Tre tips för att uppnå snabbare upptäckt och utveckling av läkemedel

Av Daniel Tabas, Senior Data Scientist, IDBS

Man kan fråga sig hur en bransch som investerade nära $58 miljarder i teknik under 2022¹ för att upptäcka nya terapier fortsätter att göra det möjligt för läkemedelslaboratorierna att förlita sig på föråldrade och manuella processer och oorganiserad data för att få dessa terapier att utvecklas och kommersialiseras.

Kunniga forskare börjar nu frigöra potentialen i maskininlärning (ML) och artificiell intelligens (AI), digitala tvillingar och annan avancerad analys genom att göra data mer tillgängliga under läkemedlets livscykel och påskynda upptäckt och utveckling av läkemedel.² Men dessa system kommer bara att vara så bra som de data de bygger på. Enligt McKinsey & Company skulle ett förbättrat beslutsfattande kunna leda till att läkemedel kommer ut på marknaden 500 dagar snabbare och 25% billigare.³

Den snabba lanseringen av covid-19-terapier på marknaden visade läkemedelsindustrin att det faktiskt går att korta ner utvecklingstiderna. Development velocity är en ny term som används för att definiera den hastighet med vilken en behandling går från upptäckt till utveckling och kommersialisering.¹ McKinsey säger att "utrymmet från kandidatnominering till prövningsläkemedel utgör en unik möjlighet för accelererad läkemedelsutveckling"³ och att denna snabbare tidslinje kan uppnås med hjälp av digital teknik och avancerad analys.^1,3

I en nyligen utgiven upplaga av Laboratoriechef,² Alberto Pascual, PhD, Director of Data Science & Analytics på IDBS, föreslår att en system för digital analys kan bidra till att påskynda upptäcktsarbetet, och erbjuder följande tre faktorer som labbchefer bör beakta när de tar steget mot digital transformation för att påskynda upptäckt och utveckling av läkemedel.

1. Var ärlig med dina data för att maximera snabbare upptäckt av läkemedel

Innan man ens kan börja fundera på digital teknik är det viktigt att verkligen förstå hur ens data ser ut, hur den hanteras och om den kan kontextualiseras. Pascual pekar på en ledande CDMO som lägger uppemot 95% av sin tid på att rensa data, en process som är nödvändig innan data kan utnyttjas och analyseras och användas på ett meningsfullt sätt. Denna rensning av data kan ofta tillskrivas bristen på standardisering med pappersbaserade system och fördröjer vägen till insikter och upptäckter. Men även laboratorier som har påbörjat sin digitala omvandling kan upptäcka att deras data inte är så rena som de tror. Faktum är att en dataarkitektur kan sakna det sammanhang som behövs för framgångsrikt beslutsfattande eller för att uppfylla lagstadgade krav.

Han rekommenderar att labbchefer använder Verktygslåda för F.A.I.R.⁴ för att bedöma datakvalitet och utnyttja tillgångar. I takt med att life science-industrin fortsätter att omvandlas digitalt strävar F.A.I.R. efter att säkerställa att data är sökbara, tillgängliga, interoperabla och återanvändbara. Effektivare hantering av och samarbete kring data, i synnerhet data som finns i arkiv, kan stärka utvecklingen och påskynda läkemedelsupptäckt och innovation.⁵

För ett laboratorium kan detta innebära att man ansluter instrument, standardiserar data och lagrar data centralt under läkemedlets hela livscykel.² En CDMO berättar för Pascual att datautbytet om en läkemedelsmolekyl kan vara enkelt i de tidiga upptäcktsfaserna, men när läkemedlet går vidare till IND-stadiet är den data som samlas in omfattande och skapar en komplett dossier med information som ska presenteras för tillsynsmyndigheterna. Det är här som en digital ryggrad, som t.ex. IDBS Polar,⁶ kan på ett säkert sätt hantera ett läkemedels utveckling genom hela dess livscykel genom att samla in, strukturera och organisera data från alla processer och operativa aktiviteter för att påskynda tidig produkt- och processinsikt. Plattformen IDBS Polar underlättar korrekt processutförande och samlar in data från utrustning och instrument, vilket ger en sammanställd processcentrerad datastomme.

