Στη Σίλικον Βάλεϊ, υπάρχει ένας άγραφος νόμος που λατρεύουν οι επενδυτές: Ο νόμος του Moore. Κάθε δύο χρόνια, η υπολογιστική ισχύς διπλασιάζεται και το κόστος πέφτει. Είναι η ατμομηχανή που μας έφερε από τα mainframes στα smartphones. Όμως, αν ταξιδέψετε λίγα χιλιόμετρα μακριά, στα εργαστήρια βιοτεχνολογίας της Βοστώνης ή της Βασιλείας, θα συναντήσετε τον σκοτεινό «καθρέφτη» αυτού του νόμου. Τον αποκαλούν Νόμο του Eroom (Moore ανάποδα).
Ο νόμος του Eroom είναι ο εφιάλτης κάθε φαρμακοβιομηχανίας: Παρά την εκρηκτική πρόοδο στην τεχνολογία, η ανακάλυψη νέων φαρμάκων γίνεται όλο και πιο αργή, όλο και πιο ακριβή. Σήμερα, το ταξίδι ενός φαρμάκου από τον δοκιμαστικό σωλήνα στο ράφι του φαρμακείου κοστίζει κατά μέσο όρο 2,5 δισεκατομμύρια δολάρια και διαρκεί πάνω από 10 χρόνια. Και το χειρότερο; Το 90% των υποψήφιων φαρμάκων αποτυγχάνει στις κλινικές δοκιμές.
Αυτό δεν είναι επιχειρηματικό μοντέλο. Είναι ρωσική ρουλέτα με δισεκατομμύρια.
Όμως, κάτι αλλάζει. Μια «σιωπηλή επανάσταση» λαμβάνει χώρα στα έγκατα των R&D τμημάτων κολοσσών όπως η Takeda, η Pfizer και η Sanofi. Μια επανάσταση που υπόσχεται όχι απλώς να σπάσει τον νόμο του Eroom, αλλά να μετατρέψει τη βιολογία από εμπειρική επιστήμη σε πρόβλημα μηχανικής (engineering problem). Καλώς ήρθατε στο «Αχαρτογράφητο Σύνορο» της Τεχνητής Νοημοσύνης στην Ανακάλυψη Φαρμάκων (AI Drug Discovery).
Ο Φοίνικας της Takeda – Όταν το AI σώζει την παρτίδα
Ο Andy Plump, Πρόεδρος Έρευνας & Ανάπτυξης (R&D) της Takeda, είναι ένας από τους πιο σεβαστούς “σοφούς” της βιομηχανίας. Πρόσφατα, σε ένα άρθρο-σταθμό στο LinkedIn, αλλά και σε δημόσιες τοποθετήσεις του, περιέγραψε μια στιγμή που συνοψίζει όλη την ουσία της εποχής μας.
Η Takeda βρισκόταν σε αδιέξοδο με ένα πολλά υποσχόμενο αντίσωμα. Στα χαρτιά ήταν τέλειο. Στην πράξη, όμως, το μόριο “κατέρρεε” όταν προσπαθούσαν να το παράγουν σε κλίμακα. Σχημάτιζε συσσωματώματα (aggregates), καθιστώντας το άχρηστο ως φάρμακο. Η ομάδα είχε δοκιμάσει τα πάντα. Η παραδοσιακή επιστήμη σήκωσε τα χέρια ψηλά. Το project ήταν έτοιμο να ακυρωθεί, πετώντας εκατομμύρια δολάρια και χρόνια έρευνας στα σκουπίδια.
Τότε, στράφηκαν σε μια startup τεχνητής νοημοσύνης, τη Nabla. Ρώτησαν τον αλγόριθμο: “Μπορείς να διορθώσεις αυτό το μόριο;”
Η απάντηση ήρθε σε χρόνο ρεκόρ. Το AI πρότεινε αλλαγές που κανένας άνθρωπος βιοχημικός δεν θα μπορούσε να φανταστεί – ή θα χρειαζόταν “ένα εκατομμύριο χρόνια” για να βρει, όπως χαρακτηριστικά είπε ο Plump. Το αποτέλεσμα; Το φάρμακο σώθηκε. “Σαν φοίνικας που αναγεννιέται από τις στάχτες του”, δήλωσε ο Plump.
