje odpowiadające słabiej;
• potencjalne nowe wskazania;
• znaczenie kolejności leczenia;
• problemy produkcyjne i logistyczne;
• różnicę między skutecznością eksperymentalną a efektywnością w zwyczajnej opiece.

W liniowym modelu są to zagadnienia porejestracyjne.

W modelu pętli powinny wracać do wcześniejszych etapów.

Dane o odpowiedzi pacjentów mogą zmienić definicję choroby. Nowy sygnał bezpieczeństwa może wpłynąć na wybór następnego celu. Problemy ze skalowaniem produkcji mogą zmienić preferowaną modalność terapeutyczną. Informacje o nowym wskazaniu mogą uruchomić kolejny program rozwojowy.

Zatwierdzony lek nie jest końcem nauki.

Jest eksperymentem prowadzonym na znacznie większej i bardziej heterogenicznej populacji — choć oczywiście nie w kontrolowanych warunkach randomizowanego badania.

Cztery technologie, których nie należy wrzucać do jednego worka

W dyskusji o AI w farmacji często mówi się o jednym, ogólnym narzędziu.

McKinsey wyróżnia cztery warstwy, które rozwiązują odmienne problemy.

Uczenie maszynowe znajduje wzorce

Klasyczne ML analizuje dane i przewiduje określone wyniki.

Może klasyfikować obrazy patologiczne, przewidywać aktywność związku, identyfikować podtypy pacjentów albo prognozować rekrutację.

Dobrze odpowiada na pytanie:

co prawdopodobnie się wydarzy na podstawie podobnych danych z przeszłości?

Modelowanie przyczynowe ocenia interwencje

Próbuje ustalić, które zmienne mają wpływ na wynik, a które wyłącznie z nim współwystępują.

Odpowiada na trudniejsze pytanie:

co stanie się, jeżeli zmienimy tę konkretną rzecz?

Bez tej warstwy AI może bardzo dobrze przewidywać chorobę na podstawie markerów, których nie da się skutecznie wykorzystać jako celów terapeutycznych.

Modele generatywne poszerzają przestrzeń hipotez

Mogą proponować cząsteczki, sekwencje białek, strategie syntezy, biomarkery, mechanizmy albo warianty protokołu.

Ich mocną stroną jest wytwarzanie możliwości.

Słabą — to, że wygenerowana możliwość nie staje się prawdziwa tylko dlatego, że brzmi przekonująco.

Agenci AI koordynują pracę

Łączą wyszukiwanie danych, uruchamianie modeli, analizę wyników, planowanie eksperymentów i tworzenie rekomendacji.

Nie muszą mieć najlepszego modelu biologicznego. Ich wartość może polegać na tym, że pilnują przepływu między wieloma narzędziami i zespołami.

W zamkniętej pętli agent jest bardziej kierownikiem przepływu informacji niż autonomicznym naukowcem.

Agenci potrafią już proponować testowalne hipotezy

W 2026 r. w „Nature” opublikowano prace opisujące systemy Robin i AI Co-Scientist.

Robin łączył wyszukiwanie literatury, generowanie hipotez i analizę danych eksperymentalnych. System zaproponował między innymi przetestowanie ripasudilu w suchym zwyrodnieniu plamki oraz związku KL001 jako modulatora określonych procesów biologicznych. Hipotezy oceniono następnie w pierwotnych ludzkich komórkach nabłonka barwnikowego siatkówki.

Co-Scientist generował i porządkował hipotezy dotyczące między innymi repozycjonowania leków i terapii skojarzonych w ostrej białaczce szpikowej, celów epigenetycznych we włóknieniu wątroby oraz mechanizmu transferu genów oporności na antybiotyki. Wybrane propozycje zostały zweryfikowane eksperymentalnie. System został zaprojektowany jako narzędzie „scientist-in-the-loop”, które naukowiec może ukierunkowywać i korygować.

Są to znaczące demonstracje.

Nie oznaczają, że agent opracował skuteczny lek.

Walidacja w komórkach potwierdza, że hipoteza była eksperymentalnie użyteczna. Między wynikiem in vitro a terapią bezpieczną i skuteczną u ludzi pozostaje niemal cała droga rozwoju klinicznego.

