在本文中,科睿唯安负责产品组合、授权许可及临床事务的产品总监Ketan Patel将为您深度剖析人工智能在商业开发及授权许可(BD&L)过程中的三个实际应用案例。
负责商业开发和授权许可的专业人员需要对多种来源的海量信息进行汇总分析才能尽到其职责。
为了更好了解一个药物项目的价值,团队成员必须对药物研发管线信息、申办方的数据、财务信息、交易信息和临床试验的实施等信息进行人工筛选、归类和分析。
他们不仅要面对每天新生成的数据带来的压力,而且还要抢在竞争对手之前快速而准确地对这些数据进行评价。许多团队通常会将同一家制药公司、或相同的交易信息及在研药物作为竞争对象来进行评价。如果他们不能及时收集到所需的全部信息,无疑会落后于竞争对手。例如,如果您正在计划对拥有三款核心在研药物的一家小型生物技术公司进行评价,那么,对相关信息进行汇总以了解每款药物获批的可能时间节点,将对您的评价进程带来相当大的帮助。
由于这些数据必须从不同的信息来源中获取,因而也存在对有用信息进行持续监测并确保在今后的估值中使用这些信息的问题。对于商业开发和授权许可,数据收集的核心目的是基于市场信息做出准确的预测和预报。
为了更高效地对以上过程进行管理,很多专业人员开始转向利用人工智能(AI)。商业开发和授权许可团队可以通过将目前的人工评估过程转变为算法自动化主导的过程,以便能够处理更多的信息并对更多的公司和药物资产进行评估。同时还可以通过分析历史数据和利用管线预测模型同时对几种药物研发的成功率进行预测来提高药物管线预测能力。
目前已有的三个重要的应用案例证明,AI对商业开发和授权许可进程能够带来巨大的影响。
利用历史数据识别药物研发路径和获批时间
许多历史数据集,包括临床试验数据集和FDA获批数据集均可通过检索公共数据库获得。对于正在力求识别重要药物的正确开发路径和获批时间的团队,这些历史数据极具价值。
在科睿唯安,我们使用AI工具来整理这些公开数据,然后通过特定的方法对其进行索引以增加其价值。这能够帮助我们创建一个模型,用于预测和识别药物获批时间和成功率。
此外,用户可以根据历史获批信息和时间节点对预期的制药公司或药物资产进行评估。例如,对评估一个阿尔茨海默病的研发管线时,您可以查看历史上较低的获批成功率,回顾使其获批的关键因素,并评估预期的研发管线是否有可能成功。
您还可以使用AI工具分析研发周期时间。如果您能够了解不同研发阶段过渡期的历史平均周期时间,就能对获批时间节点做出更准确的预测。
提高预测时间节点和调整计划的能力
如果您能对某些药物的历史平均值进行比较,就能更好地预测同类产品不同的时间节点。
如果有多家企业对同一个领域进行投资,您可能预测出所有产品先后获批的时间。而且也可以分析对这些时间节点造成直接影响的各个因素。
最先启动临床试验的制药公司往往不会第一个获批,这其中有几个因素在起作用。如果您能够了解这些关键要素,就能对目前的评估过程进行调整,以获得竞争优势。
例如,您可以使用一个预测模型进行分析,以确定在临床试验的启动阶段使用真实世界的证据是否能够提高受试者招募率,从而加速产品上市进程。如果已有数据能够提示您采取哪些措施会使产品以最快的速度获批,则可以依据这些对公司内部计划进行调整,以便在产品获批的竞争中赢得先机。
确保使用数据驱动方法进行准确评估
每家制药公司都有自己的一套机制和方法来评估产品组合、对药物资产进行比较分析以及发现市场缺口。
但这些方法往往存在固有的主观倾向,因而影响评估的准确性。有时候某些主观倾向可能仅仅来自于一些错误的观念。例如,如果贵公司已经在糖尿病产品方面有成功获批的经验,您可能会推测未来的产品也会以同样的概率获批。您也可能在评估新适应症时会沿用其他适应症的信息用于新适应症获批时间的测算。这些示例虽然较为细微,但可能会对您正在作出的决策带来不利影响。
通过使用AI算法,贵公司可以获得一个由数据驱动的不受干扰的“顾问”。
消除了这种固有的主观倾向后,专业人员就能更准确地对产品组合进行评估并对药物资产进行比较。
您还可以使用这种方法对竞争对手的药物资产进行评估。AI算法不仅能对贵公司内部的数据进行分析处理,还能对任何一家制药公司和新药项目的全部药物研发管线的信息进行收集。这使得贵公司能够对竞争对手的产品组合进行估值预测,并且能够针对本公司产品与其他公司同类产品存在的差距找到解决方案。
AI还可以通过对您计划出售的药物资产与已上市的药物资产之间进行准确的对比来完善您的对外许可策略。因为您将能够更好地了解谁将从药物收购中获得最大收益,所以这将有助于您进一步提升产品的价值。
人工智能的数据困境
对于那些计划将AI用于商业开发和授权许可的制药公司来说,必须牢记一个关键因素——数据。
制药公司必须了解数据的来源以及数据更新的频率。
为了保证AI模型的有效性,您需要获取所有相关来源的数据并及时进行更新。
我们构建的模型会在每天夜间对当天收集到的、由不同来源生成的所有新数据进行自动更新。这使得任何可能影响药物开发计划的新数据每天都会被纳入模型预测的运算中。
数据质量也是一个重要因素。“无效输入,无效输出(garbage in, garbage out)”提示通常是正确的,尤其是您刚刚在模型中输入了大量非结构化数据后。如果您想提高AI模型预测数据的准确度,则需要确保其获得高质量数据的支持和训练。
在当今科技飞速发展的时代,用于药物研发信息的分析工具也应与时俱进,不断更新。应该不断对这些工具进行创新,以使其能够纳入新信息、新里程碑和新型数据。对这些模型应该进行升级迭代,使其与行业发展保持同步。例如,目前基因治疗市场正在快速发展,但获批的基因疗法的数据却相对有限。随着市场不断走向成熟,更多的数据将会不断涌现,制药公司应能够利用新数据进行产品管线预测。