Pharma ist das neue Google
Die traditionelle Methode der Arzneimittelentdeckung in der pharmazeutischen Industrie ist gescheitert. Es kommen immer weniger Medikamente auf den Markt. Diese…
Die traditionelle Methode der Arzneimittelentdeckung in der pharmazeutischen Industrie ist gescheitert. Es kommen immer weniger Medikamente auf den Markt. Diese Medikamente werden zu viel höheren Kosten entwickelt als je zuvor, und diese Kosten steigen weiter. Es gibt nur eine begrenzte Anzahl von Wirkmechanismen, die für alle Menschen gleich sind und eine wichtige Erkrankung mit akzeptablen Nebenwirkungen behandeln. Daher hat die Industrie weniger nach „Blockbuster“-Medikamenten gesucht, sondern mehr nach Behandlungen für zunehmend seltene Krankheiten und Störungen. Diese Medikamente für seltene Erkrankungen haben einen höheren Preis und erfordern weniger klinische Testpersonen für ihre Entwicklung. Allerdings sind die Kostenträger möglicherweise nicht bereit, diese Aufschläge zu zahlen.
Die personalisierte Medizin der Zukunft
Allerdings gibt es in der Branche durchaus Anlass zur Hoffnung. Neue Technologien machen eine stärker personalisierte Medizin möglich. Die Kosten für die Sequenzierung der DNA eines Menschen sind inzwischen geringer als die Kosten für eine MRT-Untersuchung(http://time.com/money/2995166/why-does-mri-cost-so-much/). Dies hat dazu beigetragen, dass ein neuer Bereich der Medizin, die Pharmakogenomik, entstanden ist.
Die Pharmakogenomik könnte schon bald die Entwicklung von Medikamenten, medikamentösen Therapien und Biosynthetika ermöglichen, die auf Personen oder Personengruppen mit spezifischen genetischen Variationen ausgerichtet sind. Ein Teilbereich davon, die Onkogenomik, zielt darauf ab, Krebserkrankungen zu bekämpfen, für die bestimmte Personen genetisch anfälliger sind, und gleichzeitig die Toxizität und Tödlichkeit synthetischer Medikamente für jede Person zu steuern. Dieser neue Bereich der personalisierten, auf Gene ausgerichteten Medizin könnte wirksamere Behandlungen ermöglichen und die pharmazeutische Pipeline aus wirtschaftlicher Sicht neu beleben.
Die personalisierte Pharmakogenomik erfordert jedoch, dass sich die derzeitige Situation der Pharmaindustrie ändert. Zunächst einmal erfordert sie neue Geschäftsmodelle. Es wird nicht ausreichen, einfach ein Medikament auf den Markt zu werfen und es zu vermarkten. Stattdessen muss das Pharmaunternehmen stärker in die Behandlung eingebunden werden und kontinuierlich Daten über die Behandlung und die Wirksamkeit der Behandlung sammeln.
Medizin ist Daten
Wenn ein Pharmaunternehmen nicht bereits ein Datenunternehmen auf dem Niveau von Google oder Facebook ist, muss es das jetzt werden. Die gesamte Forschung und Entwicklung, die Behandlung und das Marketing werden eine Unmenge an Daten erzeugen.
Anstatt eines unidirektionalen Prozesses von Forschung, klinischen Studien und anschließender Behandlung in der Praxis wird der Entwicklungsprozess kontinuierlich und stärker auf den Patienten ausgerichtet sein. In dem Maße, wie Patienten behandelt werden und Daten über die Wirksamkeit und die negativen Auswirkungen gesammelt werden, werden neue Ansätze und neue Behandlungen angepasst – auf genomischer Ebene – und auf diesem Weg immer mehr Daten erzeugt. Die Entwicklung dieser Behandlungen wird nicht mehr im Labor, sondern im Computer beginnen. Diese Art von Forschung und Entwicklung findet bereits seit einiger Zeit statt, aber sie wird bald allgegenwärtig und zum Standard werden.