Αυτό το περιστατικό δεν είναι ανέκδοτο. Είναι η απόδειξη concept (Proof of Concept) για το πώς το AI δεν είναι απλώς ένα εργαλείο ταχύτητας, αλλά ένα εργαλείο διάσωσης αξίας.
AlphaFold 3 – Το “Google Maps” της Βιολογίας
Για να καταλάβουμε το μέγεθος της αλλαγής, πρέπει να κοιτάξουμε την τεχνολογία πίσω από τον θόρυβο. Μέχρι πρόσφατα, το να βρεις το σχήμα μιας πρωτεΐνης (το οποίο καθορίζει τη λειτουργία της και το πώς αλληλεπιδρά με τα φάρμακα) ήταν δουλειά για κατόχους Νόμπελ. Χρειαζόταν κρυσταλλογραφία ακτίνων Χ και χρόνια πειραμάτων.
Η DeepMind της Google το άλλαξε αυτό για πάντα με το AlphaFold. Το σύστημα αυτό έλυσε το “πρόβλημα αναδίπλωσης των πρωτεϊνών”, κάτι που θεωρούνταν το Ιερό Δισκοπότηρο της βιολογίας για 50 χρόνια.
Σήμερα, με το AlphaFold 3 και τις κινήσεις της Isomorphic Labs (το spin-off της DeepMind για φάρμακα), δεν μιλάμε απλώς για πρόβλεψη πρωτεϊνών. Μιλάμε για την πρόβλεψη του πώς μια πρωτεΐνη συνδέεται με το DNA, το RNA ή ένα μικρό χημικό μόριο (ligand). Είναι σαν να προσπαθείς να φτιάξεις ένα κλειδί (φάρμακο) για μια κλειδαριά (ασθένεια) και ξαφνικά κάποιος να σου δίνει το τρισδιάστατο σχέδιο της κλειδαριάς με ακρίβεια ατόμου.
Αυτό επιτρέπει στις εταιρείες να κάνουν “in silico” (στον υπολογιστή) δοκιμές δισεκατομμυρίων μορίων, πριν καν αγγίξουν δοκιμαστικό σωλήνα. Το Generative AI δεν γράφει μόνο ποιήματα ή κώδικα Python· τώρα «γράφει» νέες χημικές ενώσεις που δεν υπάρχουν στη φύση.
Ο πολιτισμικός εμφύλιος – Wet Lab vs. Dry Lab
Εδώ όμως αρχίζει το πραγματικό δράμα, και είναι ένα μάθημα για κάθε Startupper που θέλει να πουλήσει B2B λύσεις σε μεγάλους οργανισμούς. Όπως επισημαίνει ο Andy Plump, το μεγαλύτερο εμπόδιο δεν είναι η τεχνολογία (η GPU ισχύς υπάρχει). Το εμπόδιο είναι οι άνθρωποι.
Φανταστείτε δύο φυλές σε έναν οργανισμό:
- Το Wet Lab: Βιολόγοι με λευκές ρόμπες, πιπέτες και μικροσκόπια. Εμπιστεύονται αυτό που βλέπουν. Έχουν μάθει να αποτυγχάνουν αργά και μεθοδικά.
- Το Dry Lab: Data Scientists με hoodies, Python scripts και servers. Εμπιστεύονται τα δεδομένα. Θέλουν να “σπάσουν” τα πράγματα γρήγορα (move fast and break things).
Η ενσωμάτωση του AI απαιτεί αυτοί οι δύο κόσμοι να μιλήσουν την ίδια γλώσσα. Οι βιολόγοι πρέπει να σταματήσουν να βλέπουν το AI ως «μαύρο κουτί» που απειλεί την επιστημονική τους κρίση, και οι data scientists πρέπει να καταλάβουν ότι η βιολογία είναι χαοτική και τα δεδομένα συχνά «βρώμικα» ή ελλιπή.
Η επιτυχία της Takeda και άλλων (όπως η Moderna που σχεδίασε το εμβόλιο COVID σε 48 ώρες ψηφιακά) οφείλεται στη δημιουργία «δίγλωσσων» ομάδων. Ο μελλοντικός ηγέτης της φαρμακευτικής πρέπει να καταλαβαίνει τόσο από ένζυμα όσο και από νευρωνικά δίκτυα.
