Integrating artificial intelligence (AI) into the drug discovery phase of pharmaceutical R&D

Capgemini Engineering bringt die passende Mischung aus Data Science, IT und wissenschaftlichen Fähigkeiten mit, um die hohe Komplexität in der pharmazeutischen F&E zu vereinfachen und intelligentere, wertorientierte Innovationen zu ermöglichen.

Kunde: Ein großes, multinationales biopharmazeutisches Unternehmen

Region: UK

Branche: Gesundheitswesen & Life Sciences

Herausforderung des Kunden: Wie alle Unternehmen der Gesundheitsbranche stand auch dieser globale Pharmariese unter enormem Druck, Zeit, Kosten und Komplexität bei der Entwicklung neuer Medikamente zu reduzieren.

Lösung: Über eine langjährige strategische Partnerschaft mit Capgemini, die sich auf Data Science konzentriert, integriert das Pharmaunternehmen durch eine Vielzahl unterschiedlicher, aber miteinander verbundener Projekte zunehmend KI und maschinelles Lernen in die Entdeckungsphase der Arzneimittelentwicklung, um den Prozess zu transformieren.

Nutzen:

  • Erhöhung der Wirksamkeit der entdeckten Medikamente und den Wert des Wirkstoffforschungsprozesses
  • Beseitigung von Kosten, Zeit und Ineffizienzen im Wirkstoffforschungsprozess 
  • Intuitiver Zugang von Forschungsteams zu innovativen Technologien, die ihre wissenschaftliche Expertise maximieren 

Der Bedarf an Geschwindigkeit

Die COVID-19-Pandemie hat ein Licht auf die Notwendigkeit schnellerer Forschungs- und Entwicklungsprozesse (F&E) in den Biowissenschaften geworfen. Derzeit kostet die Markteinführung eines neuen Medikaments mindestens 2 Milliarden Dollar und kann bis zu 10 Jahre dauern. Die Pharmaindustrie ist sich nur allzu bewusst, dass die Entdeckung von Medikamenten, die Durchführung von Studien und die Einführung von Therapien zu komplex, kostspielig und langsam sind: Lebensbedrohliche Viruserkrankungen wie COVID-19 und Ebola haben den Druck erhöht, dies zu ändern.

Einer der großen Pharmakonzerne der Welt wollte mit Hilfe von Data Science und KI den Weg zur Markteinführung neuer Arzneimitteltherapien verbessern. Da sich die gesamte Branche in einem Umbruch befindet war das Rennen um neue Medikamente und neue Indikationen für bestehende Medikamente eröffnet.

Um sicherzustellen, dass er Zugang zu den richtigen Werkzeugen hat, um einen Mehrwert für das gesamte Portfolio und die Entwicklungspipeline des Unternehmens zu schaffen, nutzte der Pharmakunde die bestehende Partnerschaft mit Capgemini, um den Wechsel zu schnelleren und besser vernetzten KI-unterstützten Prozessen in der Arzneimittelforschung zu beschleunigen.

Die Entdeckung vorantreiben

Die Entdeckungsphase der Medikamentenentwicklung beinhaltet die Suche nach Molekülkandidaten, die bei der Behandlung einer Krankheit wirksam sind. Dies ist ein komplexer Prozess, der eine riesige Menge an potenziellen Daten umfasst: Die Anzahl der für das Medikamentendesign verfügbaren niedermolekularen Kandidaten beträgt bis zu 10^60. Das Pharmaunternehmen arbeitete mit Capgemini zusammen, um neue Methoden des maschinellen Lernens zu entwickeln und anzuwenden, um die „Cheminformatik“ zu verbessern: die rechnerischen und mathematischen Techniken, die bei der Analyse von Molekülsammlungen und deren Eigenschaften zum Einsatz kommen. Durch die Kombination von umfassender KI-Expertise mit tiefem Fachwissen war es möglich, Techniken aus scheinbar nicht verwandten Bereichen anzuwenden, um pharmazeutische F&E-Herausforderungen bei der computergestützten Medikamentenmodellierung zu lösen.

Eines der Projekte beinhaltete die Nutzung der neuronalen Netzwerke, die hinter hochmodernen Sprachübersetzungsmethoden stehen, um neue Moleküle zu finden, die das Potenzial haben, die richtigen arzneimittelähnlichen Eigenschaften und biologische Aktivität zu haben. In Zusammenarbeit konnten das Pharmaunternehmen und Capgemini Sprachübersetzungstechniken anwenden, um die Umrisse eines bestehenden Moleküls in ein neues zu „übersetzen“ und so Kandidaten zu generieren, die den Anforderungen entsprechen. Dieser bahnbrechende Ansatz nutzt Techniken des maschinellen Lernens, um das Design und die Verfeinerung dieser Moleküle zu steuern.

Ein zweites Projekt konzentrierte sich auf die Vereinfachung und Beschleunigung von Forschungsabläufen. Inkonsistente Schnittstellen und unterschiedliche Datenanforderungen zwischen den vielen verschiedenen Tools für die Computersimulation des chemischen Raums von Molekülen und ihrer Wechselwirkungen mit Proteinen können es der wissenschaftlichen Gemeinschaft schwer machen, die entsprechenden Technologien zu nutzen und zu pflegen. Um dieses Problem zu lösen, haben das Pharmaunternehmen und Capgemini ein System entwickelt, das das gesamte Spektrum an Werkzeugen zur Generierung von Molekülen, zur Erstellung von Vorhersagen und zur Planung von Experimenten vereint. Dies ermöglicht es den Forschern, ihr wissenschaftliches Fachwissen mit KI-Techniken zu kombinieren, ohne tiefes technisches Wissen über das System selbst zu benötigen.

Eine intelligente Zukunft

Dies sind nur zwei Beispiele dafür, wie das Pharmaunternehmen und Capgemini KI eingesetzt haben, um die Effizienz zu steigern, Komplexität zu bewältigen und schneller Innovationen zu schaffen. Dazu gehört nicht nur die Suche nach neuen molekularen Lösungen, sondern auch nach dem Potenzial, bestehende Medikamente für neue Anwendungen anzupassen. Der Einsatz von KI für die prädiktive Modellierung in den frühen Phasen der Medikamentenentwicklung ermöglicht es den Forschern, mehr molekulare Varianten zu untersuchen und gleichzeitig die Priorisierung zu beschleunigen. Und das hat das Potenzial, die Medikamentenentwicklung zu verändern: die Effektivität dessen, was entwickelt wird, zu erhöhen und Kosten, Zeit und Ineffizienzen des gesamten Prozesses zu reduzieren. Damit demonstriert die Partnerschaft, dass KI ein effektiveres und vertrauenswürdigeres Mittel ist, um mehr Wert aus komplexen Daten in großem Umfang zu gewinnen.

Fallstudie

Pharmazeutische Fallstudie

Download
Herunterladen

WHITE PAPER

Covid-19: effektive Nutzung von Daten und Modellierung, um schnell reagieren zu können

Wie sollten die Life Sciences an Daten herangehen, um schnelle Antworten auf COVID-19 zu liefern?

DOWNLOAD