Maskininlärning, den mest grundläggande formen av Artificiell Intelligens (AI), utnyttjas inom allt fler områden. Life Science är inget undantag: användningen av AI inom vården ökade under 2017 och trenden fortsätter under 2018, enligt nya rapporter. Ett relativt färskt exempel på framgångarna inom området kom under det gångna året då japanska forskare kunde visa att deras AI-baserade mjukvara kan upptäcka tarmcancer på under en sekund.

Läkemedelssektorns allt större intresse för hur AI kan underlätta bolagens forskning och utveckling, men även som i exemplet ovan ge snabbare och mer träffsäkra diagnoser, gör att AI kan bli en stor värdedrivare och en viktig grund för vetenskapliga framsteg vi ännu inte kan förutse omfattningen av. Vilka bolag som kommer att gå i bräschen för denna utveckling är dock öppen. Hittills tycks tekniksprånget fortfarande ha varit för stort för att man ska kunna tala om ett genomslag på bred front.

Fältet för AI- forskning grundades redan år 1956 och femton år senare hittade AI även till det medicinska området med växande allmänt intresse och ökande hype. Flera biomedicinska AI-baserade system utvecklades under 1970-talet, men framgångarna uteblev eftersom tekniken inte var tillräckligt utvecklad. I början av 90-talet började AI-fältet dock gradvis ta fart, underbyggt av exponentiell tillväxt i datorernas beräkningskraft (den s.k. Moores lag), snabbare datakommunikation, molnteknik och Big Data som visade att det faktiskt gick att träna AI-modeller för att möjliggöra vetenskapliga genombrott.

Många applikationsområden inom läkemedelssektorn
Artificiell intelligens inom Life Science går en spännande framtid till mötes och potentialen är stor inom många applikationer; påskynda läkemedelsutvecklingen, skära FoU-kostnader, minska felfrekvensen i läkemedelsprövningar och i förlängningen även skapa bättre läkemedel. Det kan också handla om att skala om och ”klona” en läkares kumulativa kunskaper, och utnyttja hundratusentals läkares samlade expertis för att kunna ställa snabbare och säkrare diagnoser för en specifik patient. Ett annat potentiellt användningsområde är att koppla AI till läkemedelsbolagens portföljhantering för ett snabbare och mer effektivt beslutsfattande, analyser av aktuella projekt, affärsmöjligheter, prognoser och konkurrensinformation för att underbygga ledningsbeslut och strategival. 

AI-marknadssektorn befinner sig under en minst sagt explosiv tillväxt i takt med att hälsovården börjar dra nytta av den snabba tekniska utvecklingen: en rapport från amerikanska Winter Research förutspår att sjukhus världen över kommer att spendera cirka 50 miljarder dollar på AI-verktyg drivna av maskininlärning före år 2023, eftersom nyttan och marknadsmöjligheterna blir allt mer uppenbara. Snabbhet, noggrannhet och överkomliga kostnader är enligt rapporten avgörande för beställarna, och utvecklarna levererar på samtliga tre punkter just nu – och än mer de kommande åren.

AI kan stärka läkemedelsbolagens forskning och utveckling
En rapport från McKinsey Global Institute pekar på möjligheter för läkemedelsbranschen att vända en negativ trend med stagnerande pipelines till följd av snävare FoU-budget, genom att i högre grad använda AI, Big Data och maskininlärning. McKinsey uppskattar att tillämpning av Big Data-strategier för att understödja beslutsfattande skulle kunna generera upp till 100 miljarder dollar per år i värde inom USA:s hälsovårdssystem genom att optimera innovationskraften, förbättra forskningseffektiviteten och kliniska prövningar samt skapa nya effektiva verktyg för läkare, konsumenter, försäkringsgivare och tillsynsmyndigheter.

Enligt McKinsey är möjligheterna att utnyttja Big Data särskilt stora inom komplexa affärsmiljöer som läkemedelsindustrin, där data genereras från flera källor. Dels i själva FoU-processen, men även i senare led ute hos återförsäljare, patienter och vårdgivare. Att mer effektivt kunna utnyttja dessa data skulle kunna hjälpa läkemedelsbolagen att bättre identifiera nya potentiella läkemedelskandidater och i slutändan nå marknad både billigare och snabbare.

Avvaktande inställning – jättarna går först
Enligt McKinseys rapport är dock många läkemedelsbolag försiktiga med att göra större investeringar i Big Data-analyser, delvis för att förhållandevis få sektorkollegor ännu har tagit steget och därmed kunnat bevisa dess värdeskapande potential. För de aktörer som vågar ta steget tror analytikerna att det dock kommer att bidra starkt till dessa bolags forskning och utveckling. Några av läkemedelsjättarna har också tagit försiktiga steg för att införliva AI som ett sätt att effektivisera läkemedelsupptäcktsprocessen.

Ett exempel är GlaxoSmithKline, som under 2017 inledde ett samarbete värt 43 miljoner dollar med privatägda Exscientia. Förhoppningen är att deras AI-baserade system ska kunna leverera läkemedelskandidater på ungefär en fjärdedel av tiden och till en fjärdedel av kostnaden jämfört med traditionella tillvägagångssätt. Andra läkemedelsjättar som har börjat använda AI är Merck & Co, Johnson & Johnson samt Sanofi, vilka även de har ett samarbete med Exscientia som också det ingicks förra året. Några bolag som erbjuder tjänster inom AI för läkemedelsbranschen är de amerikanska bolagen Berg, Numerate, TwoXAR och Atomwise, och brittiska BenevolentAI.

