Januárban, a San Francisco‑t egy hétre elárasztó JP Morgan egészségügyi konferencia (JPM) idején négy nagy, az AI és a farmáciai ipar közötti eszköz‑jellegű megállapodást jelentettek be. Ezek középpontjában meglepő módon a két éves múltra visszatekintő, OpenAI által is támogatott Chai Discovery állt, amely jelenleg körülbelül 4 milliárd dollárra értékelik.
A Science csapata az első podcast‑beszélgetést készítette el a cég társalapítójával, Matt McPartlonnal és termékvezetőjével, Neil Patillel, hogy részletesen bemutassák a történetet.
Mi változott az AI‑eszközök és a gyógyszeripar kapcsolatában?
A konferencia jól példázza, hogy az eszközök iránti kereslet növekszik: korábban sok AI‑kezdeményezés vagy beépült a saját gyógyszerfejlesztési portfólióba, vagy azért váltott erre az útvonalra, mert a gyógyszergyárakat nehéz meggyőzni pusztán eszköz‑ígéretekkel. A pharma partnerek használatának bizonyítása gyakran klinikai validációt vagy erős célpontokat igényel; ha ezek rendelkezésre állnak, könnyebb befektetéshez vagy licenceléshez vezető tárgyalásokat folytatni (például "biobucks" típusú milestone‑függő szerződésekkel).
Chai szerint az áttörést az hozta, hogy a tervezőeszközök elérték azt a minőséget, amelyben a gyógyszertervező csapatok megbíznak. A modellek fejlődése különösen a struktúra‑ és kötődési (binding) predikciók terén tette lehetővé a tervezést: ha egy modell megbízhatóan megmondja, hogy egy molekula mennyire kötődik egy célfehérjéhez, akkor azokat a molekulákat, amelyek jó eséllyel laboratóriumi és állatkísérleti sikerre vezetnek, gyorsabban lehet előállítani és tesztelni.
A tervezés skálázása és új lehetőségek
A jobb modelleknek köszönhetően a felfedezés skálázhatóvá válik: több és jobb jelölt kerül a laborba rövidebb idő alatt, több toxikológiai szűrés és jobb célba juttatás végezhető el. Ez növeli annak esélyét, hogy a klinikumba küldött jelöltek sikerrel járjanak. Emellett az AI olyan mechanizmusokat is elérhetővé tehet, amelyeket hagyományos laboralapú felfedezéssel nehéz vagy hosszadalmas lenne kifejleszteni — például pontosan célzott antitestek vagy kétfajta fehérjéhez kötődő (bispecifikus) antitestek tervezése.
Beszélgetésükben Matt McPartlon és az interjúztató (RJ) is hangsúlyozták: a modellek minőségének ugrásszerű javulása nem csupán hatékonyságnövelő hatású, hanem olyan új feladatok elvégzését teszi lehetővé, amelyeket korábban nem lehetett megoldani.
Termékfókusz és gyógyszergyári partnerségek
Chai az együttműködésekbe fektette energiát, hogy a gyógyszergyárakkal közvetlenül tanuljon arról, mire van szükség a kutatásban. Neil Patil elmondta, hogy a partnerek visszajelzései alapján célzottan tudnak olyan fejlesztéseket végezni, amelyek ténylegesen hasznosak a napi munkában — ez jobb felhasználói élményt eredményez, például egy molekula‑szerkesztőt, amely sokkal inkább egy CAD‑ vagy grafikai tervezőprogramhoz hasonlít, mint egy chatbothoz.
Megállapodások és ügyfelek
A cég stratégiája és termékfejlesztése megtérülni látszik: június óta Chai több jelentős megállapodást jelentett be nagy gyógyszergyártókkal, köztük a Novartis, argenx és Eli Lilly cégekkel, valamint bővítette az Eli Lilly‑vel fennálló programját.
Miért számít ez?
A kötődési modellek használata megnyitja az ajtót a tervezés (design) felé, ami a gyógyszerfelfedezésben valódi paradigmaváltást jelenthet: a tudományos munka egyre inkább mérnöki gyakorlatként szervezhető, ahol a tervezési‑iterációs ciklusok rövidebbek és célzottabbak. Chai álláspontja az, hogy mérnöki problémáknál a legjobb termék nyer, tehát a technológia magas minősége szükséges, de nem elégséges feltétel a piaci sikerhez — a felhasználói élmény és a szoros ipari együttműködés ugyancsak kulcsfontosságú.
A podcast‑epizód további témái közé tartozik többek között, miért tekintik a fehérjetokeneket különösen értékesnek, hogyan lehet egyre magasabb absztrakciós szintekre lépni a modellek javulásával, és miként alakítja át a jobb technológia a gyógyszeripari portfóliókezelést.
