De farmaceutische industrie discussieert al jaren over de vraag of kunstmatige intelligentie geneesmiddelenontdekking kan versnellen.
De discussie verschuift nu van theorie naar implementatie.
Novo Nordisk kondigde deze maand een samenwerking met Anthropic aan om Claude en Claude Science te gebruiken in wetenschappelijk onderzoek en workflows voor geneesmiddelenontwikkeling.
Tegelijkertijd proberen AI-native biotechbedrijven het proces van geneesmiddelenontdekking vanaf de basis opnieuw te ontwerpen rond kunstmatige intelligentie.
Een van de meest opvallende voorbeelden komt van Stanford-onderzoekers, die onlangs een virtuele biotechorganisatie beschreven die tienduizenden AI-agenten inzet op verschillende gebieden van geneesmiddelenontwikkeling.
Ondertussen kondigde Insilico Medicine onlangs de eerste toediening bij een patiënt aan in een fase III-onderzoek voor een geneesmiddel dat is ontdekt met behulp van zijn generatief-AI-platform.
De belangrijke verschuiving is duidelijk:
AI komt dichter bij het punt waarop farmaceutische hypothesen echte medicijnen worden.
Waarom dit belangrijk is
Geneesmiddelenontdekking is duur omdat biologie ingewikkeld is.
Onderzoekers moeten enorme chemische en biologische ruimtes doorzoeken, veelbelovende targets identificeren, moleculen ontwerpen, ze testen en uiteindelijk bepalen of die moleculen bij mensen kunnen werken.
AI kan mogelijk de hoeveelheid menselijke tijd verminderen die nodig is om die mogelijkheden te verkennen.
Maar er is een belangrijk onderscheid.
AI kan hypothesen genereren.
Het kan de biologie niet wegnemen.
Uiteindelijk moeten moleculen nog steeds experimenten en klinische onderzoeken doorstaan.
Daarom zijn de belangrijkste ontwikkelingen misschien niet de meest spectaculaire AI-demonstraties.
Het kunnen de systemen zijn die computationele methoden succesvol verbinden met experimentele validatie.
Het opkomende model
Het traditionele model ziet er ongeveer zo uit:
Wetenschappers → hypothese → experiment → analyse → volgende hypothese
Het AI-native model zou in toenemende mate zo kunnen uitzien:
AI-agenten → duizenden hypothesen → prioritering → experiment → data → AI-agenten → volgend experiment
Mensen blijven essentieel.
Maar het aantal hypothesen en iteraties zou drastisch kunnen toenemen.
Onze visie
Als AI erin slaagt de kosten en tijd die nodig zijn om medicijnen te ontdekken te verlagen, zou de economische impact enorm kunnen zijn.
Maar we moeten voorzichtig zijn met het woord ‘revolutie’.
De gezondheidszorg kent een lange geschiedenis van technologieën die in het laboratorium transformatief leken en in de klinische realiteit veel moeilijker op te schalen bleken.
De echte mijlpaal is daarom niet:
‘AI heeft een molecuul ontworpen.’
Het is:
‘AI heeft geholpen een medicijn voort te brengen dat veilig werkt bij patiënten.’
Dat is de maatstaf die wij in de gaten zullen houden.