Predictive Oncology достигает прорыва в разработке лекарств с помощью ИИ, использующего натуральные соединения

Predictive Oncology достигла важного этапа в своей миссии революционизировать разработку противораковых препаратов с помощью искусственного интеллекта. Компания успешно разработала предиктивные модели машинного обучения на основе 21 уникального природного соединения, полученного из Центра открытия природных продуктов Университета Мичигана, продемонстрировавшие устойчивую противоопухолевую активность, превосходящую эффективность стандартного противоракового препарата доксорубицина. Этот прогресс является ощутимым шагом вперёд в разработке фармацевтических средств с использованием ИИ и может значительно ускорить сроки открытия новых лекарств.

Сотрудничество между Predictive Oncology и известным исследовательским центром Университета Мичигана показывает, как академические и промышленные партнерства могут использовать передовые вычислительные методы в сочетании с фармацевтическими инновациями. В рамках исследования эти новые соединения тестировались на живых клеточных образцах опухолей трёх ключевых типов рака — молочной железы, толстой кишки и яичников, что свидетельствует о широком терапевтическом потенциале.

Как модель машинного обучения Predictive Oncology превзошла традиционные показатели

Основной вывод заключается в том, что три соединения постоянно показывали более сильные ответы опухолевых образцов по сравнению с доксорубицином во всех протестированных типах опухолей. Еще четыре соединения проявили особенно сильные реакции в отдельных моделях рака, а семь других показали многообещающие «хиты» в нескольких категориях опухолей. По словам доктора Арлетты Уйлейн, старшего вице-президента по трансляционной медицине и разработке лекарств в Predictive Oncology, эти результаты подтверждают способность платформы выявлять действительно перспективные кандидаты.

Что отличает это исследование, так это не только обнаружение активных соединений, но и эффективность, с которой платформа PEDAL компании достигла этого. Она способна с точностью 92% предсказать, будет ли опухолевый образец реагировать на конкретное лекарственное соединение, что позволяет исследователям принимать обоснованные решения о том, какие комбинации лекарств и опухолей стоит дополнительно изучать.

Парадокс эффективности: почему 7% тестов дают прогноз для 73% экспериментов

Возможно, наиболее поразительным аспектом исследования Predictive Oncology является резкое сокращение необходимой лабораторной работы. Проведя всего 7% от теоретически возможных экспериментов в лаборатории, предиктивная модель машинного обучения дала уверенные прогнозы, охватывающие 73% всех потенциальных результатов экспериментов. Эта эффективность может сэкономить до двух лет в процессе разработки лекарств — значительное ускорение в отрасли, где традиционно разработка занимает десятилетия.

Эта возможность напрямую решает одну из главных проблем фармацевтических исследований — огромные затраты и временные ресурсы на полное тестирование. Выявляя наиболее вероятных кандидатов на ранних этапах, Predictive Oncology позволяет сосредоточить ресурсы на наиболее перспективных соединениях, а также потенциально перенаправлять их на другие препараты или терапевтические области.

Коллаборация с библиотекой природных продуктов и доступ к фармацевтическому разнообразию

Партнерство с Центром открытия природных продуктов Университета Мичигана даёт Predictive Oncology доступ к одной из самых обширных библиотек природных соединений, пригодных для разработки лекарств в США. Коллекция NPDC включает образцы, собранные по всему миру — в Азиатско-Тихоокеанском регионе, на Ближнем Востоке, в Южной Америке, Северной Америке и Антарктиде. Исторически природные соединения оказались чрезвычайно плодородным источником лекарственных лидеров; по меньшей мере 50% одобренных за последние 30 лет малых молекул были получены именно из природных источников.

Отметим, что 21 соединение, протестированное в этом исследовании, составляет всего около 1% доступной библиотеки NPDC. Это подчеркивает как возможность, так и ограничение: хотя текущие результаты многообещающие, большая часть библиотеки остается не исследованной. Доктор Ашутрипати, директор Центра открытия природных продуктов, выразил оптимизм относительно тестирования дополнительных соединений из их pipeline, включающего сотни перспективных кандидатов.

