Использование искусственного интеллекта (ИИ) на различных этапах разработки лекарств обладает огромным потенциалом для фармацевтической промышленности, так что за последние пять лет инвестиции в технологию разработки лекарств при содействии ИИ ежегодно удваивались. ИИ-компании, ищущие клиентов, партнеров и инвесторов, стремились извлечь выгоду из этого ажиотажа, рекламируя различные проприетарные платформы, которые так или иначе используют ИИ. Но не все так просто - руководителям фармацевтических компаний следует заранее просчитать все риски подобных новшеств, прежде чем начать использовать подобные частные ИИ-платформы.
Проприетарные платформы предлагаются многими компаниями, занимающимися искусственным интеллектом, для различных аспектов процесса разработки лекарств, и использование таких платформ действительно может ускорить сроки разработки и сократить расходы. Различные модели, применяемые этими платформами, могут быть использованы для обнаружения заданной цели, идентификации определенных химических структур, конструирования молекул, оптимизации свинца для повышения эффективности и снижения потенциальной токсичности, глубинной работы с различными химическими соединениями. Искусственные нейронные сети могут быть обучены выполнению виртуального скрининга или использоваться для упрощения традиционных высокопроизводительных скрининговых анализов за счет автоматизации сбора и анализа данных. Например, искусственный интеллект может быть использован для клеточных анализов, передающих визуальный сигнал с высокой скоростью и точностью.
Метод скрининга, сочетающий программу искусственного интеллекта с одним или несколькими физическими лабораторными анализами, достаточно легко запатентовать. Алгоритм не обязательно становится пригодным для патентования только потому, что он включает в себя физический шаг для генерации входных данных или потому, что он выполняется в системе облачных вычислений. Однако модель, интегрированная с биологическими или химическими тестами, легче применить к любому текущему законодательству. В качестве примера рассмотрим метод скрининга, который основан на флуоресцентном сигнале, указывающем на связывание соединения с целью внутри клетки. Использование искусственного интеллекта для анализа и интерпретации флуоресцентных сигналов из библиотеки миллионов проверенных соединений может быть запатентовано как усовершенствование лабораторной технологии и рассматриваться как нечто большее, чем просто алгоритм.
Новые химические соединения, открытые с помощью платформ на основе искусственного интеллекта, безусловно, имеют право на патентование, но необходимо учитывать, как молекула (или класс молекул) может быть адекватно описана в патентной заявке. Для этого требуется химическое название или структура, способ синтеза соединений и практическая полезность или непосредственная польза для общества. У кого-то может возникнуть соблазн быстро подать заявку на патент на химическое соединение, которое, по прогнозам, обладает исключительной активностью, полагаясь на прогноз модели, а не на традиционный лабораторный анализ. Вопрос в том, может ли эта полезность быть установлена с помощью модели искусственного интеллекта — без фактического изготовления и тестирования соединения — не рассматривался. Более того, если химическое соединение полностью создано программой искусственного интеллекта, возникает вопрос о том, кто его изобрел. Может ли ИИ считаться “изобретателем” в соответствии с законодательством в настоящее время загадка, так как в качестве изобретателя может выступать только физическое лицо. Если в заявке на патент на химическое соединение не указано физическое лицо в качестве его изобретателя, такая заявка не будет принята.
ИИ-компания может обладать ценной интеллектуальной собственностью, даже если у нее нет патента, покрывающего ее платформу. Такая компания, скорее всего, будет использовать свои модели внутри компании и предоставлять своим партнерам или клиентам пакеты данных, которые не полностью раскрывают, как они были получены. Необходимость соблюдения конфиденциальности может ограничить то, как модели искусственного интеллекта могут составлять коммерческую тайну, при условии, что они хранятся в тайне. Компания с искусственным интеллектом, скорее всего, будет запускать свои модели внутри компании и предоставлять результаты своим партнерам или клиентам таким образом, чтобы не раскрывать, как модели дали эти результаты.
Обучение с использованием нейронных сетей требует массивных высококачественных наборов данных для обучения и поиска. Содержимое этих наборов данных может быть сгенерировано самой компанией, занимающейся искусственным интеллектом, или они могут быть получены из общедоступной базы данных, консорциума или поставщика. Если разработчик модели получил эти наборы данных из внешних источников, при их использовании могут возникнуть проблемы с лицензией или авторским правом. Данные из внешних источников могут сопровождаться условиями или ограничениями, такими как роялти за изобретения, ставшие возможными благодаря использованию данных, или обязательство делиться улучшениями.
Компании с искусственным интеллектом в области разработки лекарств использовали различные бизнес-модели. Некоторые из них действуют как традиционные контрактные исследовательские организации (ОЦР), которые получают плату за свои услуги, в то время как другие позиционируют себя как партнеры по разработке, которые разделяют доходы от препарата, который они помогают разрабатывать. Если в проекте фармацевтической компании по разработке лекарств используются платформы на основе искусственного интеллекта от более чем одной компании с искусственным интеллектом, это может привести к многочисленным обязательствам по роялти на полученный препарат. Если платформа первой компании определяет серию попаданий в цель, а программа второй компании направляет оптимизацию попадания в свинцовое соединение, можно задолжать роялти за препарат обеим компаниям. В результате фармацевтическая компания, которая привлекает компанию с искусственным интеллектом, должна тщательно продумать условия контракта и ожидания, лежащие в основе отношений.