Päť- až sedemročný proces identifikácie biologických terčov pre liečbu osteoartritídy vyriešila veľká britská farmaceutická spoločnosť nasadením ML platformy na analýzu jednobunkových dát od Relation Therapeutics.
Tradičný vývoj nových liečiv na degeneratívne ochorenia kĺbov trpel vysokou chybovosťou a extrémnou časovou náročnosťou pri predklinickom testovaní. Tradičné metódy nedokázali presne mapovať heterogenitu a správanie jednotlivých buniek v poškodenom tkanive, čo viedlo k zlyhaniu mnohých kandidátskych molekúl v drahých neskorších fázach klinických skúšok. Britský farmaceutický gigant preto spojil sily s biotechnologickým startupom Relation Therapeutics, aby radikálne spresnil a zrýchlil počiatočnú fázu výskumu a identifikoval skutočné príčiny ochorenia priamo na génovej úrovni.
Technologické pozadie: Analýza jednobunkových biologických dát a kauzálny ML
Platforma vyvinutá v Relation Therapeutics spája vysokovýkonné biologické testovanie v takzvaných wet-lab laboratóriách priamo s výpočtovými modelmi strojového učenia. Namiesto štandardného sekvenovania spoločne spracovaných buniek (bulk RNA sequencing), ktoré priemeruje biologické signály celého tkaniva a maskuje vzácne bunkové populácie, využívajú technológiu jednobunkového sekvenovania (single-cell RNA-seq). Algoritmy spracúvajú obrovské terabyty dát z desiatok tisícov individuálnych buniek získaných z tkanivových vzoriek pacientov trpiacich osteoartritídou.
Algoritmická architektúra nasadzuje kauzálne strojové učenie (Causal Machine Learning). Bežné hlboké siete vyhľadávajú iba štatistické korelácie, ktoré často vedú k falošne pozitívnym výsledkom. Kauzálny ML model však rekonštruuje riadiace génové siete a mapuje presné príčinné vzťahy medzi génovou expresiou, bunkovými fenotypmi a samotnou progresiou ochorenia. Systém spája tieto výpočtové simulácie (in silico) s validáciou pomocou CRISPR genetického strihania v laboratóriu (in vitro), čím vytvára nepretržitú spätnoväzbovú slučku Lab-in-the-Loop.
Príklad z praxe
- Firma: Veľká globálna farmaceutická spoločnosť, Spojené kráľovstvo
- AI riešenie: Strojové učenie a ML platforma na analýzu jednobunkových biologických dát od Relation Therapeutics
- Problém: Vysoká chybovosť a extrémna časová náročnosť (5 až 7 rokov) pri identifikácii a validácii vhodných biologických terčov pre liečbu osteoartritídy.
- Výsledok: Skrátenie fázy identifikácie liekových terčov o 40 % a uzatvorenie výskumného partnerstva v hodnote 110 miliónov USD na zrýchlenie vývoja efektívnejších liečiv.
Merateľný dopad na vývojový cyklus a finančnú efektivitu
Nasadenie platformy prinieslo okamžitú redukciu času potrebného na identifikáciu a validáciu biologických terčov z pôvodných 5 až 7 rokov na približne 3 roky. Štatisticky vyhodnotené 40-percentné skrátenie výskumnej fázy znižuje kapitálovú náročnosť predklinického vývoja o milióny eur a zásadne zrýchľuje posun liečiva do fázy klinických skúšok.
Vysoká presnosť identifikácie molekulárnych cieľov a zníženie rizika zlyhania v neskorších fázach viedli k uzavretiu celkového výskumného partnerstva v hodnote 110 miliónov USD. Stratégia dohody zahŕňa priamu úhradu vývoja, míľnikové platby za úspešne identifikované terče a licenčné poplatky za komercionalizáciu liečiv. Integrácia dátového kanála od Relation Therapeutics byla plne začlenená do internej výskumnej infraštruktúry britského koncernu.
Závery a odporúčania pre biotechnologický a farmaceutický sektor
Prípadová štúdia spoločenstva Relation Therapeutics a britského farmaceutického koncernu potvrdzuje, že integrácia pokročilého strojového učenia transformuje objavovanie liekov z empirického procesu pokus-omyl na štruktúrovanú dátovú disciplínu. Pre ostatné výskumné organizácie z toho vyplývajú tri strategické závery:
- Rozlíšenie na úrovni jednotlivých buniek: Analýza celých tkanív maskuje kľúčové bunkové subpopulácie. Prechod na jednobunkové multi-omické dáta je základným predpokladom na odhalenie presných liekových terčov.
- Aplikácia kauzálnych modelov: Štandardné prediktívne modely nedokážu rozlíšiť príčinu od následku. Kauzálne AI modely sú nevyhnutné na predpovedanie skutočných biologických efektov molekulárneho zásahu.
- Prepojenie výpočtov a experimentov (Lab-in-the-Loop): Integrácia mokrých laboratórií s AI modelmi umožňuje okamžite overovať predpovede v reálnom čase, čo dramaticky skracuje tréningové a výskumné cykly.
Implementácia týchto postupov umožňuje farmaceutickým podnikom výrazne znížiť finančné riziko R&D projektov a uvádzať účinné biologické terapie pacientom podstatne rýchlejšie.