Anthropic נכנסת לתחום גילוי התרופות כדי להתמקד במחלות מוזנחות

Anthropic מרחיבה את גבולותיה מעבר למודלי שפה גדולים (LLMs) על ידי השקת תוכניות ייעודיות לגילוי תרופות המכוונות למחלות מוזנחות, אשר חברות פארמה גדולות מסורתיות רואות לעיתים קרובות כלא רווחיות. מהלך אסטרטגי זה מנצל את כלי ה-"Claude Science" החדש של החברה כדי להאיץ מחקר פרה-קליני ולשכלל מודלי בינה מלאכותית באמצעות נתונים ביולוגיים מהעולם האמיתי.

Claude Science: האצת תובנות ביולוגיות

ההכרזה על תוכניות אלו התزامנה עם חשיפת "Claude Science", כלי בינה מלאכותית שנועד לטפל בחשיבה מדעית מורכבת. Anthropic הציגה את התועלת המיידית של הכלי באמצעות דוגמאות מרשימות: חוקר ב-UCSF השתמש ב-Claude Science כדי לזהות זיהום ויראלי תוך דקות ספורות – שגיאה שלא נצפתה על ידי צוות אנושי במשך שנה שלמה. יתרה מכך, המודל ניתח 100 מחלות גנטיות נדירות בפחות משעה, וסימן בהצלחה 32 מועמדים לסריקה חישובית.

באמצעות מעורבות ישירה בשלבי הפיתוח המוקדמים של תרופות, Anthropic מתכוונת להשתמש בניסיון מעשי במעבדה (wet lab) כדי לבנות מודלי בינה מלאכותית בעלי יכולות גבוהות יותר ומדויקים יותר מבחינה מדעית, ובכך לגשר על הפער בין חשיבה דיגיטלית למציאות ביולוגית.

צמצום לוחות הזמנים של הפיתוח והשהיה

תעשיית התרופות מתמודדת כיום עם חוסר יעילות עצום. מנכ"ל Novartis, Vas Narasimhan, ציין כי הבאת תרופה לאישור אורכת בדרך כלל שנים שתים-עשרה, תהליך המעכב על ידי השהיה במידע (information latency), השהיה תפעולית (operational latency) והשהיה ביולוגית (biological latency).

בעוד שקשה לקצר את ההשהיה הביולוגית (ניסויים קליניים ובדיקות בבעלי חיים), בינה מלאכותית יכולה להתמקד בשתי הקטגוריות הראשונות, המהוות כ-40% ממחזור הפיתוח. הגישה של Anthropic שואפת לכווץ את לוח הזמנים הכולל משנים שתים-עשרה לשבע או שמונה שנים. בנוסף, על ידי אופטימיזציה של תכונות מולקולריות ושיפור תחזיות בטיחות, בינה מלאכותית עשויה פוטנציאלית להכפיל את שיעורי ההצלחה של תרופות מ-8% הנוכחיים ל-16%. בהתחשב בכך שהתעשייה מוציאה בין 150 ל-200 מיליארד דולר בשנה על מחקר ופיתוח (R&D) עם תפוקה נמוכה יחסית, אפילו שיפורים הדרגתיים אלו מייצגים שינוי עצום בהיתכנות הטיפולית.

מרוץ החימוש הגדל של הבינה המלאכותית בתחום הבריאות

המהלך של Anthropic מציב אותה בתחרות ושיתוף פעולה ישירים בתוך נוף הביוטכנולוגיה המתפתח במהירות. המגזר כבר רואה שחקניות גדולות פורסות מודלים ייעודיים:

  • Google DeepMind & Isomorphic Labs: משתמשות ב-AlphaFold לחיזוי מבנה חלבונים כדי לחולל מהפכה בגילוי תרופות.
  • OpenAI: מתרחבת לכלי עבודה ממוקדי-מטופל עם ChatGPT Health, המשלב רשומות רפואיות ונתוני Apple Health.
  • Google DeepMind (Clinical): נעה לעבר מודלים של "AI Co-Clinician" שנועדו לתמוך ברופאים באמצעות טיפול משולש (triadic care).

בעוד הפוטנציאל לטיפולים פורצי דרך הוא עצום, מומחים כמו Catherine Pope מאוניברסיטת אוקספורד מזהירים כי מודלי בינה מלאכותית עדיין חייבים להוכיח שהם יכולים לנווט ב"עולם האנושי, המורכב והמבולגן" של הפרקטיקה הקלינית בפועל.

נקודות מפתח

  • התמקדות בנישות לא רווחיות: Anthropic מתמקדת במחלות מוזנחות כדי לממש את משימתה ולאסוף נתונים ביולוגיים באיכות גבוהה לאימון מודלים.
  • שיפור ביעילות: גילוי תרופות מונע בינה מלאכותית שואף לצמצם את לוחות הזמנים של הפיתוח בעד ארבע שנים ולהכפיל פוטנציאלית את שיעורי ההצלחה הקליניים.
  • תיקוף מדעי: כלים כמו Claude Science כבר מפגינים יכולת לבצע משימות מורכבות, כגון ניתוח של 100 מחלות נדירות בפחות משעה.