


Wann wird die KI-Technologie der Pharmaindustrie helfen, das „umgekehrte Mooresche Gesetz' zu brechen?
Im Jahr 2020, dem ersten Jahr des COVID-19-Ausbruchs, hat die US-amerikanische Food and Drug Administration nur 53 neue Medikamente zugelassen. Im selben Jahr erreichten die Gesamtinvestitionen der globalen Pharmaindustrie in die Arzneimittelforschung und -entwicklung fast 200 Milliarden US-Dollar. Das bedeutet, dass die durchschnittlichen Kosten für jedes im Jahr 2020 zugelassene Medikament fast 3,8 Milliarden US-Dollar betragen. Eine in diesem Jahr veröffentlichte Studie lieferte eine relativ konservative Schätzung der Kosten für neue Medikamente und argumentierte, dass die Kosten für neue Medikamente im letzten Jahrzehnt zwar dramatisch gestiegen seien, die spezifische Spanne jedoch immer noch zwischen 314 Millionen und 2,8 Milliarden US-Dollar liege. Die Studie ergab außerdem, dass die durchschnittlichen Gesamtausgaben für Forschung und Entwicklung, die in die Markteinführung eines neuen Arzneimittels investiert werden, bei nahezu 1 Milliarde US-Dollar liegen, während der Durchschnitt auf rund 1,3 Milliarden US-Dollar geschätzt wird. Darüber hinaus beträgt der durchschnittliche Markteinführungszyklus neuer Medikamente 10 bis 15 Jahre, wobei etwa die Hälfte der Zeit und Investitionen in die Phase der klinischen Studien investiert wird und die verbleibende Hälfte der Kosten für die Unterstützung der präklinischen Entdeckung, Erprobung und Erprobung von Wirkstoffen verwendet wird Aufsicht. Warum jedes neue Medikament so viel kostet und einen langen Zyklus hat, liegt unter anderem an mangelnder klinischer Wirksamkeit, mangelndem kommerziellen Nutzen und falscher strategischer Planung. Kurz gesagt, all diese komplexen Faktoren haben die Wirksamkeit der Pharmaindustrie zu einer Metaphysik gemacht. Viele Menschen sind aufgrund der hohen Kosten für die Einführung neuer Medikamente sogar zu Skeptikern geworden und fragen sich, warum die Pharmaindustrie seit ihrem technischen Niveau und Management erhebliche Fortschritte gemacht hat Ihre Fähigkeiten haben sich erheblich verbessert. Sie werden immer noch in der aktuellen misslichen Lage stecken bleiben und nicht in der Lage sein, sich daraus zu befreien.
Dies sind die Befürworter des sogenannten „Umgekehrten Mooreschen Gesetzes“, wonach die Kosten für die Entwicklung neuer Medikamente in den letzten Jahrzehnten trotz technologischer Verbesserungen exponentiell gestiegen sind. Das umgekehrte Mooresche Gesetz besagt, dass sich die Kosten für die Entwicklung eines neuen Arzneimittels etwa alle neun Jahre verdoppeln, wenn man die Auswirkungen der Inflation außer Acht lässt. Diese Beobachtung legt ein Gesetz nahe, das dem abnehmenden Ertrag ähnelt. Nach dem Konzept der Ökonomie wird die Gesamtsituation schließlich einen kritischen Punkt erreichen, wenn ein bestimmter Input bei der Produktion eines bestimmten Gutes erhöht wird Um den Input zu erhöhen, beginnt der entsprechende Output allmählich zu sinken. Der Begriff „Umgekehrtes Mooresches Gesetz“ wurde 2012 von Dr. Jack Scannell und Kollegen in „Nature·Reviews·Drug Discovery“ vorgeschlagen.
Das umgekehrte Mooresche Gesetz weist natürlich auf das berühmte Mooresche Gesetz hin. Diese konzeptionelle Beobachtung aus den 1960er Jahren ergab, dass sich die Anzahl der Transistoren in hochintegrierten Schaltkreisen etwa alle zwei Jahre verdoppelte. Moores Gesetz ist nach Gordon Moore, Mitbegründer der Intel Corporation, benannt und ist seine Beobachtung und Zusammenfassung historischer Trends.