Wartość tych systemów należy więc mierzyć nie liczbą efektownych hipotez, lecz odsetkiem propozycji, które:

• są nowe;
• można przetestować;
• przetrwają eksperyment;
• wnoszą więcej niż dobry zespół naukowy korzystający z klasycznych narzędzi;
• prowadzą do decyzji o realnej wartości.

Największy błąd: wstawienie AI do starego procesu

Firma może kupić modele generatywne, zatrudnić zespół data science i uruchomić kilkadziesiąt pilotaży.

Nie oznacza to jeszcze, że stworzyła pętlę uczenia.

Jeżeli system projektujący cząsteczki nie ma dostępu do pełnych danych z testów bezpieczeństwa, będzie optymalizował niepełny cel.

Jeżeli dane z badań klinicznych nie wracają do zespołów walidujących cele, organizacja nadal uczy się liniowo.

Jeżeli wyniki nieudanych eksperymentów pozostają zapisane w nieprzeszukiwalnych raportach, model zobaczy głównie sukcesy i powtórzy uprzedzenia publikacyjne.

Jeżeli AI tworzy rekomendacje w osobnym panelu, którego nie używa komisja podejmująca decyzje inwestycyjne, narzędzie pozostaje demonstracją analityczną.

Technologia nie zmieni procesu, jeżeli proces nie zmieni miejsca, w którym podejmuje się decyzje.

Prawdziwą jednostką transformacji nie jest model.

Jest nią konkretna decyzja:

• który cel rozwijać;
• którą cząsteczkę zsyntetyzować;
• który program zakończyć;
• jaką populację włączyć;
• czy zmienić protokół;
• gdzie zainwestować następne 100 mln USD.

Dane muszą zawierać nie tylko wynik, ale również kontekst

Aby organizacja mogła się uczyć, nie wystarczy zebrać wartości liczbowych.

Trzeba wiedzieć:

• z jakiego eksperymentu pochodzą;
• jak przygotowano próbkę;
• jakiego urządzenia użyto;
• która wersja protokołu obowiązywała;
• jakie były kontrole;
• które obserwacje zostały wykluczone;
• dlaczego podjęto konkretną decyzję;
• jaki był poziom niepewności;
• czego zespół jeszcze nie wiedział.

Wynik „związek A nie działa” jest niemal bezużyteczny bez informacji, czy nie działał z powodu słabego powinowactwa, braku penetracji, szybkiego metabolizmu, złego modelu biologicznego czy błędu eksperymentalnego.

Podobnie negatywne badanie kliniczne może oznaczać:

• błędny cel;
• zbyt małą dawkę;
• niewłaściwą populację;
• nieadekwatny punkt końcowy;
• za krótki czas obserwacji;
• rzeczywisty brak skuteczności.

Model otrzymujący wyłącznie etykietę „porażka” nie nauczy się mechanizmu porażki.

Pętla wymaga danych wraz z ich rodowodem, semantyką i historią decyzji.

Nieudane wyniki są najcenniejsze — i najgorzej przechowywane

Literatura naukowa jest przechylona w stronę wyników dodatnich.

Wewnętrzne zasoby firm mogą zawierać znacznie więcej informacji o związkach, które nie działały, modelach, które się nie sprawdziły, oraz hipotezach, których nie udało się potwierdzić.

To potencjalnie wyjątkowy zasób treningowy.

Konkurent może przeczytać tę samą literaturę i korzystać z podobnego modelu językowego. Nie zna jednak wszystkich eksperymentów, które dana organizacja przeprowadziła przez ostatnie trzydzieści lat.

Problem polega na tym, że dane negatywne są często gorzej opisane, zapisane w starszych formatach, rozproszone między systemami albo powiązane z projektami, których zespoły już nie istnieją.

Największa przewaga biopharmy może więc nie pochodzić z dostępu do najnowszego modelu.

Może pochodzić z umiejętności przekształcenia własnej historii niepowodzeń w uporządkowaną pamięć instytucjonalną.

Pętla może również utrwalać błąd

System uczący się na własnych decyzjach nie zawsze staje się mądrzejszy.

Może wzmacniać wcześniejsze uprzedzenia.