Активность институциональных инвесторов: интерпретация рыночных движений

Недавняя активность хедж-фондов вокруг Predictive Oncology (NASDAQ: POAI) показывает смешанную картину доверия со стороны институциональных инвесторов. В третьем и четвертом квартале 2024 года крупные игроки как полностью выходили из позиций, так и увеличивали их. Renaissance Technologies LLC и HRT Financial LP полностью покинули свои позиции, тогда как Jane Street Group LLC, XTX Topco Ltd и CSENGE Advisory Group в четвертом квартале увеличили свои доли.

Различия в действиях инвесторов свидетельствуют о том, что разные стратегии оценки перспектив Predictive Oncology приводят к разным оценкам компании. Квантовые фонды вроде Renaissance могли переоценивать или переоценивать риски на основе алгоритмических сигналов, тогда как новые участники рынка могут делать ставку на долгосрочную перспективу и потенциал ИИ в разработке лекарств.

Основные вопросы по результатам исследования

В: Какие конкретные типы опухолей оценивала команда Predictive Oncology?
Исследование сосредоточено на трёх основных категориях рака: молочной железы, колоректальном раке и раке яичников — одних из наиболее значимых глобальных бремён онкологии. Эти типы опухолей выбраны за их клиническую актуальность и наличие обширных библиотек образцов.

В: Как платформа PEDAL достигает 92% точности предсказаний?
Платформа использует алгоритмы машинного обучения, обученные на базе биобанка Predictive Oncology, содержащей более 150 000 гетерогенных образцов человеческих опухолей. Анализируя паттерны реакции опухолей на различные соединения, алгоритм развивает предиктивные возможности, превосходящие традиционные методы скрининга.

В: Почему в исследовании задействовано всего 1% библиотеки NPDC?
Это типичный начальный масштаб академических и промышленных коллабораций. Успешная проверка подхода на пилотном наборе соединений оправдывает расширение тестирования. В дальнейшем NPDC планирует продолжать исследование сотен других соединений из своей pipeline.

Преодоление разрыва между научными обещаниями и клинической реальностью

Несмотря на впечатляющие научные результаты, есть несколько аспектов, требующих внимания перед прогнозированием быстрого внедрения в клинику. Во-первых, текущая работа — это ранняя стадия оценки соединений на основе живых клеточных образцов, что ценно для скрининга, но отличается от испытаний на животных или клинических испытаний у людей. Перевод эффективности в клиническую практику обычно занимает 10–15 лет и требует миллиардных инвестиций.

Во-вторых, ограниченность выборки (21 соединение, 1% библиотеки, протестированные на трёх типах опухолей) вызывает вопросы о статистической мощности и обобщаемости результатов. Команда Predictive Oncology признает эти ограничения и планирует продолжать тестирование дополнительных соединений.

В-третьих, пресс-релиз содержит прогнозные заявления, подверженные рыночным рискам. Компания предупреждает, что фактические результаты могут существенно отличаться от заявленных ожиданий — стандартное предостережение, отражающее реальные риски в разработке лекарств.

Наконец, конкурирующие платформы и традиционные методы скрининга продолжают развиваться. Технологическое преимущество Predictive Oncology зависит от постоянных инвестиций в R&D и доступа к новым соединениям через партнерства.

Значение для развития ИИ в разработке лекарств

Объявление Predictive Oncology отражает тенденцию: искусственный интеллект и машинное обучение всё активнее выступают в роли ускорителей на ранних этапах разработки лекарств. Снижение экспериментальной нагрузки и ускорение поиска кандидатов позволяют сокращать сроки и оптимизировать ресурсы. Однако ни одна модель не устраняет полностью присущие биологическим системам неопределенности.

Партнерство с Университетом Мичигана подтверждает, что Predictive Oncology успешно позиционирует себя как надежный партнер для академических институтов, стремящихся коммерциализировать научные открытия. Доступ к этой коллаборации дает компании преимущества, особенно при расширении тестирования новых соединений за пределы начальных 21.

Объявленные в начале 2025 года результаты — важный показатель для заинтересованных сторон, оценивающих платформу и рыночные позиции Predictive Oncology. Несмотря на длительные регуляторные процессы и неопределенность клинической трансляции, демонстрация превосходных предсказаний эффективности и значительных ускорений подтверждает основные заявления о потенциале ИИ в онкологической разработке.