AI創薬の実力は？臨床での成果はまだ乏しいと専門家が指摘
AI in drug discovery — what it is, where we stand and the path forward
AI創薬に関する論文が、臨床への影響はまだ限定的だと指摘。データの質やベンチマークの問題を挙げ、AIの活用は「できること」から「すべきこと」へ焦点を移すべきと提言。第II相試験の成功率向上が重要で、実データの生成や臨床への橋渡しが課題。
「AI創薬におけるAIの焦点は、容易に利用可能だが効果が薄いデータのモデリングから、データ生成を伴うかもしれないが、本当に必要なことを行うことに移行しなければならない」
HNでの議論
89- plaidfuji
> 「AI創薬におけるAIの焦点は、できること（例えば、すぐに入手できるデータのモデリングなど、状況を大きく変える可能性が低いこと）から、やるべきこと（たとえ多大なデータ生成が必要でも）へと移行しなければならない」
それは立派な目標だが、この仕事に関わっている多くの人は、無意識のうちに「お前が先にやれ」と思っているかもしれない。
これはAIが科学全般に対して抱える問題だ。創薬に限った話ではない。応用MLはこの10年で学界に火がつくように広がった。これはLLMブームよりずっと前からだ。それは完璧なハニートラップだ。研究は骨が折れて遅い。MLは近道を提供し、そして何より、データさえあればいい。研究は大量のデータを生み出す！これはまさに天の配剤だろう。
私はこの同じパターンを、様々な立場で少なくとも4、5回は見てきた。
(1) 材料・化学の発見・最適化に対するMLガイドのアプローチを提案する。
(2) 既存のデータ（実データ、実験データ）を集める。
(3) 関心のある出力について、本当に意味のあるデータは50行もないことに気づく。
この時点で、あなたは次のどちらかを選ぶ：
(4a) 従来の方法に戻るが、面目を保つためにMLを使っているという外観を保つ、あるいは
(4b) 計算・シミュレーション作業やハイスループットシステムに方向転換する。それは元の問題からは程遠いが、MLのおもちゃで遊び続けることができる。
これは本当にひどい。私は業界を去った。実際の科学をやっている人々が主導権を取り戻すのにどれだけかかるかわからない（そして […]
- colingauvin
私は中規模のバイオテック企業で構造生物学者をしています。毎日AIツールを使っています。それらは、以前できたことを達成するのをかなり速く、簡単にしてくれます。しかし、以前はできなかった新しいことを魔法のようにできるようにしてくれるわけではありません。
例えば、学術ソフトウェアのインストールやデバッグを手伝ってくれます。大規模なデータセットを扱って、質問するためのスクリプトを書くのを手伝ってくれます。実験のドラフトを見直して、見落としがないか確認するのを手伝ってくれます。6ヶ月ごとに使うような obscure な公式を思い出すのを手伝ってくれます。少なくとも私の経験では、真に斬新な何かを生み出したことはありません。
具体的な例を挙げると、AlphaFoldはキメラ融合タンパク質などの初期モデルを生成するのに素晴らしいです。PDBやCIFファイルをいじくり回して1〜2時間かかっていたことが、今では簡単なプロンプトで済みます。
- arionhardison
本当の勝者は、私のような素人だと思います：
A) 教育を受けていない
B) リソースがない
C) 独学のバイオハッカーになるほど賢くない
誰もが「AIが病気を治す」と聞くと、バイオラボから万能薬の錠剤を想像します。この論文が示唆しているのは、そのトップ・オブ・ファネルが欠けているということだと思います。しかし、私はその底、つまり患者がいる場所にいます。そこではAIはすでに静かに働いています。ただベンチマークされていないだけです。
私は https://crohns.ai を構築しました。フィードバックループ（DDP）を持つAIネイティブの臨床試験マネージャーを作ろうとしていましたが、まったく別の場所にたどり着きました。新しい「薬」を追いかける代わりに（それは経済的にも知的にも完全に私の手の届かないものですが）、私はそれを使ってケアプロトコルを体系化し、解雇され、保険を失い、Skyriziへのアクセスを失った後に、フレアを回避するのに役立てました。
- tim333
Derek Loweの論文に関する議論 https://www.science.org/content/blog-post/so-how-ai-drug-dis...
元々リンクされていたのはこれだと思いますが、何らかの理由で£30のElsevier版に変更されました。
- tim333
> 「臨床的に関連する影響は、これまでのところ、残念ながら限られている」
AIツールが非常に有用になるには、ある閾値に達する必要があるのかもしれません。エコノミストがHassabisにインタビューしたときのように：
> AlphaFold自体は、最初のタンパク質構造を予測するのに6年かかり、その後1年で「科学に知られている2億のタンパク質すべての構造」と彼が言うものを追跡しました。彼は、Isomorphic内でも同様のスピードアップが起こることを期待しています。