2. Låt forskarna ta ledningen i den digitala omvandlingsresan

De globala utgifterna för digital transformation inom läkemedelsindustrin förväntas uppgå till $4,5 miljarder år 2030.⁷ Big Pharmas investeringar i dataanalys beräknas öka till $1,2 miljarder fram till 2030, eftersom man utlovar en besparing på 50% i testtid och en förbättring av utvecklingshastigheten med 20%.⁸ Trots möjligheten till snabbare läkemedelsutveckling är laboratorieforskarna fortfarande skeptiska eftersom tekniken oftare har gynnat intressenter utanför laboratoriet än själva laboratoriet, säger Pascual.

Dessutom tenderade tidigare digitala lösningar att bli IT-projekt eftersom målet helt enkelt var att samla in och lagra information för arkiveringsändamål. I dag är målet mycket mer omfattande: att strukturera data för att lösa vetenskapliga problem med hjälp av nya analytiska och statistiska metoder. Detta, säger Pascual, kräver att forskare inom biovetenskap är involverade från början. "En ny läkemedelssubstans definieras av processdata och data; ett verktyg som fungerar bra för forskaren är ett måste", skriver han.

Stora biofarmaceutiska organisationer förlitar sig ofta på att IT ska hantera deras dataanalys och mindre organisationer har ofta inte ens datavetenskap eller analysfunktioner utöver grundläggande IT-stöd. I båda fallen tenderar forskarna inte att dra nytta av analytiska initiativ. Framåtblickande life science-organisationer kommer i stället att se till att de som ansvarar för datainitiativ är ansvariga inför forskarna. Pascual föreslår att detta på ett större företag kan innebära att en IT-grupp integreras med FoU på den digitala transformationsresan. Mindre organisationer kan skapa ett tvärfunktionellt team bestående av IT och forskare.

Enligt en känd CDMO handlar det om att se fördelarna för hela företaget när man ska få ett team att köpa en ny IT-lösning.⁹ Och tidiga synpunkter från företagets läkemedelsforskare var avgörande för att IDBS erbjudande skulle kunna implementeras på ett framgångsrikt sätt. Som ett resultat av detta konstaterade företagets projektledare för Knowledge Management Systems att "folk på laboratoriet verkligen gillar att använda det" ⁹nöjda forskare är avgörande för att digitala verktyg ska bli framgångsrika.

3. Förlita dig på avancerad analys för att få fram djupa och praktiska insikter

Genom att ha forskare med i teamet för digital transformation kan man se till att rätt mål uppnås. En digital omvandling kommer att avslöja både djupa och "sunt förnuft" insikter om dina processer och verksamheter för att göra din organisation mer datacentrerad. Enligt McKinsey & Co. kan en djup insikt ta formen av prediktiv modellering av biologiska processer och läkemedel. Genom att utnyttja mångfalden av molekylära och kliniska data skulle prediktiv modellering kunna identifiera nya potentiella kandidatmolekyler med hög sannolikhet att framgångsrikt utvecklas till läkemedel.¹⁰ I stället för att dessa data förvaras i avdelningarnas silos kan de samlas in elektroniskt och enkelt flöda internt mellan forskning och klinisk utveckling, och externt till CRO-företag (Contract Research Organization) eller CDMO-företag för realtidsanalys och prediktiv analys.¹⁰

Och insikter som bygger på sunt förnuft kan vara precis lika värdefulla. Pascual berättar om en forskares mål med sunt förnuft: "Vilka molekyler kommer inte att fungera - så att vi kan sluta slösa tid på dem?" Om forskaren inte ingår i det digitala adoptionsteamet kanske det här målet inte ens övervägs.

Det är viktigt att samarbeta med laboratorieforskaren för att implementera en datastomme som stöder framtida mål. På så sätt säkerställs att data är kontextuellt lämpliga och kompatibla med andra dataset och andra avdelningar. En välkuraterad ryggrad av kvalitetsdata, som t.ex. IDBS Polar,⁶ säkerställer att data är kompletta, tillgängliga och återanvändbara. IDBS Polar fångar sömlöst data från system, instrument och processer och underlättar modellbaserade insikter för att påskynda läkemedelsupptäckt och utveckling.

