Übersicht
Exscientia setzt während des gesamten Design-Make-Test-Learn-Zyklus (DMTL) generative künstliche Intelligenz (KI) ein, um schnell und relativ kostengünstig neue Therapien für Patienten zu entwickeln. Herkömmliche Methoden zur Wirkstoffforschung können bis zu 15 Jahre dauern und über 2 Milliarden Dollar kosten. Die durchschnittliche Ausfallrate liegt bei 90—96 Prozent, da Wissenschaftler unter 1060 bioverfügbaren kleinen Molekülen nach bestimmten Wirkstoffkandidaten suchen. Die innovative DMTL-Lösung von Exscientia basiert auf Amazon Web Services (AWS) und umfasst In-Silico-Design, d. h. die Verwendung generativer KI-Algorithmen zur Entwicklung von Wirkstoffen in der Cloud, sowie automatisierte Roboter, die Wirkstoffkandidaten in einem Labor herstellen. „Wir nutzen generative KI, um Effizienz und Effektivität zu erreichen“, sagt David Hallett, Interim-CEO und Chief Scientific Officer von Exscientia. „Indem wir die molekularen Features eines sicheren und wirksamen Medikaments in silico vorhersagen, minimieren wir die Anzahl der kostspieligen Experimente. Unsere Plattform, die wir in Zusammenarbeit mit dem AWS-Team entwickelt haben, ist auf Geschwindigkeit optimiert. Wir können viele DMTL-Lernschleifen wiederholen und unsere Arzneimittelkandidaten mit jeder Iteration verbessern.“
Über Exscientia
Exscientia ist ein technologiegetriebenes Unternehmen für Arzneimitteldesign und -entwicklung, das sich zum Ziel gesetzt hat, wirksamere Medikamente für Patienten schneller zu entwickeln. Exscientia kombiniert Präzisionsdesign mit integrierten Experimenten mit dem Ziel, die bestmöglichen Medikamente auf die effizienteste Weise zu erfinden und zu entwickeln.
Einsatz generativer KI für eine effizientere und kostengünstigere Entdeckung von Arzneimitteln
Ausgehend von den Bedürfnissen der Patienten definiert Exscientia präzise Zielproduktprofile (Target Product Profiles, TPPs), die die komplexe Kombination von Eigenschaften spezifizieren, die für ein gut verträgliches und wirksames Medikament erforderlich sind. KI-Ingenieure entwickeln Algorithmen, die Panels potenzieller Arzneimittelkandidaten generieren, die den TPPs entsprechen. Aktive Lernalgorithmen helfen den Experten bei der Auswahl einer kurzen Liste von Arzneimittelkandidaten, die im Labor synthetisiert werden sollen, weil sie entweder die TPPs vorantreiben oder die Modelle für zukünftige DMTL-Zyklen verfeinern.
Die Algorithmen von Exscientia werden auf öffentlich zugänglichen Pharmakologiedaten und firmeneigenen Daten trainiert, die aus Gewebeproben von Patienten, Genomik, Einzelzell-Transkriptomik und medizinischer Literatur stammen. Durch die Kodierung von Daten während des gesamten Prozesses und die Analyse von Versuchsergebnissen und früheren Entwicklungszyklen kann Exscientia kommende Entwicklungszyklen optimieren und die Entwicklung von Wirkstoffen fördern, die physikalisch synthetisierbar sind. Mit diesem auf AWS aufbauenden, iterativen Syntheseansatz stellt Exscientia 10 Mal weniger Verbindungen her als der Branchendurchschnitt. „Die Idee ist es, chemische Details abzuklären, um sicherere und wirksamere Arzneimittelkandidaten zu entwickeln, bevor wir sie überhaupt an Patienten testen“, sagt Hallett.
Exscientia hat die Entwicklung von Medikamenten um bis zu 70 Prozent beschleunigt und gleichzeitig die Kapitalkosten um 80 Prozent gesenkt, verglichen mit dem Branchendurchschnitt. Durch den Einsatz generativer KI in Verbindung mit anderen Tools konnte Exscientia nicht nur schneller bessere Arzneimittelkandidaten entwickeln, sondern auch die richtigen Arzneimittelkombinationen für die klinische Erprobung an Patienten ermitteln.
Zeit- und Kostenersparnis durch automatisierte Robotik zur Herstellung besserer Medikamente
Exscientia hat modernste Laborgeräte für chemische Synthese und biologische Tests mit Automatisierungsrobotern kombiniert, um die manuelle Handhabung der Laborgeräte zu vermeiden. So kann das Labor – gesteuert durch AWS-Microservices - rund um die Uhr mit minimaler menschlicher Aufsicht arbeiten. „Wenn unsere Entwürfe fertig sind, können wir einen Knopf drücken, und innerhalb weniger Tage stellen die Roboter das Medikament her“, sagt Hallett. Durch die Aufrechterhaltung eines extrem hohen Sicherheitsniveaus und eine umfassende Notfallwiederherstellung wird Exscientia diese automatisierte Roboterfunktion nutzen, um die Herstellungs- und Testzeiten zu verkürzen, die bei herkömmlichen Offshore-Forschungsverträgen in der Branche üblich sind.
Das Unternehmen erwartet weitere Produktivitätssteigerungen, wenn es den Kreislauf mit seinem Roboter-Automatisierungslabor schließt. Die im Labor generierten Daten verbessern algorithmische Vorhersagen und beschleunigen die DMTL-Zyklen.
Einführung von KI-entwickelten Molekülen in klinische Studien
Sechs Moleküle, die Exscientia mithilfe von KI entwickelt hat, wurden in klinische Studien aufgenommen. „Mit AWS reduzieren wir Engpässe und beschleunigen die Pipeline“, sagt Hallett. „Indem wir diese hochintegrierte und automatisierte DMTL-Schleife einschalten, können wir Arzneimittelkandidaten schneller und kostengünstiger entwickeln.“
Mithilfe von AWS reduzieren wir Engpässe und beschleunigen die Pipeline.
David Hallett
Interims-CEO und Chief Scientific Officer, ExscientiaHaben Sie die gewünschten Informationen gefunden?
Ihr Beitrag hilft uns, die Qualität der Inhalte auf unseren Seiten zu verbessern.