Enligt Evaluate Pharma kommer de 20 största läkemedelsbolagen att i genomsnitt öka sina utgifter för FoU med beskedliga +2,4 procent fram till 2022. Den största prognosticerade ökningen står Celgene för med +13 procent, medan andra läkemedelsjättar som Eli Lilly och Gilead Sciences inte spås öka sina satsningar överhuvudtaget under perioden. Sammanställningen tar dock inte hänsyn till dessa bolags eventuella satsningar på AI.

Kan den nya tekniken hjälpa läkemedelsbolagen vid kliniska prövningar?
Prediktiv modellering av biologiska processer och läkemedel har en del kvar att bevisa, och skulle kunna bli betydligt mer sofistikerad och utbredd än idag genom att bättre nyttja molekylära och kliniska data för att identifiera nya potentiella kandidatmolekyler med stor sannolikhet att kunna utvecklas till läkemedel. Kliniska prövningar skulle kunna göras på mindre och mer specifika populationer och därmed bli billigare och mer kraftfulla, om t.ex. genetisk information användes effektivare och patienter därigenom kunde väljas ut med snävare inklusionskriterier. Kliniska studier har därmed potential att bli mer anpassningsbara för att exempelvis reagera på säkerhetssignaler i små men identifierbara subpopulationer av patienter.

De kliniska prövningarna skulle också kunna övervakas i realtid för att snabbt identifiera säkerhetssignaler för att undvika betydande och potentiellt kostsamma problem som biverkningar och onödiga förseningar. I rapporten från McKinsey framhålls även potentialen i att registrera studiedata elektroniskt och vid behov dela datan såväl internt som till externa partners genom alla utvecklingsstadier, från upptäckt till marknad. För att dra största möjliga nytta av den nya tekniken, vilket även sammanfaller med en av de största utmaningarna med läkemedelsutveckling, vill man ha tillförlitliga och konsekventa data som går att hantera och integrera i alla värdesteg från upptäckt till marknadsgodkännande. Detta medför dock även logistiska utmaningar med överföring av stora datamassor, som inte minst bottnar i säkerhetsaspekter.

Målet är att använda all tillgänglig data bättre
Maskininlärningsalgoritmer blir smartare ju mer data de matas med, och om det är något som hälso- och sjukvårdssektorn har i överflöd, så är det data. Men på grund av olika lagringssystem, äganderättsfrågor och integritetshänsyn samt få etablerade processer som gör det möjligt för datasystem att enkelt dela data med varandra, finns det en stor mängd analyser som för närvarande inte görs, men som om de kunde implementeras skulle kunna ge enorma fördelar.

De senaste åren har dock en rad framsteg gjorts, bl.a inom kombinatorisk kemi där många miljoner nya kemiska föreningar har genererats för att utvärderas som möjliga läkemedel. Privata och offentliga databaser med bioaktiviteter och toxiciteter har tilltagit i omfång, samtidigt som framsteg görs inom gensekvensering och multi-omics (analys av Big Data för att enklare hitta nya biomarkörer) vilket har skapat omfångsrika databaser som beskriver gener, proteiner, metaboliter samt kartläggning av sammankopplingar mellan olika biokemiska processer och deras fenotyper.

Big Data inom biovetenskap och en snabb utveckling inom neurala nätverk har också lett till en våg av AI-baserade startups inriktade på läkemedelsupptäckter de senaste tre åren. Ett antal signifikanta AI-samarbeten för läkemedelsupptäckter har utannonserats under de senaste två åren, bland annat mellan Pfizer och IBM Watson, Sanofi Genzyme och Recursion Pharmaceuticals samt ovan nämnda GSK och Exscientia.

Blir 2018 året då AI-baserad läkemedelsutveckling tar fart?
Sammanfattningsvis kan konstateras att de nya teknikmöjligheterna ännu inte slagit igenom fullt ut i läkemedelsbranschen. Det finns hittills inga FDA-godkända läkemedel på marknaden som tagits fram med hjälp av AI. Det är också viktigt att inse att AI-baserade dataanalyser visserligen kan bidra i alla skeden från upptäckt till sen utvecklingsfas, men dessa data kan sannolikt inte bli ett substitut för kemisk syntes, laboratorieexperiment, kliniska studier, och sannerligen – eller ska vi kanske säga troligen – inte heller vad gäller regulatoriska godkännanden.

Branschen har nu tillgång till kraftfulla beräkningstekniker, kommersiellt tillgängliga molnbaserade tjänster, och inte minst omfattande kemiska och biologiska data för att träna AI-modeller. Dagens långt gångna teknikutveckling i kombination med Deep Learning kan ge upphov till nya framsteg i enlighet med Moores lag de kommande åren. Frågan kvarstår huruvida 2018 blir året då läkemedelsbolagen gör sig redo att börja anamma AI fullt ut och allierar sig med teknikbolag i tvärvetenskapliga team. Och om läkemedelsbranschen är redo att börja fasa ut mänskliga hypoteser till förmån för patientdata som det hypotesskapande som leder läkemedelsutvecklingen framåt.