Bước ngoặt BioAI: Chai Discovery và làn sóng đầu tư mới từ ngành dược

Tháng 1 vừa qua, bốn thương vụ lớn về công cụ AI × Pharma đã được công bố tại hội nghị JPM Pharma khổng lồ diễn ra hàng năm ở San Francisco. Chai Discovery (hiện được định giá 4 tỷ USD), công ty được OpenAI hậu thuẫn, bằng cách nào đó đã trở thành tâm điểm dù mới chỉ thành lập được 2 năm.

Đội ngũ The Science tự hào mang đến cho bạn tập podcast đầu tiên với sự tham gia của đồng sáng lập Matt McPartlon và trưởng bộ phận sản phẩm Neil Patil để kể lại toàn bộ câu chuyện!

Lời biên tập viên: không nên nhầm lẫn với Chai AI, một podcast hàng đầu khác của chúng tôi.

Đối với những người không làm trong ngành dược, JPM là hội nghị thường niên của JP Morgan dành cho các thương vụ trong ngành dược phẩm, chiếm trọn một tuần tại San Francisco vào tháng 1 với hàng trăm sự kiện bên lề, v.v. Đây là một sự kiện rất lớn.

Các thương vụ về công cụ cho ngành dược cũng là một điều (mới) lớn lao: các công ty khởi đầu là AI for Pharma thường kết thúc bằng việc tự xây dựng các quy trình phát triển thuốc của riêng mình, và lý do là như thế này: thuyết phục các công ty dược sử dụng công cụ của bạn đòi hỏi bằng chứng rằng công cụ đó hoạt động hiệu quả. Bằng chứng nghĩa là các mục tiêu tốt, có thể kèm theo xác nhận lâm sàng tốt. Nếu bạn có được điều đó, việc huy động vốn (với một lộ trình thương mại hóa đã biết, dù dài hơi) hoặc bán (ví dụ: thanh toán bằng biobucks1) cho một mục tiêu cụ thể sẽ dễ dàng hơn so với việc bán cho nhiều công ty dựa trên lời hứa rằng nó sẽ hiệu quả trên toàn bộ danh mục đầu tư của họ.

Lựa chọn "chúng tôi sẽ chỉ hợp tác / tự xây dựng thuốc của riêng mình" đã chứng tỏ là con đường tốt duy nhất cho đến tháng 1. Điều gì đã thay đổi? Tóm lại, các công cụ đã đủ tốt để các đội ngũ thiết kế thuốc tin tưởng.

Đủ tốt để tin tưởng giúp mở khóa khả năng mở rộng quy mô khám phá: đưa nhiều ứng viên tốt hơn vào phòng thí nghiệm và thử nghiệm trên động vật nhanh hơn. Sàng lọc độc tính nhiều hơn, phân phối tốt hơn, v.v. Điều này có nghĩa là những gì bạn đưa vào thử nghiệm lâm sàng có nhiều khả năng thành công hơn.

Các công cụ cũng mở ra những khả năng mới: các cơ chế rất khó hoặc không thể phát triển bằng cách khám phá dựa trên phòng thí nghiệm. Thiết kế một kháng thể kích hoạt chính xác một chuỗi phân tử cụ thể đòi hỏi nhiều năm thử và sai. Thiết kế các kháng thể lưỡng đặc hiệu (gắn vào hai protein khác nhau) cũng khó khăn tương tự. Các công cụ thiết kế tốt có thể mở khóa điều này.

RJ: Việc chất lượng mô hình tăng vọt đồng nghĩa với việc bạn đang kích hoạt những thứ mà trước đây bạn hoàn toàn không thể làm được. Vì vậy, đó là một bước thay đổi. Đây hoàn toàn không phải là lập luận về hiệu quả, hoặc không hẳn là như vậy.

Matt: Vâng, chính xác. Điều đó khá thú vị, ngay cả đối với chúng tôi — thực ra tôi đã mất một thời gian để tin vào luận điểm này. Tôi đã nói chuyện với Josh hàng tháng trời trước khi Chai bắt đầu... Kiểu như, liệu tôi có thể đánh bại một con chuột, và sau đó tôi có thể làm những gì chuột không làm được không? Và sau đó bạn có thể tiếp tục xây dựng bao nhiêu cấp độ tương tác dựa trên điều đó?