Jeżeli firma historycznie inwestowała głównie w określone mechanizmy, modele będą miały najwięcej danych właśnie dla nich. Mogą więc nadal wybierać podobne cele, ponieważ potrafią je przewidywać z największą pewnością.

Jeżeli do badań klinicznych rekrutowano przede wszystkim określone populacje, system może działać gorzej dla pozostałych pacjentów.

Jeżeli decyzje o zakończeniu projektów nie były podejmowane konsekwentnie, dane będą zawierały ślady polityki organizacyjnej, a nie wyłącznie biologii.

Jeżeli model wpływa na to, jakie eksperymenty zostaną wykonane, a następnie uczy się z ich wyników, może stworzyć zamknięty obieg potwierdzający własne preferencje.

Dlatego każda pętla potrzebuje mechanizmów wymuszających eksplorację.

Czasami warto wykonać eksperyment, którego model nie rekomenduje, właśnie po to, aby sprawdzić obszar jego największej niepewności.

Inaczej system będzie optymalizował to, co już zna, i stopniowo tracił zdolność odkrywania naprawdę nowych mechanizmów.

Człowiek w pętli nie może oznaczać człowieka zatwierdzającego wszystko jednym kliknięciem

W materiałach o AI często pojawia się uspokajająca formuła: człowiek zachowuje nadzór.

Sama obecność człowieka nie rozwiązuje problemu.

Jeżeli system w ciągu godziny generuje tysiąc analiz, człowiek nie jest w stanie wszystkich zweryfikować. Jeżeli rekomendacja jest opakowana w skomplikowany wynik statystyczny, użytkownik może ulec automatyzacyjnemu zaufaniu. Jeżeli odrzucenie sugestii wymaga dodatkowego uzasadnienia, a jej zaakceptowanie nie, organizacja zaczyna domyślnie wykonywać decyzje modelu.

Prawdziwy nadzór wymaga:

• jasnego podziału odpowiedzialności;
• określenia decyzji, których AI nie może podejmować;
• dokumentowania podstaw rekomendacji;
• ujawniania niepewności;
• możliwości odtworzenia danych i wersji modelu;
• niezależnego testowania;
• monitorowania degradacji modelu;
• procedury kwestionowania wyniku.

Człowiek powinien być właścicielem decyzji, a nie ostatnim elementem interfejsu.

Największą barierą będzie organizacja

McKinsey słusznie argumentuje, że pełnej wartości nie da się uzyskać przez zlecenie całego problemu zewnętrznemu dostawcy.

Firma technologiczna może dostarczyć chmurę, model albo platformę agentową. Nie zdecyduje jednak, jakie założenie biologiczne jest kluczowe, kiedy należy zakończyć program ani jak pogodzić dane kliniczne z ograniczeniami produkcji.

Organizacja potrzebuje ludzi łączących kilka rodzajów wiedzy:

• biologię choroby;
• projektowanie leków;
• dane i modele;
• badania kliniczne;
• statystykę;
• regulacje;
• produkcję;
• ekonomię portfela.

Tymczasem struktury firm zwykle dzielą te kompetencje na osobne funkcje z odmiennymi celami.

Chemicy są oceniani za dostarczanie kandydatów.

Zespoły kliniczne za realizację badania.

Działy cyfrowe za wdrożenie platformy.

Kierownicy programów za przechodzenie przez kolejne bramki.

Trudno zbudować pętlę uczenia, jeżeli każdy uczestnik jest nagradzany za lokalną optymalizację własnego etapu.

Najważniejsza zmiana może więc dotyczyć nie architektury danych, ale systemu odpowiedzialności i bodźców.

Szybsza decyzja nie zawsze jest lepszą decyzją

McKinsey używa pojęcia „kompresji pętli”.

Oznacza ono skrócenie czasu potrzebnego na przejście od danych do hipotezy, eksperymentu, interpretacji i następnej decyzji.

To sensowny cel.

Należy jednak odróżnić trzy różne rodzaje szybkości:

1. szybsze wykonanie tej samej pracy;
2. szybsze uzyskanie informacji;
3. wcześniejsze podjęcie trafnej decyzji.

AI może znakomicie przyspieszyć analizę literatury, przygotowanie dokumentów lub przegląd danych.