Die Verwaltung und Anpassung dieser Daten an ihren Zweck und ihre Weiterentwicklung im Laufe der Zeit erfordern einen völlig neuen Ansatz, der sich von dem traditionellen Big Data Warehouse oder Big Data Lake unterscheidet. Diese können immer noch ein Teil des Prozesses sein, aber sie sind nicht ausreichend. Dieser neue Ansatz bedeutet, dass wir ständig auf der Suche nach Daten sind, und zwar in Echtzeit, über verschiedene Arten von Datensätzen und in sich ständig weiterentwickelnden Formen.
KI in der Pharmaindustrie
Wenn wir darüber nachdenken, die richtige Verbindung oder Sequenz für ein individuelles Genom zu finden, handelt es sich im Wesentlichen um ein Abgleichproblem über eine große Menge von Daten. Diese Art von Problem ist genau das, wofür KI-Ansätze, wie maschinelles Lernen, entwickelt wurden. Wenn ein Forscher einen Prozess anwendet, aus den Ergebnissen lernt und diese Erfahrung nutzt, um etwas Neues auszuprobieren, ist das genau das, wofür Deep Learning entwickelt wurde.
Das neue Forschungslabor beginnt in einem Computer und erstreckt sich bis in die Praxis. Der neue, wertvollste Forscher in Ihrem Team könnte ein Algorithmus sein. Diese Algorithmen und KI-Modelle könnten die Pharmaindustrie auf die gleiche Weise verändern, wie sie das Finanzwesen und den Hochfrequenzhandel verändert haben.
Ihre biologischen Daten sind Ihre Signale
E-Commerce-Unternehmen wie Amazon und Such-/Datenunternehmen wie Google haben Verhaltenssignale verwendet, z. B. was ein Nutzer angeklickt, durchgeblättert oder gekauft hat, um ein Profil des Nutzerverhaltens zu erstellen und Käufe zu beeinflussen.
In der Medizin gibt es das gleiche Problem. Es gibt biologische Signale (Reaktionen auf Medikamente, Wirkungen, Nebenwirkungen) und Verhaltenssignale (hat der Anwender das Medikament eingenommen, geschlafen, ist er gelaufen), die es zu verfolgen, aufzuzeichnen und zu vergleichen gilt. Die optimale Behandlung kann eine Kombination aus Biologika, Medikamenten und Änderungen des Lebensstils sein, die notwendig sind, um eine optimale Gesundheit zu erreichen, eine Krankheit zu heilen oder zumindest die Symptome einer Krankheit zu lindern. Die gleiche Art von Algorithmen, die Google und Amazon verwenden, um das Verhalten zu beeinflussen, sind auch die Algorithmen, die für eine Behandlung erforderlich sein können.
Wie kann das funktionieren?
Eine zentrale Herausforderung ist die Verwaltung dieser Daten und die Entwicklung, Anwendung und Verfeinerung der Algorithmen und Modelle. Leider erfordern die bestehenden Datensysteme entweder stark strukturierte, statische Ansätze für die Daten oder sind einfach nur große, fette Dateisysteme, bei denen jeder Benutzer alles über jede Datenstruktur lernen muss, bevor er sie nutzen kann. Außerdem erfordern beide Systeme mühsame externe Datenkatalogisierungs- und Kuratierungssysteme.
Das Datensystem der Zukunft für die Pharmaindustrie muss sowohl unstrukturierte Text- oder numerische Daten, halbstrukturierte, veränderbare schematische Daten als auch strukturierte Daten verarbeiten. Die Daten müssen auffindbar sein und sich selbst dokumentieren können. Das Datensystem muss skalierbar sein, da immer größere Datenmengen in Echtzeit erfasst und verwendet werden.
Die Datenumwandlung muss schrittweise erfolgen können und die Anwendung mehrerer sich entwickelnder Algorithmen und Modelle ermöglichen. Die Daten müssen außerdem verteilbar, exportierbar, versendbar und global nutzbar sein. KI-Algorithmen und -Modelle müssen verwaltet, gepflegt, angewendet und getestet werden. All dies erfordert eine ausgereifte, aber zukunftsweisende Plattform.