Mọi người tham gia vào không gian cấu trúc / liên kết đều có một góc nhìn ở đây, và một số sẽ tốt hơn những người khác, nhưng Chai đang chỉ ra một chìa khóa mở khác: có được các phân tử tốt ngay từ đầu (nghĩa là sau đó chúng không cần nhiều công sức trong phòng thí nghiệm) đồng nghĩa với thời gian lặp lại nhanh hơn. Điều này biến khoa học thành kỹ thuật: bạn có thể thiết kế các hệ thống của mình để giảm ma sát và leo dốc hướng tới việc tạo ra các phân tử thành công ngay từ lần đầu tiên cho đến khi đưa vào lâm sàng.

Bản thân điều này không phải là một luận điểm mới: a16z đã trình bày một phiên bản của điều này vào năm 2020. Điều đã thay đổi là các mô hình cấu trúc đã trở thành các mô hình liên kết (phân tử này liên kết với phân tử kia tốt như thế nào, hay còn gọi là "ái lực liên kết"). Các mô hình liên kết mở khóa thiết kế, vốn đã liên tục được cải thiện. Quan sát của Chai là đối với các vấn đề kỹ thuật, sản phẩm tốt nhất thường giành chiến thắng, và công nghệ tốt là điều kiện cần nhưng chưa đủ.

Với suy nghĩ đó, Chai đã đầu tư mạnh mẽ vào các mối quan hệ đối tác cho phép họ học hỏi từ các đối tác Pharma của mình.

Điều khá thú vị khi làm việc chặt chẽ và hỗ trợ rất nhiều đối tác này là chúng tôi thực sự hiểu được những gì sẽ hữu ích trong nghiên cứu. Vì vậy, thay vì thực hiện nghiên cứu trong môi trường biệt lập, dựa trên những gì giả định là thú vị, chúng tôi có thể thực hiện nghiên cứu dựa trên thông tin từ những gì các đối tác của chúng tôi đã tự nhiên yêu cầu chúng tôi giúp đỡ.

— Neil Patil, (Trưởng bộ phận sản phẩm Chai)

Điều này có nghĩa là UX tốt hơn, chẳng hạn như trình chỉnh sửa phân tử giống chương trình CAD hoặc thiết kế đồ họa hơn là chatbot.

Cách tiếp cận của họ đã được đền đáp: kể từ tháng 6, Chai đã công bố thêm ba thương vụ lớn: Lilly, Novartis, argenx, cộng với việc mở rộng chương trình Eli Lily của họ. Tập này có quá nhiều khoảnh khắc đáng trích dẫn cho một bài blog ngắn, vì vậy hãy đón nghe để tìm hiểu về

Tại sao các token protein có giá trị hạ nguồn cao nhất trong bất kỳ token nào

Leo lên các cấp độ trừu tượng khi các mô hình cải thiện

Cách Pharma, VC và nghiên cứu đều chỉ là tối ưu hóa danh mục đầu tư

Cách công nghệ tốt hơn thay đổi toàn bộ danh mục đầu tư

Cách sự tập trung không ngừng vào sự đơn giản dẫn đến quy mô

Và nhiều hơn thế nữa!

"Biobucks" là giá trị thương vụ cho các thỏa thuận cấp phép nặng về cột mốc — con số tiêu đề (ví dụ: "thương vụ 1,7 tỷ USD") gần như hoàn toàn phụ thuộc vào việc đạt được các mục tiêu. Thông thường chỉ có 2–5% tổng số là trả trước; phần còn lại chỉ được thanh toán nếu thuốc vượt qua từng cửa ải, và hầu hết các loại thuốc đều không làm được điều đó.

Tôi thực sự nghĩ SolidWorks là một sự so sánh tốt hơn, nhưng PhotoShop lại có độ nhận diện thương hiệu tốt hơn ¯\_ _/¯