Nie gwarantuje, że informacja jest wystarczająca do podjęcia decyzji.

Biologia ma własne tempo. Nie można przyspieszyć czasu potrzebnego na ujawnienie niektórych efektów toksycznych, progresji choroby, odpowiedzi immunologicznej czy długoterminowego bezpieczeństwa.

Szybki system może również szybciej skalować błędną hipotezę.

Celem nie powinno być maksymalne tempo.

Powinna nim być minimalizacja czasu potrzebnego do uzyskania wiarygodnej wiedzy decyzyjnej.

Największy zwrot może pochodzić z zamykania projektów

Przedsiębiorstwa farmaceutyczne naturalnie koncentrują uwagę na sukcesach: nowych celach, cząsteczkach i wskazaniach.

Z punktu widzenia portfela równie ważne jest wcześniejsze kończenie programów o niskim prawdopodobieństwie powodzenia.

Każdy projekt pochłania:

• pieniądze;
• czas zespołów;
• miejsca w laboratoriach;
• zdolności produkcyjne;
• uwagę zarządu;
• możliwość zainwestowania w inną hipotezę.

Jeżeli połączone dane wskazują, że cel nie ma wystarczającego wsparcia przyczynowego, kandydat ma nierozwiązywalny problem bezpieczeństwa, a biomarker nie wyodrębnia odpowiadającej populacji, najlepszym wynikiem pętli może być decyzja o zatrzymaniu programu.

To nie wygląda równie efektownie jak cząsteczka wygenerowana przez AI.

Może mieć jednak większą wartość ekonomiczną.

Produktywność R&D zależy nie tylko od tego, ile dobrych programów firma rozpoczyna.

Zależy również od tego, jak szybko przestaje finansować złe.

Co musiałoby być mierzone

Aby stwierdzić, że pętle naprawdę działają, nie wystarczy policzyć użytkowników narzędzi AI.

Potrzebne są wskaźniki związane z decyzjami i wynikami naukowymi:

• czas od pojawienia się danych do aktualizacji hipotezy;
• liczba iteracji DMTA w jednostce czasu;
• odsetek syntetyzowanych związków spełniających wiele kryteriów jednocześnie;
• czas potrzebny do odrzucenia słabego celu;
• powtarzalność predykcji w zewnętrznych zbiorach;
• odsetek biomarkerów potwierdzanych klinicznie;
• liczba zmian protokołu wynikających z problemów, które można było wykryć wcześniej;
• czas od identyfikacji sygnału bezpieczeństwa do decyzji;
• prawdopodobieństwo sukcesu programów przechodzących kolejne bramki;
• koszt uzyskania jednej trafnej decyzji.

Dopiero na końcu interesują nas wskaźniki najważniejsze:

• więcej zatwierdzonych terapii;
• krótszy czas rozwoju;
• mniejszy koszt;
• większa korzyść kliniczna;
• poprawa bezpieczeństwa.

Między wdrożeniem platformy AI a tymi wynikami znajduje się jednak wiele lat i ogromna liczba czynników zakłócających.

Dlatego w najbliższym okresie firmy będą musiały udowadniać wartość na poziomie konkretnych decyzji, nie obietnic transformacji całego sektora.

Czego materiał McKinsey jeszcze nie dowodzi

Artykuł jest propozycją modelu operacyjnego, a nie wynikiem kontrolowanego porównania firm działających liniowo z firmami działającymi w zamkniętych pętlach.

Nie wykazuje, że organizacje wdrażające taki system osiągają określony wzrost odsetka rejestracji.

Nie dowodzi, że agenci AI mogą obecnie autonomicznie koordynować pełny rozwój leku.

Nie pokazuje też, że każdy etap powinien zostać włączony do jednej, centralnej platformy.

Wiele przedstawionych elementów istnieje już oddzielnie:

• projektowanie wspomagane modelami;
• automatyczne laboratoria;
• modelowanie farmakometryczne;
• badania adaptacyjne;
• analiza danych rzeczywistych;
• modelowanie przyczynowe;
• nadzór oparty na ryzyku.

Nowa teza polega na tym, że ich wartość będzie znacznie większa, jeżeli zostaną połączone w jeden system uczenia organizacyjnego.