Eroom’s Law is broken – Το business case των τρισεκατομμυρίων
Γιατί να ενδιαφερθεί ένας Startupper; Επειδή εδώ βρίσκεται ίσως η μεγαλύτερη ευκαιρία δημιουργίας πλούτου της δεκαετίας.
Η αγορά του AI στο Drug Discovery προβλέπεται να τρέχει με ετήσιο ρυθμό ανάπτυξης (CAGR) άνω του 25%, φτάνοντας τα 13 δισ. δολάρια μέχρι το 2033 (σύμφωνα με την Grand View Research). Αλλά το νούμερο αυτό είναι παραπλανητικό. Η πραγματική αξία είναι στα φάρμακα που θα παραχθούν.
Σκεφτείτε το ως εξής:
- Μείωση Κόστους: Αν το AI μπορεί να προβλέψει την τοξικότητα ενός μορίου πριν αυτό μπει σε κλινικές δοκιμές σε ανθρώπους, γλιτώνει την εταιρεία από μια αποτυχία που κοστίζει εκατοντάδες εκατομμύρια.
- Αύξηση PoS (Probability of Success): Σήμερα, η πιθανότητα επιτυχίας είναι ~10%. Αν το AI την ανεβάσει στο 20%, διπλασιάζει την παραγωγικότητα όλης της βιομηχανίας.
Δεν είναι τυχαίο ότι η Sanofi συνεργάζεται με την OpenAI, η AstraZeneca με την Verge Genomics και η NVIDIA έχει φτιάξει το BioNeMo, μια πλατφόρμα ειδικά για Generative AI στη βιολογία. Οι Tech Giants θέλουν να γίνουν οι «πλατφόρμες» πάνω στις οποίες θα τρέξει η βιολογία του μέλλοντος.
Οι “χρυσοθήρες” και οι πωλητές φτυαριών
Για τους αναγνώστες του Startupper MAG, το μήνυμα είναι σαφές. Δεν χρειάζεται να είστε η Takeda για να κερδίσετε σε αυτό το παιχνίδι. Το οικοσύστημα διψά για λύσεις:
- Data Cleaning & Governance: Το AI είναι τόσο καλό όσο τα δεδομένα του (Garbage In, Garbage Out). Υπάρχει τεράστια ανάγκη για startups που καθαρίζουν, τυποποιούν και οργανώνουν τα βιοϊατρικά δεδομένα ώστε να είναι “AI-ready”.
- Niche Models: Αντί για ένα γενικό μοντέλο για τα πάντα, startups αναπτύσσουν μοντέλα ειδικά για σπάνιες παθήσεις ή συγκεκριμένους τύπους καρκίνου.
- Clinical Trial Optimization: Χρήση AI για να βρεθούν οι κατάλληλοι ασθενείς για τις κλινικές δοκιμές γρηγορότερα (patient recruitment), μειώνοντας τον χρόνο της πιο ακριβής φάσης της έρευνας.
Η Βιομηχανική Επανάσταση της Βιολογίας
Ζούμε σε μια στιγμή που θα μνημονεύεται στα βιβλία ιστορίας της ιατρικής. Όπως η βιομηχανική επανάσταση πήρε τη χειρωνακτική εργασία και την έκανε μηχανική, έτσι και το AI παίρνει τη διανοητική εργασία της ανακάλυψης φαρμάκων και την κάνει υπολογιστική.
Ο Andy Plump μιλάει για «διάσχιση αχαρτογράφητων συνόρων». Είναι μια τρομακτική αλλά και συναρπαστική διαδρομή. Για πρώτη φορά στην ιστορία, έχουμε τα εργαλεία να σχεδιάσουμε τη θεραπεία, αντί να ελπίζουμε να τη σκοντάψουμε τυχαία σε ένα εργαστήριο.
Για τους founders εκεί έξω: Το επόμενο “Unicorn” μπορεί να μην είναι ένα social media app. Μπορεί να είναι ο αλγόριθμος που θα θεραπεύσει το Αλτσχάιμερ. Και αυτό, φίλοι Startuppers, είναι το πιο ευγενές Exit Strategy που υπάρχει.
Το άρθρο δημοσιεύτηκε για πρώτη φορά στο Startupper MAG #69