Spara halva tiden vid upptäckten

Pascual säger att dessa tre steg är avgörande på vägen mot digital transformation, och att snabbare läkemedelsupptäckt fortfarande är målet. Branschexperter tror att framsteg inom AI och ML kommer att göra detta mål till verklighet. Pågående studier av användningen av dessa avancerade tekniker visar på potentiella tidsbesparingar. Boston Consulting Group (BCG) fann till exempel att upptäckt och prekliniska stadier kan ta i genomsnitt sex år. BCG studerade forskningspipelinen hos 20 AI-intensiva läkemedelsföretag under en tioårsperiod och fann att fem av läkemedelskandidaterna nådde klinisk prövning under historisk tid. I en annan studie fann BCG och forskningsfinansiären Wellcome att AI kan ge 25-50% tids- och kostnadsbesparingar i läkemedelsutvecklingen fram till preklinisk fas.¹¹

Att fånga upp och överföra kunskap från upptäckt till efterföljande kommersialisering är dock fortfarande en av de största utmaningarna inom biofarmacibranschen. Genom att använda en mycket kontextualiserad ryggrad som IDBS Polar, med inbäddad AI/ML, får man insikt och end-to-end-analys, genom modellering och simulering, för att fatta mer exakta och datadrivna beslut.¹² Dessa kompletta och kontextualiserade data i kombination med avancerad analys eliminerar fördomar om "framgångsrika" data för att möjliggöra innovation och påskynda upptäckt och utveckling av läkemedel.

Om du gillade det här blogginlägget, läs mer från Daniel Tabas.

Sex sätt som maskininlärning kommer att förändra den biofarmaceutiska livscykeln

Om författaren

Daniel Tabas arbetar som senior data scientist i Data Science & Analytics-gruppen på IDBS. Han är datavetare med en doktorsexamen i bioinformatik, specialiserad på datavetenskap, Analys och artificiell intelligens, och med stor erfarenhet av biomedicinska/biopharma-områden. Efter sin kandidatexamen i datavetenskap vid Complutense University of Madrid började han på Spanish National Center for Biotechnology, där han arbetade i en core facility-grupp medan han doktorerade i bioinformatik. Senare arbetade han på PerkinElmer som Principal AI Engineer. 

Referenser

1. Forbes Tech Council. (2023, 10 mars). Snabbare läkemedelsutveckling för att hålla jämna steg med läkemedelsupptäckten. Forbes. Hämtad från [https://www.forbes.com/sites/forbestechcouncil/2023/03/10/accelerating-drug-development-to-keep-pace-with-drug-discovery/?sh=34901405a5da]
2. Labbchef. (u.å.). Effektiv datahantering: Nyckeln till att påskynda upptäckt och utveckling av läkemedel. Hämtad från [https://www.labmanager.com/effective-data-management-key-to-accelerating-drug-discovery-and-development-29553]
3. McKinsey & Company. (n.d.). Strävan efter excellens inom utveckling av nya läkemedel. Hämtad från [https://www.mckinsey.com/industries/life-sciences/our-insights/the-pursuit-of-excellence-in-new-drug-development]
4. Pistoia-alliansen. (u.å.). FAIR-implementering. Hämtad från [https://www.pistoiaalliance.org/projects/current-projects/fair-implementation/]
5. Trender för läkemedelsupptäckt. (n.d.). Påskynda FoU med FAIR-data. Hämtad från [https://www.drugdiscoverytrends.com/accelerating-rd-with-fair-data/]
6. IDBS. (u.å.). IDBS Polar. Hämtad från [https://www.idbs.com/polar/]
7. ABI Research. (n.d.). Läkemedelsindustrin kommer att spendera $45 miljarder på digital transformation fram till 2030. Hämtad från [https://www.abiresearch.com/press/pharma-industry-spend-45-billion-digital-transformation-2030/]
8. Bamboo Agile. (n.d.). Digital omvandling av läkemedelsindustrin. Hämtad från [https://bambooagile.eu/insights/pharma-digital-transformation/]
9. IDBS. (2017, mars). IDBS och Lonza samarbetar för att leverera digitala lösningar för biofarmaceutisk utveckling. Hämtad från [https://www.idbs.com/2017/03/lonza/]
10. McKinsey & Company. (n.d.). Hur stora datamängder kan revolutionera FoU inom läkemedelsområdet. Hämtad från [https://www.mckinsey.com/industries/life-sciences/our-insights/how-big-data-can-revolutionize-pharmaceutical-r-and-d]
11. Naturen. (2023). Hur AI revolutionerar läkemedelsupptäckten. Nature, 599(7883), 325-327. [https://doi.org/10.1038/d41586-023-03172-6]
12. IDBS. (2021, juni). Förändrad läkemedelsupptäckt genom artificiell intelligens. Hämtad från [https://www.idbs.com/2021/06/transforming-drug-discovery-through-artificial-intelligence/]