Dr. Scannell betonte, dass es vier Hauptgründe für die aktuelle missliche Lage gibt. Erstens haben Regulierungsbehörden immer höhere Standards für Therapien; die Regulierungsbehörden sind immer weniger in der Lage, Risiken zu tragen, was die Kosten und die Schwierigkeit von Forschung und Entwicklung erhöht, die auf die Überflutung von Ressourcen zur Förderung von Projekten angewiesen sind. es kommt leicht zu Projektüberschreitungen; und dann gibt es noch den Brute-Force-Angriff auf die Grundlagenforschung, das heißt, die Möglichkeit, Grundlagenforschungsprobleme durch grobes Ausprobieren zu durchbrechen, wird überschätzt.
Trotz all der schwierigen Faktoren, mit denen wir konfrontiert sind, werden wir eines Tages die Herausforderung des Mooreschen Gesetzes meistern, und eine mächtige Waffe, die den Ausgang des Kampfes bestimmen wird, ist die KI. Die gute Nachricht ist, dass jemand bereits erste Schritte unternommen hat, um diesen Weg zu beschreiten.
Dr. Scannell und seine Co-Wissenschaftler fordern Pharmaunternehmen auf, einen Chief Drug Officer zu ernennen, der für die Zusammenfassung der Fehlerursachen in jeder Phase des Forschungs- und Entwicklungsprozesses und die Veröffentlichung der Ergebnisse in wissenschaftlichen Fachzeitschriften verantwortlich ist. Derzeit veröffentlichen Pharmaunternehmen kaum noch gescheiterte Experimente oder klinische Ergebnisse, und die meisten haben noch nicht daran gedacht, engagierte Führungskräfte zu ernennen, die in gescheiterten Fällen mit den wertvollen Informationen umgehen. Allerdings betonte Dr. Scannell, dass Unternehmen zunächst ihre F&E-Prozesse ändern müssen, um das umgekehrte Mooresche Gesetz zu brechen. Zusammenarbeit und Informationsaustausch sind natürlich ein guter Ausgangspunkt, aber in der Pharmaindustrie gibt es nur einen Weg, das Mooresche Gesetz wirklich zu brechen – KI.
In den letzten Jahren haben Menschen viele Versuche unternommen, mithilfe von KI das umgekehrte Mooresche Gesetz zu brechen. Viele Institutionen wie Exscientia und Insilico Medicine streben nun nach diesem Ziel.
Exscientia mit Hauptsitz in Oxford ist ein globales Pharmatechnologieunternehmen, das Patienten in den Mittelpunkt stellt und die Arzneimittelentwicklung durch KI-Technologie beschleunigt. Letztes Jahr gab das Unternehmen bekannt, dass das erste von KI entwickelte immunonkologische Molekül in klinische Studien am Menschen aufgenommen wurde. Im Rahmen des Projekts arbeitet Exsientia mit Evotec zusammen, um A2a-Rezeptor-Antagonisten für erwachsene Patienten mit fortgeschrittener Tuberkulose zu entwickeln, wobei Exsientia die Wirkstoffforschungsplattform Centaur Chemist des Unternehmens nutzt. Dies ist nicht der erste Versuch von Exscientia. Im Jahr 2020 kündigte das Unternehmen ein Medikament zur Behandlung von Zwangsstörungen an, das von einer KI-gesteuerten Software entwickelt wurde und in die klinische Phase I eingetreten ist.
Darüber hinaus hat Schrödinger die fortschrittlichste chemische Simulationssoftware in der Pharmaindustrie entwickelt. Schrödinger hat kürzlich die FDA-Zulassung erhalten, seine computergestützte Behandlung des Non-Hodgkin-Lymphoms in frühen Studien zu untersuchen. Die auf maschineller Lerntechnologie basierende Plattform des Unternehmens klassifizierte innerhalb von 10 Monaten 8,2 Milliarden potenzielle Verbindungen und identifizierte schließlich 78 Verbindungen, die die präklinische experimentelle Synthese und das Screening erfolgreich bestehen konnten. Nun plant das Unternehmen, eine klinische Phase-I-Studie zu starten und mit der Rekrutierung von Patienten mit rezidiviertem oder refraktärem Non-Hodgkin-Lymphom zu beginnen.
