Daten lassen Pharmaunternehmen früh, schnell und billig scheitern

Pharmaunternehmen sind im Geschäft mit Daten. Bei jedem Schritt zur Entwicklung einer neuen Behandlung werden Daten gesammelt, um den Prozess,…

Pharmaunternehmen sind im Geschäft mit Daten. Bei jedem Schritt zur Entwicklung einer neuen Behandlung werden Daten gesammelt, um den Prozess, die Wirksamkeit, die Sicherheit einer Behandlung und die Art und Weise, wie ein Medikament vermarktet, bepreist oder verkauft wird, zu verbessern.

Eine der größten Herausforderungen für die Pharmaindustrie bei der Entwicklung von Medikamenten ist es, herauszufinden, welcher Wirkstoff an welchen Rezeptor in welchem System binden könnte, um den gewünschten therapeutischen Nutzen zu erzielen – und welche Nebenwirkungen auftreten könnten. Wenn ein Datenwissenschaftler über diese Art von Problem nachdenkt, sieht er es als ein Klassifizierungsproblem. Das bedeutet, dass dieselbe Art von Klassifizierungsalgorithmus, der Produkte im Online-Katalog eines Einzelhändlers findet oder potenziellen Betrug bei Finanzdienstleistungen aufdeckt, dabei helfen kann, das nächste lebensrettende Medikament zu finden.

Das Massachusetts Institute of Technology (MIT) verwendet eine Deep-Learning-Technik, um in einer Datenbank mit Molekülkandidaten Marker für die Toxizität zu identifizieren. Angesichts der Tatsache, dass 90 % der kleinen Moleküle in den ersten Phasen der Forschung oder Entwicklung an ihrer Toxizität oder Wirksamkeit scheitern, ist alles, was dazu beiträgt, Kandidaten schon vorher auszuschließen, ein erheblicher Kostenvorteil.

Auch andere KI-Modelle können verwendet werden, um Kandidaten und Fragmente zu finden, die in zukünftigen Medikamenten verwendet werden können. Merck hat ein Projekt namens Atomwise, das eine ähnliche Technik verwendet, um Milliarden von Verbindungen nach Kandidaten zu durchsuchen, die für wirksame und sichere Behandlungen in Frage kommen könnten.

Denken Sie an die Vorteile von KI-Techniken wie maschinelles Lernen:

• Finden Sie ein Präparat unter einer Milliarde, das bei der Behandlung einer Krankheit wirksam ist.
• Entdecken Sie, dass ein Kandidat wahrscheinlich toxisch für den Menschen ist, bevor Sie eine IND oder eine klinische Studie der Phase 1 einreichen
• Erkennen Sie Anomalien in den Daten klinischer Studien in Echtzeit.

Die Belohnungen sind groß, aber auch die Herausforderungen. Die Daten in der pharmazeutischen Entwicklung, von den Datenbanken bis zu den CROs, sind isoliert und in unterschiedlichen Formaten. Oft sind die Daten sogar falsch gekennzeichnet und diese Fehler verbreiten sich weiter. Darüber hinaus haben Life Sciences-Unternehmen viel in Technologien wie Hadoop investiert, die ihr Versprechen, Daten über den gesamten Lebenszyklus der pharmazeutischen Forschung und Entwicklung hinweg zugänglich zu machen, nicht einhalten konnten. Stattdessen bieten diese Lösungen einen langsamen, undurchschaubaren Zugriff für jeweils nur wenige Personen und in der Regel nur, wenn ein Dateningenieur in der Nähe ist.

Die nächsten Schritte für Daten in den Biowissenschaften sind:

• Verwendung bewährter Datentechnologien, die das Speichern und den Zugriff auf Daten schnell, effizient und einfach machen.
• Der Einsatz von KI-Technologien, nicht nur um Moleküle zu finden, sondern um Fehler in den Daten selbst zu finden.
• Setzen Sie maßgeschneiderte Tools ein, die einen visualisierten Zugang über den gesamten Entdeckungs-, Entwicklungs- und Vermarktungsprozess hinweg bieten.

Auf diese Weise können Benutzer in allen Phasen der Entdeckung, Entwicklung und Vermarktung Daten einsehen, die sie verstehen. Die Datenqualität wird sich mit der Zeit verbessern. Der Zugang wird billiger, schneller und effizienter sein.

In einem vernetzten Biowissenschaftsunternehmen wird das nächste lebensrettende Medikament vielleicht zuerst von einem Algorithmus gefunden, bevor es von einem Forscher geprüft wird. Das nächste Torcetrapib könnte schon früh in Phase 1 eliminiert werden oder vielleicht sogar bevor die erste Ratte es probiert hat. Ob es sich um eine neue Entdeckung handelt oder darum, die Verluste bei einem bösartigen Molekül zu reduzieren – Daten könnten Leben und Geld retten.

Erfahren Sie mehr:

• Download ebook „Connecting the Dots: Datenanwendungen für die lebensrettende Forschung“
• Melden Sie sich für unser Webinar „Daten aus klinischen Studien verstehen“ an .
• Kontaktieren Sie uns, wir helfen Ihnen gerne!