To przekonująca hipoteza.

Jej pełne potwierdzenie będzie wymagało nie demonstracji technologicznych, lecz wieloletnich danych o portfelach leków.

Przewaga nie będzie wynikała z samego posiadania AI

Dostęp do dobrych modeli staje się coraz łatwiejszy.

Podobne algorytmy mogą kupić lub wdrożyć konkurencyjne firmy. Dostępna publicznie literatura i bazy danych również nie tworzą trwałej przewagi.

Trudniejsze do skopiowania są:

• wysokiej jakości dane wewnętrzne;
• dobrze opisane wyniki negatywne;
• historia decyzji;
• modele połączone z rzeczywistymi eksperymentami;
• laboratoria zdolne szybko weryfikować hipotezy;
• kultura kończenia słabych projektów;
• zaufanie między naukowcami, klinicystami i zespołami danych;
• infrastruktura zapewniająca pełne pochodzenie wyników;
• zdolność do uczenia się z całego portfela, a nie jednego programu.

Model językowy można licencjonować.

Pamięci instytucjonalnej, dobrej architektury decyzji i trzydziestu lat uporządkowanych eksperymentów nie da się kupić w abonamencie.

Przyszłość nie będzie w pełni autonomicznym laboratorium

Wizja laboratorium, które samo czyta literaturę, projektuje eksperymenty, steruje robotami, analizuje wyniki i wybiera kolejne hipotezy, przestaje być czystą fantastyką.

Jej elementy już istnieją.

Najbardziej prawdopodobna przyszłość nie będzie jednak polegała na usunięciu naukowców.

Systemy automatyczne będą szczególnie skuteczne tam, gdzie:

• cel eksperymentu jest dobrze określony;
• wynik można szybko zmierzyć;
• istnieje ilościowa funkcja oceny;
• przestrzeń eksperymentów jest ograniczona;
• błędy można wykryć i skorygować;
• dane są cyfrowe oraz standaryzowane.

Człowiek pozostanie najważniejszy tam, gdzie trzeba:

• zdefiniować właściwe pytanie;
• zakwestionować założenia modelu;
• ocenić biologiczną wiarygodność;
• pogodzić sprzeczne rodzaje dowodów;
• podjąć decyzję przy głębokiej niepewności;
• uwzględnić interes i bezpieczeństwo pacjenta;
• wziąć odpowiedzialność za konsekwencje.

AI może zwiększyć liczbę hipotez i eksperymentów.

Nadal potrzebujemy ludzi, którzy wiedzą, które pytania są warte zadania.

Najważniejszą technologią może być pamięć

Przemysł farmaceutyczny nie cierpi na brak aktywności.

Każdego dnia wytwarza ogromne ilości wyników laboratoryjnych, sekwencji, obrazów, dokumentów, danych klinicznych, analiz statystycznych i obserwacji z praktyki medycznej.

Problemem jest to, że organizacja często nie potrafi wykorzystać całego doświadczenia jednocześnie.

Projekt kończy się, zespół się rozpada, ludzie przechodzą do innych firm, baza zostaje zamknięta, a wiedza kurczy się do kilku slajdów podsumowujących.

Następny program rozpoczyna się niemal od początku.

Pętle uczenia mają zmienić tę logikę.

Każdy eksperyment powinien nie tylko odpowiedzieć na lokalne pytanie. Powinien również aktualizować wspólny model choroby, celu, cząsteczki, pacjenta i ryzyka.

Każde badanie kliniczne powinno nie tylko przesunąć jeden lek przez kolejną bramkę. Powinno poprawiać sposób projektowania następnych badań.

Każda porażka powinna zwiększać prawdopodobieństwo, że podobny błąd zostanie wykryty wcześniej.

Jeżeli AI rzeczywiście zmieni farmaceutyczne R&D, to nie dlatego, że zacznie samodzielnie odkrywać leki.

Zmieni je wtedy, gdy przemysł nauczy się traktować każdy wynik — również negatywny — jako część systemu, który pamięta, łączy i koryguje własne decyzje.

Największą stratą w rozwoju leków nie jest eksperyment, który się nie udał. Jest nią eksperyment, z którego organizacja niczego trwale się nie nauczyła.