Gleichzeitig nutzt auch Recursion Pharmaceuticals aus Utah KI-Technologie, um neue Einsatzmöglichkeiten für bestehende Medikamente zu finden. Im vergangenen Jahr gründeten Roche und Genetech eine Projektkooperation mit Recursion, um gemeinsam neue Bereiche der Zellbiologie zu erforschen und zu versuchen, neue Behandlungen in den Bereichen Neurowissenschaften und onkologische Indikationen zu entwickeln. Im Rahmen der Zusammenarbeit werden die beiden Unternehmen die KI-Plattform zur Arzneimittelforschung von Recursion nutzen, um ein umfassendes Screening neuer Arzneimittelziele durchzuführen und so die Entwicklung niedermolekularer Arzneimittel zu beschleunigen.
In Insilico hat ein führender Medikamentenkandidat gegen Fibrose ebenfalls die klinische Forschung der Phase 0 erfolgreich abgeschlossen und ist offiziell in die klinische Phase I eingetreten. Das neue Ziel dieses Medikamentenkandidaten wurde von der Pharma.AI-Plattform entdeckt. Die Gesamtzeit von der Zielfindung bis zum Start der ersten Phase des Projekts betrug weniger als 30 Monate, was einen neuen Rekord für die Geschwindigkeit der Entwicklung neuer Medikamente in der Pharmaindustrie darstellt.
Vergessen Sie nicht, dass die KI-Technologie auch bei der Gehirn-Computer-Schnittstelle, Deep Learning, Mensch-Computer-Schnittstelle, maschinellem Lernen und anderen intelligenten Simulationsszenarien eine Rolle spielen wird. Diese Konzepte gibt es schon seit Jahrzehnten. Früher stützten sich medizinische KI-Systeme stark auf klinisches Wissen und logische Regeln, die von medizinischen Experten bereitgestellt wurden. Heute können ausgebildete Supercomputer diese Aufgaben selbstständig erledigen.
Um das umgekehrte Mooresche Gesetz zu brechen, müssen Datenwissenschaftler und Mediziner gemeinsam realisierbare Anwendungsfälle planen, KI-Technologie auf verschiedene klinische Studien anwenden und KI-Technologie mit bestehenden Technologien vergleichen, die sie ersetzen/ergänzen werden. Auf diese Weise wird erwartet, dass KI reibungslos in das Ökosystem klinischer Studien eindringt, F&E-Fehlerquoten und -Kosten effektiv reduziert und gleichzeitig die Arzneimittelforschungs- und -entwicklungsprozesse der Branche rasch verbessert. Heutzutage nutzen fast alle großen Pharmaunternehmen interne Original-Forschungsalgorithmen, kooperieren mit KI-Anbietern oder erwerben direkt KI-Anbieter/Technologie, um ihre Produktportfolios und Arzneimittelentwicklungspipelines zu bereichern. Die Partnerschaftserklärungen von Massive Financing und mehreren Pharmaunternehmen zeigen uns auch, dass die Branche hohe Erwartungen an den Einsatz von KI-Tools im Arzneimittelforschungs- und -entwicklungsprozess hat. In diesem Bereich hat es viele Veränderungen gegeben. Es besteht die Hoffnung, dass Unternehmen in den nächsten Jahren in der Lage sein werden, bessere Anlagestrategien mit fortschrittlicher KI-Technologie zu kombinieren, um den „Fluch“ des umgekehrten Mooreschen Gesetzes auf einen Schlag zu brechen.
Das obige ist der detaillierte Inhalt vonWann wird die KI-Technologie der Pharmaindustrie helfen, das „umgekehrte Mooresche Gesetz' zu brechen?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 5. Juli veröffentlichte GlobalFoundries am 1. Juli dieses Jahres eine Pressemitteilung, in der die Übernahme der Power-Galliumnitrid (GaN)-Technologie und des Portfolios an geistigem Eigentum von Tagore Technology angekündigt wurde, in der Hoffnung, seinen Marktanteil in den Bereichen Automobile und Internet auszubauen Anwendungsbereiche für Rechenzentren mit künstlicher Intelligenz, um höhere Effizienz und bessere Leistung zu erforschen. Da sich Technologien wie generative künstliche Intelligenz (GenerativeAI) in der digitalen Welt weiterentwickeln, ist Galliumnitrid (GaN) zu einer Schlüssellösung für nachhaltiges und effizientes Energiemanagement, insbesondere in Rechenzentren, geworden. Auf dieser Website wurde die offizielle Ankündigung zitiert, dass sich das Ingenieurteam von Tagore Technology im Rahmen dieser Übernahme mit GF zusammenschließen wird, um die Galliumnitrid-Technologie weiterzuentwickeln. G
